كد: 2224
عنوان پروژه: فروش پروژه مدل سازی پویای PMSM با الگوریتم ژنتیک با نرم افزار MATLAB
قالب بندی: mdl
دسته: الکترونیک – MATLAB
قیمت: 30.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه مدل سازی پویای PMSM با الگوریتم ژنتیک با نرم افزار MATLAB
در پیاده سازی این پروژه به مدل سازی پویایی سطوح PMSM با استفاده از سیمولینک متلب پرداخته شده است که می توان از ساختار شبیه سازی فیزیکی این سیستم در بخش هایی مانند خودروسازی، مکاترونیک، برنامه هایی که انرژی سبز را مورد نظر قرار دارند و … استفاده نمود. اعتبار استفاده از این مدل سازی، به گفته نویسنده، تایید شده است و در حال حاضر از آن در صنایع مرتبط استفاده می گردد. از دو آزمایش به کمک الگوریتم ژنتیک به منظور بهبود عملکردی PMSM و همینطور سطوح PMSM که آن را با نام SPMSM خواهیم شناخت استفاده کرده ایم. حداکثر گشتاور (Torque) در هر آمپر با استفاده توابع الگوریتم ژنتیک (فیتنس، تقاطع و جهش) به صورت حداکثر بهره وری، لحاظ شده است. در الگوریتم ژنتیک به حدکثر توان قدرت نیز پرداخته شده است. در پروژه از تولباکس ژنتیک استفاده شده است.
برخی از شرایط کافی برای اطمینان از ثبات نقطه تعادل و وجود انشعاب Hopf در برنامه به عنوان پارامتر داده می شود. در مقاله به منظور توجیه تجزیه و تحلیل نظری، برخی از شبیه سازی ها عددی داده شده اند.
در پیاده سازی این پروژه، بلاک دیاگرام PMSM را شامل ولتاژ و گشتاور بارگذاری به عنوان ورودی کرده ایم، و سرعت و جریان را به عنوان خروجی در نظر گرفته ایم (اصل PMSM). در این مدل چند بخش دیگر نیز فرض شده اند که شامل موارد ذیل می باشند: 1) اشباع نادیده گرفته شده است، 2) EMF به صورت سینوسی در نظر گرفته شده است، 3) جریان های گردابی و ضرر های ناشی از پسماند بعد از استفاده، قابل اغماض است، 4) هیچ گونه جریان دینامیکی که در مسیر قابل تغییر باشد وجود ندارد، 5) همه پارامترهای موتور ثایت فرض شده اند، 6) نشت به صورت صفر فرض شده است.
روند استفاده از الگوریتم ژنتیک در حل مسئله به صورت زیر است: 1) جمعیتی از کروموزوم ها به صورت تصادفی ایجاد می شود، 2) برازش هر کدام از کروموزم ها داخل جمعیت ارزیابی می شود، 3) کروموزوم های جدیدی با حفت گیری ایجاد می شوند و در برخی از بیت ها عمل جهش به صورت تصادفی انجام می گیرد، 4) اعضای با برازش کمتر از جمعیت کنونی حذف می شوند، 5) کروموزوم های جدید ارزیابی شده و در جمعیت وارد می شوند، 6) گام ها 3 تا 5 تا زمان همگرایی جمعیت تکرار می شوند. باید توجه داشت که برازش کل جمیعت با افزایش تعداد افراد برازنده در داخل جمعیت افزایش می یابد. با این حال، ممکن است تعداد افراد برازنده یا حتی برازنده تر، در زمان t-1 برابر با زمان t باشد. در تکامل، به جای افراد یا اجزا، جمعیت در نظر گرفته می شود.
مجموعه ای از کروموزوم ها جمعیت (Population) را تشکیل می دهند. با تاثیر عملگرهای ژنتیکی بر روی هر جمعیت، جمعیت جدیدی با همان تعداد کروموزوم تشکیل می شود. تابع فیتنس یا برازش (Fitness Function) یک شاخص برای کارایی مستقل در حیطه کار را می دهد. اصطلاحاتی نیز در حیطه تابع برازش یا فیتنس وجود دارد که می توان به پنجره بندی (Windowing)، نورمال سازی خطی (Linear Normalization) اشاره کرد.
عملگر تکثیر (Reproduction Operator) نیز بدین صورت است که اصولا زاد و ولد ددر دو مرحله صورت می گیرد: کروموزو های والدین ر بیت های کروموزوم فرزند کپی شده و سپس برخی توابع که کروموزوم های فرزند را تغییر می دهند بر روی هر فرزند اعمال می شوند. سه عملگر اساسی عبارتند از تقاطع (Crossover)، جهش (Mutation) و جهش معکوس (Reversal).
عملگرد تقاطع، قدرتمندترین حامی الگوریتم های ژنتیک محسوب شده و معمولا احتمال وقوع بالایی را با خود همراه دارد. عملگر جهش، دارای اهمیت کمتری نسبت به عملگر تقاطع بوده و احتمال وقوع کمتری را به خود اختصاص می دهد. پارامترها در حین شبیه سازی تغییر می یابند و با پیشرفت شبیه سازی و تغییر کمتر جمعیت، عملگر جهش اهمیت بیشتری می یابد. تقاطع نیروی محرکه الگوریتم ژنتیک است که از زاد و ولد استفاده می کند که تقریبا در تمامی گونه های پیچیده بر روی زمین مورد استفاده قرار می گیرد. الگوریتم ژنتیک اولیه از مولد اعداد تصادفی برای انتخاب نطقه ای تصادفی در هر والد استفاده می کند که در آن تقاطع الگوریتم ژنتیک رخ می دهد. جهش باعث جستجو در فضاهای دست نخورده مساله می شود و می توان استنباط کرد که مهمترین وظیفه جهش اجتناب از همگرایی به بهینه محلی است.
در الگوریتم ژنتیک بعد از اینکه یک عضو در جمعیت جدید به وجود آمد، هر ژن آن در صورتی که دارای احتمال جهش باشد، جهش می بابد.
عملگر وارونگی (Inversion Operator) عملگری است که به دلیل مقبولیت زیستی اش در الگوریتم ژنتیک اولیه مورد استفاده قرار می گیرد. به طور کلی می توان گفت در عملگر وارونگی یکی از کروموزومها در هر زمان انتخاب می شودو سپس دو نقطه به صورت تصادفی انتخاب شده و جای آن دو با هم عوض می شود.
استراتژی های مختلفی برای انتخاب افراد از داخل جمعیت، جهت زاد و ولد وجود دارد. عملگر انتخاب از بین کروموزوم های موجود در یک جمعیت، تعدادی کروموزوم را برای تولید مثل انتخاب می کند و کروموزوم های برازنده تر شانس بیشتری دارند تا برای تولید مثل انتخاب شوند.
عكس خروجی برنامه
عکس 1
عکس 2
عکس 3
عکس 4
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.
