کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6905360 862818 2015 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A new approach for dynamic fuzzy logic parameter tuning in Ant Colony Optimization and its application in fuzzy control of a mobile robot
ترجمه فارسی عنوان
شرهیافت جدید برای تنظیم پارامتر منطق فازی دینامیک در بهینه‌سازی کلونی مورچگان و کاربرد آن در کنترل فازی ربات متحرک
کلمات کلیدی
منطق فازی - کنترل فازی - رباتیک - فازی ACO
فهرست مطالب مقاله
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 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.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
شرهیافت جدید برای تنظیم پارامتر منطق فازی دینامیک در بهینه‌سازی کلونی مورچگان و کاربرد آن در کنترل فازی ربات متحرک
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.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Soft Computing - Volume 28, March 2015, Pages 150–159
نویسندگان
, , , , ,