ترجمه فارسی عنوان مقاله

شرهیافت جدید برای تنظیم پارامتر منطق فازی دینامیک در بهینه‌سازی کلونی مورچگان و کاربرد آن در کنترل فازی ربات متحرک

عنوان انگلیسی

A new approach for dynamic fuzzy logic parameter tuning in Ant Colony Optimization and its application in fuzzy control of a mobile robot

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
46246	2015	10 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Applied Soft Computing, Volume 28, March 2015, Pages 150–159

فهرست مطالب ترجمه فارسی

چکیده

کلمات کلیدی

1.مقدمه

2. بهینه‌سازی کلونی مورچگان

۳. تجزیه و تحلیل عملکرد ACO

جدول ۱: نمونه‌های TSP در نظر گرفته شده

جدول ۲: پارامترهای استفاده شده در هر نوع ACO

جدول ۳: عملکرد به دست آمده از نمونه TSP برای Burma14

جدول ۴: عملکرد به دست آمده از نمونه TSP برای Ulysses22

جدول ۵: عملکرد به دست آمده از نمونه TSP برای Berlin52

جدول ۶: عملکرد به دست آمده از نمونه TSP برای Eil76

جدول ۷: عملکرد به دست آمده از نمونه TSP برای KroA100

شکل ۱: نتایج میانگین هر رهیافت ارائه شده

شکل ۲: درصد موفقیت در پیدا کردن کمینه جهانی برای هر رهیافت ارائه شده

شکل ۳: نمودار همگرایی الگوریتم ACO نوع ASRank

شکل ۴: رفتار فاکتور شاخه لامبدا میانگین در طول اجرای الگوریتم ACO نوع ASRank

4. کنترل کننده‌های همگرای منطق فازی

شکل ۵: نمودار بلوکی سیستم پیشنهادی برای کنترل همگرایی الگوریتم ACO‌ نوع ASRank

شکل ۶: قواعد سیستم فازی پیشنهادی برای کنترل همگرایی الگوریتم ACO

شکل ۷: توابع عضویت متغیرهای ورودی سیستم فازی پیشنهادی برای کنترل همگرایی الگوریتم ACO

شکل ۸: توابع عضویت متغیرهای خروجی سیستم فازی پیشنهادی برای کنترل همگرایی الگوریتم ACO

۵. شبیه‌سازی در مسائل TSP

شکل ۹: رفتار فاکتور شاخه لامبدا میانگین در طول اجرای الگوریتم پیشنهادی

جدول ۸: عملکرد به دست آمده با استراتژی پیشنهادی از نمونه‌های مطرح شده در بالا

شکل ۱۰: نتایج میانگین به دست آمده با روش پیشنهادی و هر رهیافت تحت بررسی

شکل ۱۱: درصد موفقیت پیدا کردن کمینه جهانی با روش پیشنهادی و هر رهیافت تحت بررسی

جدول ۹: فرضیه صفر و جایگزین برای فرضیه آماری آزمون اجرا شده برای مسائل TSP

شکل ۱۲: نتایج فرضیه‌های آماری بررسی شده با اجرا برای (a) AS در مقابل ASRank+ConvCont (b) EAS در مقابل ASRank+ConvCont (c) ASRank در مقابل ASRank+ConvCont برای مسائل TSP

6. کنترل کننده های مسیریابی فازی برای یک ربات متحرک تک چرخ

شکل ۱۳: توابع عضویت متغیرهای ورودی کنترل کننده مسیریابی فازی

شکل ۱۴: توابع عضویت متغیرهای خروجی کنترل کننده مسیریابی فازی

شکل ۱۵: قواعد کنترل کننده مسیریابی فازی بحث شده

7. ACO برای بهینه‌سازی توابع عضویت

شکل ۱۶: توابع عضویت متغیرهای ورودی سیستم فازی برای کنترل مسیریابی ربات

شکل ۱۷: توابع عضویت متغیرهای خروجی سیستم فازی برای کنترل مسیریابی ربات

جدول ۱۰: وزن متغیر رابطه برای ورودی خطای سرعت خطی سیستم فازی برای بهینه کردن

جدول ۱۱: وزن متغیر رابطه برای ورودی خطای سرعت زاویه‌ای سیستم فازی برای بهینه کردن

جدول ۱۲: وزن متغیر رابطه برای خروجی گشتاور سمت راست سیستم فازی برای بهینه کردن

جدول ۱۳: وزن متغیر رابطه برای خروجی گشتاور سمت چپ سیستم فازی برای بهینه کردن

۸. ASRank + ConvCont برای بهینه‌سازی توابع عضویت

شکل ۱۸: توابع عضویت متغیرهای ورودی سیستم فازی پیشنهادی برای کنترل همگرایی الگوریتم ACO بدون اطلاعات اکتسابی

شکل ۱۹: قواعد سیستم فازی پیشنهادی برای کنترل همگرایی الگوریتم ACO بدون اطلاعات اکتسابی

شکل ۲۰: توابع عضویت متغیرهای خروجی سیستم فازی پیشنهادی برای کنترل همگرایی الگوریتم ACO بدون اطلاعات اکتسابی

9. شبیه‌سازی مساله بهینه‌سازی توابع عضویت.

شکل ۲۱: رفتار فاکتور شاخه لامبدا میانگین در طول اجرای الگوریتم توسعه یافته برای کنترل همگرایی الگوریتم ACO بدون اطلاعات اکتسابی

جدول ۱۴: پارامترهای استفاده شده در هر الگوریتم ACO در بهینه‌سازی تابع عضویت

جدول ۱۵: نتایج به دست آمده از روش پیشنهادی و هر الگوریتم تحت مطالعه در مساله بهینه‌سازی تابع عضویت

شکل ۲۲: مسیر به دست امده با بهترین کنترل کننده تولید شده

جدول ۱۶: فرضیه صفر و جایگزین برای فرضیه آماری آزمون اجرا شده برای مساله بهینه‌سازی تابع عضویت

شکل ۲۳: توابع عضویت بهترین کنترل کننده تولید شده

شکل ۲۴: نتایج فرضیه‌های آماری بررسی شده با اجرا برای (a) AS در مقابل ASRank+ConvCont (b) EAS در مقابل ASRank+ConvCont (c) ASRank در مقابل ASRank+ConvCont برای مساله بهینه‌سازی توابع عضویت

10. ASRank + ConvCont در مقابل S-ACO

جدول ۱۷: عملکرد به دست آمده با ASRank+ConvCont و ACO برای مساله بهینه‌سازی توابع عضویت

شکل ۲۵: مسیرهای تولید شدخ توسط کنترل کننده به دست آمده از بهترین آزمایش‌های اجرا شده با (a) ASRank+ConvCont (b) S-ACO

شکل ۲۶: نتایج فرضیه‌های آماری با اجرای آزمون برای (a) S-ACO در مقابل ASRank+ConvCont

11. نتیجه‌گیری

ترجمه کلمات کلیدی

منطق فازی - کنترل فازی - رباتیک - فازی ACO

کلمات کلیدی انگلیسی

ACO; Fuzzy logic; Fuzzy control; Robotics; Fuzzy ACO

ترجمه چکیده

بهینه‌سازی کلونی مورچگان یک رهیافت فرااکتشافی مبتنی بر جمعیت است که از حافظه عملکرد قبلی، که از رفتار مورچه‌های واقعی الهام گرفته شده است، بهره می‌گیرد. رفتار الگوریتم بهینه‌سازی کلونی مورچگان بسیار وابسته به مقادیر تعیین شده برای پارامترهای آن است. تطبیق و کنترل پارامترهای، رخدادهایی تکراری در زمینه الگوریتم‌های بهینه‌سازی بیولوژیک هستند. مقاله حاضر به بررسی رویکرد جدید فازی برای کنترل گوناگونی در بهینه‌سازی کلونی مورچگان می‌پردازد. ایده اصلی ممانعت یا کند کردن سرعت همگرایی کامل از طریق تغییرات دینامیک یک پارامتر خاص است. کارایی متغیرهای مختلف الگوریتم بهینه‌سازی کلونی مورچگان برای انتخاب یک مورد به عنوان مبنا برای رویکرد پیشنهادی مورد تجزیه و تحلیل قرار گرفته است. کنترل کننده منطق فازی همگرا با هدف حفظ گوناگونی در برخی سطوح برای جلوگیری از همگرایی زود هنگام ایجاد می‌شود. نتایج نوید بخش در چند نمونه از مسائل فروشندگان مسافر و کاربرد آن در طراحی کنترل کننده‌های فازی، به ویژه بهینه‌سازی تابع عضویت برای کنترل مسیریابی ربات متحرک تک‌چرخ با روش پیشنهادی ارائه شده است.

ترجمه مقدمه

بهینه‌سازی کلونی مورچگان (ACO) از رفتار عاملی کلونی‌های مورچگان الهام گرفته شده و در حل مسائل بهینه‌سازی گسسته به کار می‌رود [8]. رفتار الگوریتم ACO به شدت وابسته به مقادیر تعیین شده برای پارامترهای آن است، به همین دلیل این موضوع روی همگرایی آن تاثیر دارد. معمولا این پارامترهای در طول اجرای الگوریتم ثابت نگه داشته می‌شوند. تغییر پارامترها در زمان اجرا، در یک زمان معین یا وابسته به پیشرفت جستجو، ممکن است عملکرد الگوریتم را بهبود ببخشد [25-27]. کنترل دینامیک همگرایی برای حفظ تعادل بین اکتشاف و بهره‌گیری، برای عملکرد خوب در ACO بسیار حیاتی است. همگرایی زودهنگام باعث می‌شود که بخش‌های زیادی از فضای تحقیقاتی بررسی نشده باقی بماند. همگرایی آهسته روی مناطقی که راه‌حل‌های خوبی وجود دارد، تمرکز نمی‌کند. کنترل فازی به عنوان یکی از فعال‌ترین و پربارترین زمینه‌های تحقیقاتی در کاربرد مجموعه‌های فازی و منطق فازی است. متدولوژی کنترل کننده‌های منطق فازی هنگامی مفید است که فرایندها برای تجزیه و تحلیل با تکنیک‌های متعارف بسیار پیچیده باشند یا زمانی که منابع اطلاعات موجود، با روش کیفی نادقیق یا روش‌های غیرمطمئن تفسیر شوند، مفید هستند[40]. تعیین پارامترهای صحیح برای کنترل منطق فازی یک مساله پیچیده بوده و همچنین کاری است که زمان قابل‌توجهی را طلب می‌کند. به دلیل توانایی حل مسائل سخت NP، از ACO برای انتخاب پارامترهای مورد بحث استفاده کردیم. همچنان علاقه‌ای به استفاده از الگوریتم‌های ACO در رباتیک متحرک وجود دارد [5،28]. امروزه اتوماسیون اتوماتیک رباتیک بخش مهمی در فرایند تولید است. ردیابی خودکار ناوبری متحرک، یک چالش است. یک ربات متحرک می‌تواند برای دستیابی به موقعیت‌های هدف غیرقابل دسترس به دلیل شرایط زمین‌شناسی و یا در جایی که انسان در معرض خطر قرار دارد، سودمند باشد. بنابراین، روباتیک متحرک، یک موضوع جذاب در حوزه علم و مهندسی است. این مقاله روش جدیدی از کنترل گوناگونی در ACO را بررسی می‌کند. ایده اصلی جلوگیری یا متوقف کردن همگرایی کامل از طریق تنظیم دینامیک پارامتر خاص الگوریتم اعمالی به طراحی کنترل‌کننده‌های فازی، به ویژه برای بهینه‌سازی توابع عضویت کنترل‌کننده مسیریابی برای یک ربات متحرک تک‌چرخ است. بقیه مقاله به شرح زیر است. بخش 2 خلاصه‌ای از ACO ارائه می‌کند. بخش 3 تجزیه و تحلیل عملکرد را در چند مثال‌ TSP توصیف می‌کند. بخش 4 روش جدید تنظیم پارامتری با استفاده از منطق فازی ارائه می‌کند، بخش 5 برخی نتایج شبیه‌سازی را در مسائل TSP نشان می‌دهد، بخش 6 کنترل کننده فازی بهینه را توصیف می‌کند، بخش 7 ملاحظاتی را ارائه می‌دهد که در پیاده‌سازی الگوریتم ACO در بهینه‌سازی توابع عضویت استفاده می‌شوند، بخش 8 نحوه استفاده از روش پیشنهادی را شرح می‌دهد. بخش 9 و 10 نتایج شبیه‌سازی را در مسئله بهینه‌سازی توابع عضویت نشان می‌دهد، و در نهایت بخش 11، نتیجه‌گیری‌ها را ارائه می‌دهد.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

Ant Colony Optimization is a population-based meta-heuristic that exploits a form of past performance memory that is inspired by the foraging behavior of real ants. The behavior of the Ant Colony Optimization algorithm is highly dependent on the values defined for its parameters. Adaptation and parameter control are recurring themes in the field of bio-inspired optimization algorithms. The present paper explores a new fuzzy approach for diversity control in Ant Colony Optimization. The main idea is to avoid or slow down full convergence through the dynamic variation of a particular parameter. The performance of different variants of the Ant Colony Optimization algorithm is analyzed to choose one as the basis to the proposed approach. A convergence fuzzy logic controller with the objective of maintaining diversity at some level to avoid premature convergence is created. Encouraging results on several traveling salesman problem instances and its application to the design of fuzzy controllers, in particular the optimization of membership functions for a unicycle mobile robot trajectory control are presented with the proposed method.