دانلود فایل متلب برای یادگیری تقویتی به همراه مثال برای Dynamic Programming ...2- ترجمه مقالات تخصصی
3- انجام شبیه سازی ها با نرم افزارهای مهندسی
Matlab, Maxwell, Pspice ، PLC ، Altium designer، Digsilent, Pscad ,Eplan
4- مقاله شبیه سازی شده برای درس تئوری جامع ماشین الکتریکی ، الکترونیک قدرت 1 و 2 ، طراحی مبدل الکتریکی، طراحی ماشین الکتریکی، کنترل فازی، کنترل محرکه الکتریکی و سایر دروس کارشناسی و کارشناسی ارشد برق
برای انجام پروژه از طریق تلگرام و ایمیل با ما در ارتباط باشید.
telegram: @powerelectronic4u
کانال تلگرام پاورالکترونیک: (دانلود پروژه رایگان)
telegram: @powerelectronic4all
آدرس ایمیل سایت:
آدرس اینستاگرام:
شبکه‌های عصبی مصنوعی یا شبکه‌های عصبی صناعی (Artificial Neural Networks - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روشهای محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است.
این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپس‌ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‌اند. مثلاً با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یادمی‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر میکند که در صورت دادن ورودی‌های جدید، سیستم پاسخ درستی تولید کند.
کنترل تطبیقی (به انگلیسی: Adaptive control) روش کنترلی استفاده شده توسط یک کنترل‌کننده است که باید به یک سیستم کنترل با پارامترهای که متفاوت یا در ابتدا نامشخص سازگار شود. به عنوان مثال، یک هواپیما در حال پرواز، جرم آن به علت مصرف سوخت به آرامی کاهش می‌یابد؛ یک قانون کنترل مورد نیاز است که خود را با چنین تغییر شرایط سازگار باشد.کنترل انطباق با کنترل مقاوم متفاوت است، زیرا به اطلاعات پیشین در مورد محدودیتهای این پارامترهای نامشخص یا متغیر زمان نیاز ندارد.
پایه و اساس کنترل تطبیقی، برآورد پارامتر است که شاخه‌ای از شناسایی سیستم است. روشهای رایج برآورد شامل حداقل مربعات بازگشتی و گرادیان نزولی است. هر دو روش قوانین جدید رو فراهم می‌کنند که برای اصلاح برآوردها در زمان واقعی استفاده می‌شود (به عنوان سیستم عمل میکند). پایداری Lyapunov برای باستخراج این قوانین و بروزرسانی آنها و معیار همگراییاستفاده می‌شود (معمولا تحریک پایدار، آرامش در این شرایط در کنترل تطبیقی آموزش همزمان). پیش‌بینی (ریاضیات) و نرمال سازی معمولاً برای بهبود کارایی الگوریتم‌های برآورد استفاده می‌شود.
به‌طور کلی باید بین:
و همچنین بین:
روشهای مستقیم این است که پارامترهای برآورد شده آنهایی هستند که به‌طور مستقیم در کنترل‌کننده تطبیقی استفاده می‌شوند. در مقابل، روشهای غیرمستقیم هستند که در آن پارامترهای برآورد شده برای محاسبه پارامترهای مورد نیاز کنترل‌کننده مورد استفاده قرار می‌گیرند. روشهای ترکیبی بر اساس هر دو برآورد پارامترها و اصلاح مستقیم قانون کنترل است.
چند دسته گسترده از کنترل تطبیقی فیدبک دار وجود دارد (طبقه‌بندی می‌تواند متفاوت باشد):
دو کنترل‌کننده تطبیقی - بر اساس نظریه دوگانه کنترل
کنترل‌کننده‌های دوتایی بهینه
کنترل‌کننده‌های دوپتیمالیال
کنترل‌های غیر انعطاف‌پذیر
قرار دادن قطب تطبیقی
کنترل‌کنندهٔ اکسترمم یابی
کنترل یادگیری عاطفی
به دست آوردن برنامهریزی
کنترل‌کننده‌های تطبیقی مرجع مدل (MRACs) - شامل یک مدل مرجع، تعریف عملکرد مورد انتظار حلقه بسته‌است
MRACs بهینه‌سازی گرادیان - استفاده از پارامتر محلی برای تنظیم پارامترها زمانی که عملکرد از مرجع متفاوت است استفاده کنید. به عنوان مثال: "قانون MIT".
پایداری MRACs بهینه‌سازی شده
کنترل پیش بین (Model Predictive Control یا MPC) نوعی کنترل پیشرفته فرایند است که از دهه ۱۹۸۰ در صنایع فرایند، صنایع شیمیایی و پالایشگاه‌های نفت به کار میرود. در سالهای اخیر کنترل پیش بین در مدلهای بالانس سیستم‌های قدرت نیز به کار رفته‌است. کنترل‌کننده‌های پیش بین مبتنی بر مدلهای دینامیکی فرایند، عمدتاً مدلهای خطی تجربی، است که با شناسایی سیستم به دست آمده‌اند. مهمترین مزیت MPC آن است که امکان بهینه‌سازی تایم اسلات جاری را با در نظر گرفتن تایم اسلاتهای آینده می‌دهد. این کار با بهینه‌سازی یک افق زمانی محدود اما اجرای آن تنها در تایم اسلات جاری انجام می‌گیرد. MPC توانایی پیش‌بینی رخدادهای آینده و اتخاذ اعمال کنترلی متناسب با آن را دارد. کنترل‌کننده‌های PID و LQR توانایی پیش‌بینی را ندارند. MPC نوعی کنترل دیجیتال است.
مدلهای به کاررفته در MPC معمولاً مدلهایی برای نشان دادن رفتار یک سیستم دینامیکی پیچیده هستند. الگوریتم کنترل پیش بین پیچیدگی سیستم را افزایش می‌دهد و برای کنترل سیستم‌های ساده که اغلب با کنترل‌کننده‌های PID به خوبی کنترل می‌شوند لازم نیست. از مشخصه‌های دینامیکی رایجی که برای کنترل‌کننده‌های PID مشکل هستند می‌توان از تآخیرهای زمانی طولانی و دینامیکهای مرتبه بالا نام برد.
مدلهای MPC تغییرات متغیرهای وابسته را که نتیجه تغییرات متغیرهای نابسته هستند پیش‌بینی می‌کنند. در یک فرایند شیمیایی متغیرهای نابسته‌ای که می‌توان با کنترلر تغییر داد اغلب یا نقاط تنظیم (set point) کنترل‌کننده‌های PID رگولاتوری (فشار، فلو، دما…) هستند یا عنصر کنترلی نهایی (ولو، دمپر…). متغیرهای نابسته‌ای که نمی‌توان با کنترل‌کننده تنظیم کرد به عنوان اغتشاش به کار می‌روند. متغیرهای وابسته در این فرایندها دیگر اندازه‌گیریهایی هستند که یا اهداف کنترلی را نشان میدهند یا محدودیتهای کنترلی.
MPC با استفاده از اندازه‌گیریهای فعلی از سیستم تحت کنترل، حالت دینامیکی فعلی فرایند، مدلهای MPC و اهداف و محدودیتهای متغیر فرایند، تغییرات آتی متغیرهای وابسته را محاسبه میکند. این تغییرات به گونه‌ای محاسبه می‌شوند که متغیرهای وابسته نزدیک به هدف بمانند و محدودیتها روی متغیرهای نابسته و وابسته رعایت شود. معمولاً MPC تنها اولین تغییر در هر متغیر نابسته را برای اجرا می‌فرستد و محاسبه را برای تغییر بعدی تکرار میکند.
با وجود آنکه بسیاری از فرایندهای واقعی خطی نیستند اغلب می‌توان آنها را در بازه کوچکی خطی در نظر گرفت. روشهای MPC خطی در بیشتر کاربردها با مکانیسم فیدبک به کار می‌روند که خطاهای پیش‌بینی ناشی از عدم تطبیق بین مدل و فرایند را جبران میکند. در کنترل‌کننده‌های پیش بین که تنها از مدلهای خطی تشکیل می‌شوند اصل برهم نهی (جمع آثار) جبر خطی امکان می‌دهد اثر تغییرات متغیرهای نابسته چندگانه برای پیش‌بینی پاسخ متغیر وابسته با هم جمع شوند. با این کار مسئله کنترلی به یک سری محاسبات جبری ماتریسی مستقیم ساده می‌شود که سریع و مقاوم هستند.
هنگامی که مدلهای خطی به اندازه کافی برای نشان دادن غیرخطی بودن واقعی مدل دقیق نیستند از روشهای گوناگونی می‌توان استفاده کرد. در برخی موارد می‌توان از تغییر متغیرهای فرایند پیش و/یا پس از مدل خطی برای کاهش غیر خطی بودن استفاده کرد. فرایند را می‌توان با MPC غیر خطی که مستقیماً از مدل غیر خطی استفاده میکند کنترل کرد. مدل غیر خطی می‌تواند به شکل یک برازش منحنی تجربی (مانند شبکه‌های عصبی مصنوعی) یا یک مدل دینامیکی دقیق بر مبنای توازن بنیادی جرم و انر‍ژی باشد. مدل غیر خطی را می توا ن برای به دست آوردن فیلتر کالمن یا استفاه از آن در MPC خطی، خطی سازی کرد.
روش اجزاء محدود یا روش المان محدود (به انگلیسی: Finite Element Method) که به اختصار (FEM) نامیده می‌شود، روشی است عددی برای حل تقریبی معادلات دیفرانسیل جزئی و نیز حل معادله‌های انتگرالی. (کاربرد عملی اجزای محدود معمولاً با نام تحلیل اجزا محدود (FEA) خوانده می‌شود) اساس کار این روش حذف کامل معادلات دیفرانسیل یا ساده‌سازی آنها به معادلات دیفرانسیل معمولی، که با روشهای عددی مانند اویلر حل می‌شوند، می‌باشد. در حل معادلات دیفرانسیل جزئی مسئله مهم این است که به معادله ساده‌ای که از نظر عددی پایداراست -به این معنا که خطا در داده‌های اولیه و در حین حل به حدی نباشد که به نتایج نامفهوم منتهی شود- برسیم. روشهایی با مزایا و معایب مختلف برای این امر وجود دارد، که روش اجزاء محدود یکی از بهترین آنهاست. این روش درحل معادلات دیفرانسیل جزئی روی دامنه‌های پیچیده (مانند وسایل نقلیه و لوله‌های انتقال نفت)، یا هنگامی که دامنه متغیر است، یا وقتی که دقت بالا در همه جای دامنه الزامی نیست یا اگر نتایج همبستگی و یکنواختی کافی را ندارند، بسیار مفید می‌باشد. به عنوان مثال در شبیه‌سازی یک تصادف در قسمت جلوی خودرو، نیازی به دقت بالای نتایج در عقب خودرو نیست. همچنین در شبیه‌سازی و پیش بینی هوا روی کره زمین، هوای روی خشکی اهمیت بیشتری نسبت به هوای روی دریا دارد. تقسیم ناحیه به نواحی کوچکتر دارای مزایای زیادی است از جمله: نمایش دقیق هندسه پیچیده، گنجایش ویژگی‌های متفاوت جسم، درک ویژگی‌های موضعی جسم.
وش مصنوعی، هوش صناعی یا هوش ماشینی (به انگلیسی: Artificial Intelligence) به هوشی که یک ماشین در شرایط مختلف از خود نشان می‌دهد، گفته می‌شود. به عبارت دیگر هوش مصنوعی به سیستم‌هایی گفته می‌شود که می‌توانند واکنش‌هایی مشابه رفتارهای هوشمند انسانی از جمله درک شرایط پیچیده، شبیه‌سازی فرایندهای تفکری و شیوه‌های استدلالی انسانی و پاسخ موفق به آنها، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل را داشته باشند. بیشتر نوشته‌ها و مقاله‌های مربوط به هوش مصنوعی، آن را به عنوان «دانش شناخت و طراحی عامل‌های هوشمند»تعریف کرده‌اند.
فرایند تصمیمگیری مارکوف یاMDPیکی از مسائلی است که دارای کاربردهای وسیعی در زمینههای مختلف علمی، مهندسی،اقتصادی و مدیریت است. بسیاری از فرایندهای تصمیمگیری دارای خاصیت مارکوف میباشند و به صورت یک مسألهی تصمیمگیری مارکوف قابل بیان هستند. یادگیری تقویتی یکی از مسائلی است که برای حلMDPبه کار میرود، که به نوبهی خود از برنامهریزی پویا یاDPاستفاده میکند. در این مقاله معادلهی بازگشتی مورد استفاده در بحث یادگیری تقویتی وDPبرای حلMDP به صورت یک معادلهی دینامیکی یک سیستم دیجیتال یا گسسته-زمان بازنویسی شده است. به این ترتیب این امکان به وجود آمده است که بتوان با بهرهگیری از روشهای موجود در کنترل دیجیتال، به بررسی خواص معادلات به دست آمده پرداخت و تحلیل مناسبی از رفتار عاملیادگیرنده، تحت سیاستهای مختلف، به عمل آورد. به عنوان مثال، روش مذکور برای تحلیل یک مسألهی جدولی استفاده شده است. نتایج به دست آمده، نشان میدهند که یک سیاست بهینه در پارچوب کنترل دیجیتال، به صورت سیستم مرده نَوِشقابل توصیف است.
