مقایسه ی عملکرد الگوریتم های فراکاوشی در انتخاب بهینه ی ماتریس های وزنی LQR

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 211

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_BESE-7-1_005

تاریخ نمایه سازی: 8 آبان 1400

چکیده مقاله:

کنترل فعال به عنوان استراتژی موثر بهبود رفتار لرزه­ای سازه­ها از طریق محاسبه و اعمال نیروی خارجی سبب تغییر تطبیقی مشخصات دینامیکی سازه هنگام وقوع زلزله می­گردد. در روش LQR به عنوان رایج­ترین الگوریتم کنترل، شاخص عملکرد مرتبه­ی دومی بهینه می­گردد تا توازنی بین کاهش پاسخ و نیروی کنترل برقرار شود. در تعریف شاخص عملکرد اهمیت نسبی کاهش پاسخ و نیروی کنترل با انتخاب ماتریس­های وزنی تنظیم می­گردد. تاکنون روشی سیستماتیک برای تعیین این ماتریس­ها ارائه نشده و انتخاب وزن­ها بر اساس سعی و خطا و تجربیات طراح صورت می­گیرد. در این پژوهش جهت تسهیل روند طراحی کنترلر، عناصر ماتریس­های وزنی R و Q به عنوان متغیرهای طراحی روش­های فراکاوشی در نظرگرفته شده و شاخص عملکرد مبتنی بر موجک بهینه می­گردد. با توجه به تعدد روش­های فراکاوشی، در این مطالعه از شش الگوریتم رقابت استعماری، تکامل تفاضلی، خفاش، کرم شب­تاب، اجسام در حال برخورد و جستجوی هارمونی در طراحی کنترلر استفاده شده و عملکرد این روش ها مقایسه می­شود. نتایج اعمال کنترلر بر سازه­ی سه درجه آزادی تحت زلزله­های مصنوعی بیانگر نقش موثر روش­های فراکاوشی در کاهش پاسخ­ها و نیروهای کنترلی نسبت به روش LQR است. در این مطالعه کنترلرهای اجسام در حال برخورد، رقابت استعماری و تکامل تفاضلی عملکرد بهینه­تری از خود نشان داده­اند.

نویسندگان

جواد کاتبی

دانشگاه تبریز، گروه مهندسی عمران، تبریز

مونا شعاعی پرچین

دانشگاه تبریز، گروه مهندسی عمران، تبریز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Datta, T. (۲۰۰۳) A state-of-the-art review on active control of ...
  • Basu, B. and Nagarajaiah, S. (۲۰۰۸) A wavelet-based time-varying adaptive ...
  • Lynch, J.P. and Law, K.H. (۲۰۰۲) Market‐based control of linear ...
  • Aldemir, U., Bakioglu, M., and Akhiev, S. (۲۰۰۱) Optimal control ...
  • Alavinasab, A., Moharrami, H., and Khajepour, A. (۲۰۰۶) Active control ...
  • Liu, J. and Wang, Y. (۲۰۰۸) Design approach of weighting ...
  • Shen, P. (۲۰۱۴) Application of genetic algorithm optimization LQR weighting ...
  • Joghataie, A. and Mohebbi, M. (۲۰۱۲) Optimal control of nonlinear ...
  • Wang, H., Zhou, H., Wang, D., and Wen, S. (۲۰۱۳) ...
  • Wang, W., Jing, Y., Yang, L., Ma, B., and Fu, ...
  • Hamidi, J. (۲۰۱۲) Control system design using particle swarm optimization ...
  • Amini, F., Hazaveh, N.K., and Rad, A.A. (۲۰۱۳) Wavelet PSO‐Based ...
  • Douik, A., Hend, L., and Messaoud, H. (۲۰۰۸) Optimised eigenstructure ...
  • Zhang, J., Zhang, L., and Xie, J. (۲۰۱۱) Application of ...
  • Rakhshani, E. (۲۰۱۲) Intelligent linear-quadratic optimal output feedback regulator for ...
  • Fatemi, A., Bagheri, A., Amiri, G.G., and Ghafory-Ashtiany, M. (۲۰۱۲) ...
  • Ohtori, Y., Christenson, R., Spencer Jr, B., and Dyke, S. ...
  • Atashpaz-Gargari, E. and Lucas, C. (۲۰۰۷) Imperialist competitive algorithm: an ...
  • Storn, R. and Price, K. (۱۹۹۷) Differential evolution–a simple and ...
  • Yang, X.-S. (۲۰۱۰) 'A new metaheuristic bat-inspired algorithm.' In: Nature ...
  • Yang, X.-S. (۲۰۰۸) 'Firefly algorithm.' In: Nature-inspired Metaheuristic Algorithms, Luniver ...
  • Kaveh, A. and Mahdavi, V. (۲۰۱۴) Colliding bodies optimization: a ...
  • Kaveh, A., Vaez, S.R.H., Hosseini, P., and Ezzati, E. (۲۰۱۸) ...
  • Geem, Z.W., Kim, J.H., and Loganathan, G. (۲۰۰۱) A new ...
  • نمایش کامل مراجع