ترجمه مقاله الگوریتم تکاملی ترکیبی GA-DE برای سنتز مسیر ارتباطی چهارخطی:
رشته: مدیریت
On solving the forward kinematics of 3RPR planar parallel manipulator using hybrid metaheuristics
جهت دانلود رایگان مقاله انگلیسی اینجا را کلیک نمایید
چکیده:
یک الگوریتم تکاملی واقعی کد شده برای سنتز یک مسیر چهارخطی معرفی شده است این الگوریتم تکاملی جدید با ترکیب دیفرانسیل به دست آمده (DE) با الگوریتم ژنتیکی حقیقی (RGA) یه دست آمده استGA-DE اصلاحیه این الگوریتم است. تنها تفاوت بین الگوریتم پیشنهادی. و RGA در محتوای تقاطع آنها است. عملیات متقاطع در RGA توسط بردار دیفرانسیلی اختلال جایگزین شده با بهترین عنوان یا برخی از عناوین خوب به عنوان بردار پایه شناخته شده است. بنابراین هردو اختلال اصلی بردار دیفرانسی و اغتشاش جزئی به عنوان اپرتورهای ژنتیکی در الگوریتم ترکیبیGA-DE استفاده می شود. کارایی و دقت روش ارائه شده با استفاده از چهارمورد تست شده است. یفته ها نشان می دهد که راه حل برای سه مورد از چهار مورد بسیار دقیق بوده و می توان از این روش استفاده کرد. نمودار میله ای این مکانیزم سنتز را می توان با استفاده از قابلیت طراحی دوبعدی در نرم افزار Solid works به دست آورد. برای بررسی اینکه آیا مکانیزم سنتز در مدار با نقص روبرو می شود این تحقیق انجام شده است.
مقدمه:
سنتز یک مسیر چهار خطه به طور فعال در طول پنجاه سال گذشته مورد مطالعه تعداد زیادی قرار گرفته است. تعداد زیادی مطالعات در مورد این موضموع با استفاده از روش های مختلف انجام شده است. این موارد شامل تحلی، برنامه نویسی غیر خطی، شیب دقیق، منحنی تابع جفت زاویه و روش های انحنای منحنی انجام شده است. مشکل روش سنتز ارتباطی یک مسیر چهارخطه این است که نقطه می تواند به مسیر متصل شده و یا نقطه هدف مورد نظر را بدون هیچ تحلیل ردیابی کند. راه حل مشکل به طور کلی در اهداف بیش از پنج نقطه است. این نوع مشکل ممکن است با روش های عددی نیز حل شود. به عنوان مثال ممکن است بهینه سازی مکانیزم برای به حداقل رساندن عملکرد هدف در نظر گرفته شود. تابع هدف رایج ترین خطا در موقعیت را به عنوان حاصل جمع مربع اقلیدسی تعریف کند که فاصله بین نقاط هدف و نقاط متصل به هم به دست بیاید. پس از توسعه الگوریتم های تکاملی و بیولوژیکی و هوش گروهی این الگوریتم همان چیزی است که برای استفاده در این سنتز مناسب می باشد. الگوریتم ژنتیک GA برای اولین بار در هلند تعریف شد. سپس توسط دانشجویان دیجانگ جهت انطباق با مسائل بهینه سازی عددی امتحان شد. تکامل تفاضلی (DE) برای اولین بار توسط استورن ارائه شد که یکی دیگر از الگوریتم های تکاملی ساده اما قدرتمند برای بهینه سازی پارامترها بود. تراکم نقاط بهینه سازی (PSO) توسط کندی و آبرهارد پیشنهاد شد که یکی از روش های بهینه سازی هوش گروهی در تقلید فعالیت ها بود. این روش تکاملی ساده و آسان به پیاده سازی حل های پیچیده برای مسائل بهینه سازی در دنیای واقعی بود. این روش تکاملی بدون نیاز به مطالبات بیشتر مربوط به گرادیان و یا دیگر توابع هدف بود. علاوه براین اگر تابع هدف به عنوان بهینه سازی یک تابع روشن از نتغیرهای طراحی بهینه سازی شده و یا معادل آن بیان شود آن را بیش از حد پیچیده می کند. به عنوان مثال مشکل بهینه سازی سنتز پنج نقطه ای نیاز به مکانیزم خاصی دارد. که الگوریتم تکاملی مناسب برای بهینه سازی این بوده و روش های سنتی را بهینه سازی قطعی می کند.
