در این تحقیق شناسایی محل و میزان آسیب در سازه با استفاده از الگوریتم بهینه سازی زنبور عسل مصنوعی بررسی شده است. تعیین میزان و محل خسارت در سازه ها با استفاده از بازرسی میدانی و چشمی فرآیندی پرهزینه است، لذا با استفاده از روشهای تحلیلی علاوه بر سرعت دسترسی قابل ملاحظه، هزینه های تعیین محل و میزان آسیب نیز کاهش می یابد. با دانستن فرکانس ها و شکل های مودی سازه آسیب دیده که از نتایج اندازه گیری بدست می آید و همچنین فرض عدم تغییر ماتریس جرم در سازه سالم و آسیب دیده، ماتریس سختی به گونه ای تعیین می شود که در قضیه مقادیر ویژه ماتریس جرم و سختی سازه آسیب دیده صدق نماید. حل مساله از روش معکوس نیازمند سعی و خطای متعددی تا رسیدن به جواب قابل قبول می باشد ولی استفاده از الگوریتم های بهینه سازی عددی می تواند به گونه ای فضای پاسخ را جستجو کند که تعداد سعی های لازم بسیار کم و محدود گردد. در این پژوهش الگوریتم زنبور عسل مصنوعی برای تعیین ماتریس سختی سازه آسیب دیده استفاده می گردد. همچنین روش SEREP برای فشرده سازی ماتریس جرم و سختی به منظور کاهش حجم محاسبات بکارگیری می شود. برای ارزیابی این روش، دو خرپای مسطح و فضایی و یک قاب مسطح هر کدام با دو سناریوی خسارت درنظر گرفته می شود. نتایج بررسی نشان می دهد که این روش توانایی و دقت قابل قبولی در تعیین میزان و محل آسیب در سازه با وجود اطلاعات فرکانسی و شکل مودی نویزدار دارد.

انتخاب تابع توزیع مناسب و تخمین پارامترهای آن دو گام اساسی در برآورد دقیق تناوب سیلاب است. در این مقاله برای بهبود تخمین پارامترهای توابع توزیع، از مفهوم بهینه سازی الگوریتم فرا ابتکاری استفاده شده است. هدف از این مقاله استفاده از الگوریتم کلونی زنبور عسل (ABC) در راستای برآورد پارامترهای توابع توزیع رایج در تخمین سیلاب است. در این راستا از سه آماره برازندگی، ضریب همبستگی، ضریب تشخیص و مجذور میانگین مربعات خطا، برای مقایسه عملکرد این الگوریتم با روش های متعارف تخمین پارامتر، حداکثر درست نمایی(ML)، گشتاورها (MOM) و گشتاور وزنی احتمال (PWM)، استفاده شده است. منطقه مورد مطالعه حوضه آبخیز بابل رود در حاشیه جنوبی دریای مازندران است که دارای سوابق وقوع سیلاب است. تعداد شش ایستگاه هیدرومتری دارای آمار مشاهداتی دبی حداکثر سیلاب در منطقه شناسایی و داده های آنها در تحلیل تناوب سیل شش تابع توزیع نرمال، گمبل، گاما، پیرسون نوع 3، مقادیر حد و لجستیک مورد استفاده قرار گرفت. مقایسه عملکرد روش های ABC، ML، MOM و PWM در برآورد سه آماره برازندگی نشان می دهد که تابع توزیع پیرسون نوع 3 دارای بیشترین مقدار میانگین ضریب همبستگی (0/97) با کمترین دامنه تغییرات (0/05-0/04) و تابع توزیع گاما دارای بیشترین مقدار ضریب تشخیص (0/93) با کمترین دامنه تغییرات (0/10) و همچنین کمترین مقدار مجذور میانگین مربعات خطا (8/61) با کمترین دامنه تغییرات (14/33) است. درنهایت با جمع بندی نتایج به دست آمده است می توان نتیجه گرفت که الگوریتم کلونی زنبور عسل عملکرد بهتری (مقادیر بالاتر ضریب همبستگی و ضریب تشخیص و مقدار کمتر مجذور میانگین مربعات خطا) از سایر روش های رایج در تخمین پارامترهای توابع توزیع مطالعاتی در منطقه دارد. . .

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

استفاده کارآمد از انرژی در تولید شلتوک برنج، با کاهش انتشار گازهای گلخانه ای، از تخریب بوم نظام های کشاورزی جلوگیری نموده و سبب توسعه کشاورزی پایدار می شود. هدف از این مطالعه، بررسی، مقایسه، بهینه سازی مصرف انرژی و مدل سازی عملکرد محصول در تولید دو رقم شلتوک با الگوریتم ژنتیک-کلونی زنبور عسل مصنوعی بود. داده ها از طریق مصاحبه با 120 کشاورز و صاحب مزرعه جمع آوری شد. نتایج نشان داد که در رقم مرغوب هاشمی و رقم پُرمحصول جمشیدی میانگین کل انرژی مصرفی به ترتیب 55.973 و 54.796 گیگاژول بر هکتار بود و میانگین کل انرژی تولیدی به ترتیب 30.74 و 62.52 گیگاژول بر هکتار به دست آمد که نشان از افزایش 2.03 برابری انرژی تولیدی در رقم جمشیدی نسبت به رقم هاشمی داشت. ارزیابی شاخص های R2 ،RMSE ،MAPE ،EF و مقایسه آماری میانگین، واریانس و توزیع آماری در مدل تلفیقی الگوریتم ژنتیک-کلونی زنبور عسل مصنوعی بیانگر نتایج مطلوب الگوریتم زنبور عسل مصنوعی به عنوان تابع برازندگی الگوریتم ژنتیک بود. همچنین، نتایج بهینه سازی مصرف انرژی توسط الگوریتم ترکیبی ژنتیک-کلونی زنبور عسل مصنوعی نشان داد که بیشتر منابع مصرفی از حالت بهینه فاصله دارند که با مدیریت صحیح امکان صرفه جویی مصرف انرژی در رقم های هاشمی و جمشیدی به ترتیب 53.96 و 39.41 درصد وجود دارد. ارقام پُرمحصول با هدف تأمین امنیّت غذایی، آبی و انرژی اصلاح شده اند. نتایج پژوهش حاضر، می تواند در شناسایی پتانسیل صرفه جویی انرژی در صنعت برنج کشور کمک به سزایی داشته باشد.

شکستگی ها در مخازن نفتی حوزه زاگرس نقش بنیادین در مهاجرت و تولید هیدروکربورها دارند. یکی از ابزارهای بسیار قوی برای مطالعه و شناسایی شکستگی-ها در پیرامونچاه ها، نمودارهای تصویریاست. این نمودارها اطلاعات مهمی درباره جهت گیری، ژرفا و نوع شکستگی های طبیعی فراهم می کنند. امروزه روش دقیقی برای شناسایی خودکار شکستگی ها از روی این نمودارها در مخازن کربناتی ایرانوجود ندارد و تفسیر این نمودارها بیشتر به صورت دستی انجام می گیرد. بر این اساس در صورت نبود تجربه کافی، تفسیر با خطا روبه رو خواهد شد. هدف از مطالعه حاضر، معرفی و به کارگیری روش های پردازش تصویر و الگوریتم کلونی مصنوعی زنبور عسل، برای پیدا کردن خودکار شکستگی ها در نمودارهای تصویری است. در این روش ابتدا با استفاده از یک روش رده بندی، محل مربوط به شکستگی از درون تصویر استخراج می شود. سپس با استفاده از الگوریتم کلونی مصنوعی زنبورعسل، شیب، آزیموت و موقعیت ژرفی شکستگی ها از روی محل استخراج شده تعیین می شود. این روش روی نمودار تصویری FMS مربوط به یک چاه از میادین جنوب ایران پیاده سازی شده است. نتایج به صورت نمودار تراکم ژرفی، نمودار گل سرخی و استریونت شکستگی های شناسایی شده، نمایش داده شده است. نتایج حاصل کارایی راهکار پیشنهاد شده را نشان می دهد.

این پژوهش با رویکرد ترکیبی، با به کارگیری شبکه عصبی بازگشتی مبتنی بر الگوریتم کلونی زنبورعسل مصنوعی (ABC-RNN)، درصدد ارائه مدلی بهینه برای پیش­ بینی قیمت سهام در بورس تهران است. برای این منظور با استفاده از داده های سهام پذیرفته شده در بازار اول تابلوی اصلی بورس تهران که طی سال­ های 1390 تا پایان سال 1394 مورد معامله قرارگرفته است، ضمن تعریف مؤلفه­ های تکنیکال و بنیادی متعدد، با به کارگیری فرآیند رگرسیون-همبستگی قدم به قدم (SRCS)، مؤلفه­ های مؤثر بر قیمت سهام انتخاب شده و به عنوان ورودی مدل تعریف می­ شود. در مرحله بعد، الگوریتم کلونی زنبورعسل مصنوعی (ABC) در یک فضای طراحی پارامتری، برای بهینه کردن وزن­ ها و تورش­ های شبکه عصبی بازگشتی بکار گرفته می­ شود. برای ارزیابی عملکرد مدل، از چندین معیار برای سهام شرکت­ های پذیرفته شده در بورس تهران استفاده می­ شود. نتایج نشان دهنده آن است که استفاده از شبکه عصبی بهینه شده با الگوریتم کلونی زنبورعسل مصنوعی، دقت قابل ملاحظه ای در مقایسه با سایر روش­ های پیش­ بینی دارد.

بهینه سازی، ابزاری قدرتمند برای کاهش هزینه های غیرضروری در مسائل اجرایی است. از آنجایی که مسائل بهینه سازی ترکیبی مانند: مساله فروشنده دوره گرد (TSP) و انواع مسائل مسیریابی وسیله نقلیه ((VRP از نوع N P-hard هستند، توصیه های تخصصی مبتنی بر حل آن ها توسط الگوریتم های فراابتکاری است. در نوشتار حاضر، مطالعه یی تفصیلی بر پیشینه به کارگیری الگوریتم کلونی زنبور صورت گرفته است. نتایج مطالعات پیشین، حاکی از توانایی قابل توجه الگوریتم مذکور در بهبود پاسخ های مسائل مختلف است. در تکمیل موارد بیان شده، نتایج مدل سازی الگوریتم کلونی زنبور مصنوعی با به کارگیری عملگرهای بهبوددهنده برای ارتقاء کارکرد الگوریتم، در قالب 2 مساله فروشنده دوره گرد و مسیریابی وسیله نقلیه توسط نویسندگان نیز تاییدی بر ایده مطرح شده است. به طوری که نتایج اجرای الگوریتم بر مسائل نمونه معتبر، نشان از بهبود در پاسخ های 2 مساله مذکور دارد، که این امر گواهی بر تولید پاسخ های با کیفیت با استفاده از الگوریتم کلونی زنبور برای حل مسائل پیچیده و عملکرد موفق آن در قیاس با سایر الگوریتم های جمعیت محور در بهبود نتایج است.

پیش بینی عملکرد و توسعه ی هر چه دقیق تر مخازن نفتی، در گروِ داشتن اطلاعات کافی از خواص آنها است. امروزه سعی می-شود با سنجش برخی خواص که اندازه گیری مستقیم آنها آسان تر، کم هزینه تر و دقیق تر است و سپس به کارگیری روش های غیرمستقیم، فرآیند بهینه در جمع آوری داده های خواص مخزن پیموده و همزمان از عدم قطعیت ها کاسته شود. از روش های غیر مستقیم رایج می توان به روابط تجربی و الگوریتم های بهینه سازی اشاره کرد که استفاده از مورد اخیر به سرعت در حال گسترش است. در این پژوهش، روش استفاده از الگوریتم جدید و قدرتمند کلونی مصنوعی زنبور عسل در تخمین خواص فیزیک سنگی مخازن هیدروکربوری، با به کارگیری آن برای تخمین سرعت امواج برشی، از داده های برخی نگارهای پتروفیزیکی در دو مخزن ماسه سنگی و کربناته، تبیین و دقت نتایج با تخمین های حاصل از روابط فیزیک سنگی گرینبرگ-کاستاگنا مقایسه شده است. از بین نگارهای ثبت شده، تخلخل نوترونی، چگالی کپه ای و سرعت موج تراکمی انتخاب و چند جمله ای چندپارامتری مرتبه ی اول برای تخمین کمیت مورد نظر با استفاده از این نگارها برگزیده شد. سپس در هر مورد مطالعه، یک دسته از داده ها برای آموزش الگوریتم و دسته ی دیگر برای ارزیابی عملکرد آن به کار گرفته شد. در هر دو مورد، الگوریتم فوق پاسخ های بهتری به دست داده-است. این نتایج نشان می دهد، در صورت نبود داده های کمیت مذکور در چاه هایی با لیتولوژی مشابه، می توان از این الگوریتم برای تخمین مقدار این پارامتر استفاده نمود.

کاهش و کنترل ریسک اعتباری به عنوان یکی از عوامل موثر در بهبود فرآیند اعطای اعتبار و درنتیجه در عملکرد بانک ها مطرح گردیده و نقش اساسی در تداوم ارائه تسهیلات، سودآوری و بقای بانک ها و موسسات مالی ایفا می نماید. در این راستا، پژوهش حاضر سعی در ارائه رویکردی نو برای ارزیابی ریسک اعتباری مشتریان بانکی دارد. روش شبکه عصبی به عنوان طبقه بندی کننده اصلی مشتریان تسهیلات بانکی با یک روش انتخاب ویژگی پوشش دهنده به نام کلونی زنبورعسل ترکیب می گردد. روش های دیگر به کار رفته در این پژوهش شبکه عصبی مبتنی بر آنالیز اجزای اساسی به عنوان یک روش فیلر کننده انتخاب ویژگی و روش شبکه عصبی به تنهایی می باشند. به منظور نشان دادن اثر بخشی روش پیشنهادی از داده های مربوط به دویست و پنجاه تن از تسهیلات گیرندگان حقیقی بانک کارآفرین در یک بازه زمانی سه ساله (1390-1387) به همراه هجده ویژگی مربوط به هریک از آنها استفاده نموده ایم. نتایج رویکرد ارائه شده با روش شبکه مصنوعی و روش شبکه مصنوعی بر پایه آنالیز اجزای اساسی مقایسه گردیده است. یافته های پژوهش دلالت بر آن داشته که در ارزیابی ریسک اعتباری متقاضیان تسهیلات اعتباری، مدل شبکه عصبی بر مبنای کلونی زنبور عسل نسبت به روش شبکه عصبی و مدل شبکه عصبی بر مبنای آنالیز اجزای اساسی از عملکرد خوبی برخوردار است.