مقاله طراحی کنترلر ژنتیک فازی برای سیستم تعلیق فعال خودرو با الگوی رانندگی سرعت متغیر

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 14 صفحه

چکیده:

شبیه سازی راحتی سفر خودرو به طور معمول بر تحلیل حوزه ی فرکانس با فرض ثابت بودن سرعت خودرو استوار است. اما در شرایط واقعی رانندگی به دلیل تغییرات سرعت خودرو، فرکانس اغتشاشات وارده به بدن انسان تغییر می کند. در این مقاله بهینه سازی کنترلر فازی سیستم تعلیق فعال بر اساس ارتعاشات منتقل شده به بدن انسان با الگوی رانندگی سرعت متغیر با استفاده از الگوریتم ژنتیک ارائه شده است. در این مسئله بهینه یابی تابع هدف، شاخص راحتی سفر (R_I) است که بر اساس استاندارد ایزو1-2631 ارزیابی می شود. نتایج نشان می دهد که الگوی رانندگی بر بهینه یابی کنترلر فازی سیستم تعلیق فعال تاثیر دارد و لذا برای رسیدن به عملکرد بهتر سیستم تعلیق فعال باید از کنترلر فازی بهینه شده بازای ورودی جاده تحت الگوی رانندگی استفاده شود. این به معنای نیاز به کنترلر فازی تطبیقی سازگار با شرایط ورودی جاده و الگوی رانندگی می باشد.

 1- مقدمه

سیستم تعلیق خودرو به دلیل اینکه بدنه خودرو بر آن سوار می شود و نیروهای وارده از طرف جاده را به بدنه منتقل می کند، تاثیر بسزایی در راحتی سفر و فرمانپذیری خودرو دارد[1]. در این رابطه سیستم های تعلیق فعال جهت بهبود همزمان راحتی سفر و فرمانپذیری خودرو مطرح شده اند[2]. در سیستم های تعلیق فعال، بسته به شرایط عملکردی نیروی مطلوب محاسبه و با استفاده از عملگرهایی جهت کاهش ارتعاشات خودرو اعمال می گردد.

اغلب روش های طراحی کنترلر سیستم تعلیق فعال بر پایه استراتژی های کنترل بهینه استوار هستند. در سیستم تعلیق فعال، بازای مقادیر شتاب جرم معلق، بار تایر و جابجایی تعلیق بهینه می شوند. علی رغم بهینه یابی آنها، پارامترهای کنترلر بازای تغییر وضعیت جاده لزوما بهینه باقی نخواهند ماند. بدین منظور، روش کنترل فازی به عنوان روش کنترل جایگزین در مقایسه با کنترل بهینه به وسیله محققان مورد توجه قرار گرفت. یک نکته مهم در طراحی کنترل فازی سیستم تعلیق فعال، تعیین قواعد کنترل و توابع عضویت می باشد تا سیستم عملکرد رضایت بخشی داشته باشد. قواعد کنترل وتوابع عضویت در ابتدا به وسیله دانش و تجربه طراح ایجاد می شوند لکن برای تنظیم نهایی آنها نیاز به فرآیند بهینه یابی می باشد[3]. بدین منظور می توان از الگوریتم ژنتیک برای بهینه کردن پارامترهای کنترلر فازی همچون متغیرهای ورودی، توابع عضویت و قواعد کنترلر فازی استفاده نمود [4]. کر[1] یک روش الگوریتم ژنتیک برای طراحی کنترلرهای منطق فازی معرفی کرد[5,6]. در سالهای اخیر مطالعاتی در این زمینه صورت گرفته است. در مقاله ی ارائه شده توسط منتظری و همکارانش [7] برای بهینه سازی کنترلر فازی سیستم تعلیق فعال از ورودی جاده سرعت ثابت استفاده شده است.

پروژه سخت افزار تکاملی با الگوریتم ژنتیک

پروژه سخت افزار تکاملی با الگوریتم ژنتیک پژوهش کامل در حوزه کامپیوتر و فناوری اطلاعات میباشد و در 5 فصل تنظیم شده است.این پروژه با معرفی الگوریتم ژنتیک و سخت افزار تکاملی به بررسی آنها پرداخته است.شما میتوانید فهرست مطالب پروژه را در ادامه مشاهده نمایید.

پروژه بصورت فایل قابل ویرایش ورد(WORD) در 68 صفحه برای رشته کامپیوتر و IT در پایین همین صفحه قابل دانلود میباشد. شایسته یادآوری است که پروژه از ابتدا تا پایان ویرایش وتنظیم , سکشن بندی (section) ، نوشتن پاورقی (Footnote) و فهرست گذاری اتوماتیک کامل شده وآماده تحویل یا کپی برداری از مطالب مفید آن است.

چکیده

سخت افزار تکاملی، سخت افزاری است که بتواند ساختار خود را اصلاح کند. این تفکر با پیدایش تکنولوژی FPGAدر بین محققان شروع به رشد کرد. با توجه به اهمیت مدار های ترتیبی همگام در طراحی مدار های منطقی، در این پروژه با یک رهیافت تکاملی سعی در بهینه سازی این گونه مدار ها داریم. درگام اول بهینه سازی، با توجه به اینکه مسئلۀ تخصیص حالت که ذاتاً به این گونه مدار ها مربوط می شود، مسئله ای NP کامل است، سعی داریم با رهیافت الگوریتم ژنتیک تخصیص حالت بهینه مدار را بیابیم. خواهیم دید که یک تخصیص حالت بهینه به طور قابل توجهی در کاهش پیچیدگی بخش ترکیبی مدار ترتیبی تأثیرگذار می باشد. در گام دوم بهینه سازی سعی داریم با رهیافت برنامه نویسی ژنتیکی بخش ترکیبی مدار را از نظر تعداد گیت های معادل و میزان تأخیر انتشار در مدار کاهش می دهیم

شرح مختصری از مطالبی که در فصل های اینده به ان می پردازیم، در ذیل اورده شده است :

فصل اول، مطالبی در بارۀ اصول الگوریتم ژنتیک بیان شده است.

فصل دوم، مسئلۀ تخصیص حالت را بررسی می کنیم و نشان می دهیم که یک تخصیص حالت بهینه به طور قابل ملاحظه ای در کاهش پیچیدگی اجزای بخش ترکیبی مدار تأثیر گذار است. و در اخر، الگوریتم ژنتیک به کار رفته را به طور مختصر بیان می کنیم.

فصل سوم، مطالبی در بارۀ اصول برنامه نویسی ژنتیکی پایه بیان شده است.

فصل چهارم، مفاهیمی چون ماکزیمم تأخیر انتشار و تعداد گیت های معادل در یک مدار را توضیح داده و کارهای انجام شده در جهت حداقل سازی این پارامتر ها را بیان می کنیم. و در اخر رهیافت تکاملی ارائه شده برمبنای برنامه نویسی ژنتیکی را شرح می دهیم.

فصل پنجم، نتایج حاصل از اجرای پروژه و مقایسه با روش مرسوم.

واژه های کلیدی:سخت افزار تکاملی، مدار ترتیبی، الگوریتم ژنتیک، برنامه نویسی ژنتیکی، تخصیص حالت.

فهرست مطالب

مقدمه. 1

فصل اول  مقدمه ای بر الگوریتم ژنتیک

1- 1- الگوریتم ژنتیک چیست... 4

1-2- فلسفۀ انتخاب اصلح در طبیعت... 4

1-3- مفاهیم پایه ای الگوریتم ژنتیک... 5

1-3-1- تابع ارزیابی.. 6

1-3-2- نحوۀ کد کردن متغیر های تابع.. 6

1-3-3- ایجاد جمعیت اولیه. 7

1-3-4- ارزیابی کروموزوم ها7

1-3-5- انتخاب والد برای ایجاد نسل بعد. 8

1-3-6- تولید نسل جدید. 11

1-3-7- پایان دادن به اجرا13

فصل دوم  مدار های ترتیبی همگام و مسئلۀ تخصیص حالت

2-1- مدار های ترتیبی همزمان 15

2-1-1-مدل های میلی و مور. 16

2-1-2- فرایند طراحی مدار های ترتیبی.. 16

2-1-3- تخصیص حالت... 17

2-1-4- شناسایی یک تخصیص حالت خوب.. 21

2-2- کاربرد سخت افزار تکاملی در مساله تخصیص حالت... 21

2-3- الگوریتم ژنتیک در تخصیص حالت... 22

2-3-1- تعریف کروموزوم ها22

2-3-2- ایجاد جمعیت اولیه. 24

2-3-3- ارزیابی هزینۀ یک نمونۀ تخصیص حالت... 24

2-3-4- انتخاب تخصیص حالت های مناسب... 27

2-3-5- انجام عمل ادغام روی جمعیت... 27

2-3-6- انجام عمل جهش روی جمعیت... 28

2-3-7- شرایط خاتمۀ الگوریتم.. 28

فصل سوم  برنا مه نویسی ژنتیکی

3-1- برنامه نویسی ژنتیکی چیست... 29

3-1-1- کروموزوم ها در برنامه نویسی ژنتیکی.. 29

3-1-2- ایجاد جمعیت اولیه. 30

3-1-3- انتخاب کروموزوم برای ایجاد نسل جدید. 30

3-1-4- تولید نسل جدید. 30

3-2-گام های مقدماتی در اجرای برنامه نویسی ژنتیکی.. 33

3-2-1- گام اول : مجموعۀ پایانه ها33

3-2-2-گام دوم : مجموعه توابع.. 34

3-2-3- گام سوم : تابع سودمندی.. 34

3-2-4- گام چهارم : پارامتر های برنامه نویسی ژنتیکی.. 35

3-2-5-گام پنجم : شرایط خاتمه و خروجی برنامه. 35

3-3- یک نمونه اجرای برنامه نویسی ژنتیک... 35

3-3-1-گام های مقدماتی.. 36

3-3-2- گام به گام اجرای برنامه. 37

3-3-2-1- ایجاد جمعیت اولیه. 37

3-3-2-2- ارزیابی سودمندی.. 38

3-3-2-3- انتخاب، ادغام و جهش.... 39

3-3-2-4- شرایط خاتمه و خروجی برنامه. 40

فصل چهارم  بهینه سازی یک مدار ترکیبی

4-1- موارد موثر در کارایی مدار. 41

4-1-1- تعداد گیت های به کار رفته در مدار. 41

4-1-2- تأخیر انتشار یک گیت... 42

4-2- سخت افزار تکاملی در بهینه سازی بخش ترکیبی مدار. 42

4-3- برنامه نویسی ژنتیکی در بهینه سازی مدار های ترکیبی.. 44

4-3-1ساختار کروموزوم ها45

4-3-2- مقایسۀ ساختار ماتریسی و ساختار درختی در برنامه نویسی ژنتیکی.. 47

4-3-3- جمعیت اولیه. 47

4-3-4- ارزیابی سودمندی مدار. 47

4-3-5- انتخاب و ایجاد جمعیت جدید. 49

4-3-6- باز تولید مدار. 49

فصل پنجم  نتایج و مقایسۀ انها

1-1- مقایسۀ یک نمونه مدار پس از دو مرحله بهینه سازی.. 53

فهرست شکل ها

شکل 1-1: مقایسه ای بین الگوریتم ژنتیک و تکامل زیستی.. 4

شکل 1-2: نمودار گردشی الگوریتم ژنتیک... 6

جدول 1-1- نمونه ای از یک جمعیت تصادفی.. 8

جدول 1-2- کروموزوم های انتخابی.. 9

جدول 1-3- احتمال تجمعی کروموزوم ها10

جدول 1-4- احتمال اننتخاب هر کروموزوم بر مبنای هزیۀ ان.. 11

شکل 1-3-ادغام تک نقطه ای.. 12

شکل 1-4- ادغام دو نقطه ای.. 12

شکل 1-5- ادغام یکنواخت... 12

شکل 1-6 –یک نمومه عمل اغدام. 12

شکل 2-1-ساختار کلی مدل مدارهای ترتیبی.. 15

شکل 2-2- فرایند طلراحی مدارهای ترتیبی.. 16

شکل2-3- نمودار ماشین حالت... 18

جدول 2-1-جدول حالت مربوط به ماشین حالت... 18

شکل2-4- ساده سازی در سطح گیت با روش نقشه کارنو. 19

شکل2-5- مدار ترکیبی.. 19

جدول 2-2- جدول درستی ماشین حات با تخصیص حالت جدید. 20

شکل 2-6-ساده سازی در سطح گیت با روش نقشه کارنو برای تخصیص حالت جدید. 20

شکل 2-7- مدار حاصل از تخصیص حالت جدید. 21

شکل 2-8- یک نمونه کروموزوم برای تخصیص حالت3-2. 22

شکل 2-9- ماتریسAM... 26

شکل 3-1- ساختار درختیGPدر نمایش عبارت max(x+x,x+3*y)29

شکل 3-2- کروموزوم های والد. 30

شکل3-3- کروموزوم های والد مشابه. 31

شکل 3-4 –فرزندان متفاوت از والد های کاملاً مشابه. 32

شکل 3-5- مدل های جهش.... 32

جدول3-1- مجموعه پایانه. 34

جدول3-2- مجموعه توابع.. 34

شکل 3-6- جمعیت اولیه. 38

شکل 3-7 –مقایسۀ نمودار های مربوط به عبارت های حاصل از نسل اول با نمودار مربوط به عبارت هدف 38

شکل 3-8- جمعیت مسل جدید. 39

شکل4-1- نمونه ای از معدل سازی گیت ها41

شکل4-2- ساختار فنوتیپ ارائه شده توسط لوییس.... 43

شکل 4-3-ژنوتیپی بر مبنای فنوتیپ ارائه شده توسط لوییس.... 43

شکل4-4- نمونه ای از مدار ترکیبی با فنو تیپ لوییس.... 44

جدول 4-5- تعداد گیت های معدل و تأخیر در یک نمونه گیت... 45

شکل4-6- ساختار ژن در این نوع کروموزوم ها45

شکل 4-7- مدار مربوط به کروموزوم بالا. 46

شکل 4-8- یک نمو نه مدار کد شده (کروموزوم)46

شکل 4-9- ادغام چهار نقطهای.. 50

شکل 5-1- مدار (1) با یک تخصیص حالت نامناسب... 53

شکل 5-2- مدار (1) با تخصیص حالت بهینه. 53

شکل 5-3- مدار(1)پس از بهینه سازی بخش ترکیبی.. 54

شکل5-4- نمودار بهترین سودمندی مدارها در نسل های مختلف... 54

حل مسائل رگرسیون فازی با استفاده از الگوریتم ژنتیک آشوبگونه فازی

یکی از روشهای حل مسائل رگرسیون فازی استغ=فاده از جستجوی آشوب فازی است.در این روش ابتدا توسط یکی از توابع آشوبگوه به تولید توالی آشوبگونه از مجموعه های فازی پرداخته سپس .....

تابع ارزیابی الگوریتم ژنتیک پیشنهادی ما همان روش جستجوی آشوب فازی است و ما آنرا الگوریتم ژنتیک آشوبگونه فازی(FCGA) نام نهادیم.در انتها حل یک مساله نمونه توسط FCGA به بررسی مارآیی آن می پردازیم

ایجاد قواعد تصمیم با استفاده از الگورتم ژنتیک بر اساس خوشه بندی

تصمیم گیری یکی از کارهای مهمی است که میتوان روی پایگاه داده های بزرگ انجام داد.در این روش درخت تصمیم گیری با استفاده از الگوریتم ژنتیک ایجاد میشود.این تصمیم گیری بر اساس داده های خوشه بندی شده انجام میشود. طول کروموزوم ها در این روش 3n و هر ژن 2 بخش است .بخش اول عددی بین 1 تا تعداد فیلد هاست که بیانگر شماره فیلد است و بخش دوم یک رشته 2 بیتی باینری است.کروموزوم ها بصورت تصادفی ایجاد میشوند. بعد از ترکیب و جهش  ........

نتایج نشان از افزایش سرعت استخراج قواعد تصمیم بر اساس داده های خوشه بندی شده است.

پروژه طراحی مسئله برنامه ریزی برای مسیر هدف در ربات متحرک به کمک الگوریتم ژنتیک

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 60 صفحه

 چکیده

این تحقیق الگوریتمی جدید برای مسئله برنامه ریزی مسیرکلی به یک هدف ، برای ربات متحرک را با استفاده از الگوریتم ژنتیک ارائه می دهد .الگوریتم ژنتیک برای یافتن مسیر بهینه برای ربات متحرک جهت حرکت در محیط استاتیک که توسط نقشه ای با گره ها و لینک ها بیان شده است ،بکار گرفته شده است.موقعیت هدف و موانع برای یافتن یک مسیر بهینه در محیط دو بعدی داده شده است .هر نقطه اتصال در شبکه ژنی است که با استفاده از کد باینری ارائه شده است.تعداد ژن ها در یک کروموزوم تابعی از تعداد موانع در نقشه (نمودار)می باشد.

بنابراین از یک کروموزوم با طول ثابت استفاده کردیم.مسیر ربات ایجاد شده ، در مفهوم کوتاهترین مسیر ،بهینه است .ربات دارای محل آغاز و محل هدف تحت فرضیه ای است که ربات از هر محل فقط یکبار می گذرد یا اصلا نمی گذرد.نتایج بدست آمده در شبیه سازی ؛قدرت الگوریتم پیشنهادی را تایید می نماید.

 مقدمه

مسئله طراحی مسیر ربات متحرک را می توان بصورت ذیل بیان کرد:

داده های مسئله (محل شروع،محل هدف، نقشه ای دو بعدی مسیرهاکه شامل موانع ساکن می باشد).هدف بدست آوردن یک مسیر بدون تصادم بین دو نقطه خاص در ایفای معیار بهینه سازی با در نظر گرفتن محدودیت ها (به احتمال زیاد:کوتاهترین مسیر)می باشد. مسئله طراحی مسیر از نظر محاسباتی بسیار پر هزینه است.

با اینکه حجم زیادی از تحقیقات برای حل بیشتر این مسائل انجام شده است،با این وجود،روش های معمول ،غیر قابل انعطاف می باشند.

اهداف مختلف بهینه سازی و تغییرات اهداف عدم قطعیت ها در محیط ها محدودیت های متفاوت برای منابع محاسباتی

مرور و بازنگری روش های موجود برای حل مسئله طراحی مسیر ،در [1] ارائه شده است . روش های زیادی برای ایجاد یک مسیر بهینه از قبیل برنامه ریزی دینامیک و روش های تبدیل مسافت گزارش شده است .

در روش برنامه ریزی دینامیک اگر نقطه ی شروعSP و نقطه ی هدف GP باشد ، نقطه ی زیر هدف IP است.و روش تولید مسیر ،نحوه تعیین توالی زیر اهداف است که زیر اهداف خود از مجموعه IP (I=1,2,3,…) انتخاب می شوند.ما باید تمام مسیرهای ممکن را بررسی کرده و مسیر با کمترین  مقدار هزینه را به عنوان مسیر بهینه انتخاب نمائیم.توان محاسباتی بسیار فراوانی بویژه در محیط های دارای زیر اهداف فراوان مورد نیاز است . در روش تبدیل مسافت ،کارطراحی مسیر ،محیطی را با شبکه یکنواخت می پوشاند و فواصل را از طریق فضای خالی ،از سلول هدف،منتشر می کند.قسمت پیشین موج مسافت ،حول موانع و در نهایت از طریق تمامی فضاهای آزاد در محیط جریان می یابد.برای هر نقطه شروع در محیط نمایانگر محل اولیه ربات متحرک ،کوتاهترین مسیر به مقصد،از طریق رفتن به قسمت پائین و از طریق شیب دارترین مسیر نزولی رسم شده است.با این وجود به هنگام وجود دو سلول یا بیشتر جهت گزینش با همان حداقل تبدیل فاصله ابهام مسیرهای بهینه وجود دارد. دو روش مذکور ملزم توان محاسباتی بسیار بالا در محیطی است که دارای تعداد زیاد اهداف فرعی (زیر اهداف)و موانع است.

محققان روش های فراوان را برای حل مسائل طراحی مسیر ربات های متحرک با وجود موانع ایستا و متحرک بر مبنای soft computing ،بیان کرده اند. soft computing متشکل از منطق فازی،شبکه های عصبی و محاسبات تکاملی است (الگوریتم های ژنتیک و تکاملی GA & EA).تاکنون تلاش های زیادی در استفاده از منطق فازی برای طراحی و برنامه ریزی حرکت ربات متحرک وجود داشته است .اخیرا استفاده از محاسبات تکاملی رواج فراوانی پیدا کرده و در واقع روشی است که به منظور بکارگیری در موقعیت هایی که دانش اولیه راجع حل مسئله وجود نداشته و یا اطلاعات محدود می باشد،قابلیت استفاده به گونه ای موثرتر،عمومی تر و راحت تر را داراست.

الگوریتم های ژنتیکی و تکامکلی نیازمند اطلاعات اشتقاقی یا برآوردهای فرمال اولیه از راه حل نیستند و از آنجائیکه طبیعتا تصادفی می باشند دارای قابلیت جستجوی کل فضای جواب با احتمال بیشتر پیدا کردن بهینه عمومی می باشند.

می توان تحقیق قبلی راجع طراحی مسیر را به صورت یکی از دو روش مقابل طبقه بندی کرد: مبتنی بر مدل و مبتنی بر سنسور .

در حالت مبتنی بر مدل ،مدل های منطقی از موانع شناخته شده ،برای تولید تصادم بدون مسیر بکار گرفته می شوند.در حالیکه در روش مبتنی بر سنسور ، کشف و اجتناب از موانع ناشناخته است.در این مقاله الگوریتمی جدید جهت بدست آوردن مسیر بهینه بر مبنای مدل پیشنهاد شده است.

ادامه مطالب مقاله بصورت ذیل مرتب شده اند :

در بخش 2 ،مقدمه ای مختصر راجع الگوریتم ژنتیک ارائه شده است .در بخش 3 ،فرمول سازی مسئله مورد بررسی واقع شده،در بخش 4 الگوریتم پیشنهادی ، معرفی و در بخش 5 نتایج شبیه سازی نشان داده شده است.

1.مسیریابی

مسئله مسیریابی ربات در چند حالت قابل بررسی است :

در یک مفهوم می توان مسیریابی روبات را در قالب تعقیب خط (عموما مسیری از پیش تعیین شده با رنگ متفاوت از زمینه ) معرفی نمود.روبات هایی با این کاربرد تحت عنوان مسیریاب شناخته می شوند . یکی از کاربرد های عمده این ربات ، حمل و نقل وسایل و کالاهای مختلف در کارخانجات ، بیمارستان ها ، فروشگاه ها ، کتابخانه ها و ... میباشد .

ربات تعقیب خط تا حدی قادر به انجام وظیفه کتاب داری کتابخانه ها می باشد . به این صورت که بعد از دادن کد کتاب ، ربات با دنبال کردن مسیری که کد آن را تعیین میکند ، به محلی که کتاب در آن قرار گرفته می رود و کتاب را برداشته و به نزد ما می آورد .مثال دیگر این نوع ربات در بیمارستان های پیشرفته است ، کف بیمارستان های پیشرفته خط کشی هایی به رنگ های مختلف به منظور هدایت ربات های مسیریاب به محل های مختلف وجود دارد . (مثلا رنگ قرمز به اتاق جراحی یا آبی به اتاق زایمان.) بیمارانی که توانایی حرکت کردن و جا به جا شدن را ندارند و باید از ویلچر استفاده کنند ، این ویلچر نقش ربات تعقیب خط را دارد ، و بیمار را از روی مسیر مشخص به محل مطلوب می برد .

با توجه به وجود موانع (استاتیک و دینامیک) در محیط ،مسیریابی روبات در مفهومی کاربردی تر ،پیمودن مسیر مبدا تا مقصد بدون برخورد با موانع می باشد.مسلما با وجود تعداد زیاد موانع ،تعداد مسیرهای قابل عبور روبات بسیار زیاد خواهد بود و یقینا انتخاب کوتاه ترین مسیر توسط روبات برای حرکت از مبدا به مقصد ،دارای ارزش اجرایی بالایی خواهد بود.در این مقاله چنین مسئله ای مورد بررسی واقع شده است.نقاط مبدا و مقصد و نیز محل موانع به عنوان ورودی داده شده است ،نیز می دانیم موانع ایستا می باشند (در حالت وجود موانع پویا در عین نزدیکی بیشتر به شرایط واقعی ،روش های مورد استفاده بسیار پیچیده خواهند بود)و مسئله در حالت دو بعدی بررسی می شود (روبات بر روی صفحه حرکت می نماید). برای این منظور الگوریتم های مسیریابی با هدف انتخاب کوتاهترین مسیر قابل استفاده می باشند ،الگوریتم هایی که به منظور مسیریابی در شبکه ها قابلیت استفاده دارند.با این وجود در این بررسی از الگوریتم ژنتیک استفاده شده است . همچنین الگوریتم های ژنتیک و نیز دیگر روش های مشابه به منظور بهینه سازی مصرف انرژی روبات ،مسیر تغییر زاویه ازوی روبات ،زمان حرکت روبات و... قابل استفاده می باشند .      

الگوریتم ژنتیک

 GA در سال 1975 توسط Holland بر پایه تقلیدی از تکامل طبیعی یک جمعیت پایه ریزی شد به نحوی که کروموزوم ها به منظور خلق نسل جدید اجازه تولید مجدد داشته و جهت بقاء در نسل آینده به رقابت می پردازند.با گذشت زمان ،بر روی نسل ها ، fitness  بهبود می یابد و در نهایت بهترین راه حل قابل حصول است .اولین جمعیت p(0) به طور تصادفی با 0و1 کد می شود در هر نسل ،t، مناسبترین عناصر برای حضور در mating pool انتخاب می شوند و با سه عملگر پایه ای ژنتیک ؛ تولید مثل،ادغام و جهش ؛ جهت تولید نسل جدید تکامل می یابند .بر پایه بقاء بهترین هامی توان نتیجه گرفت کروموزوم های بدست آمده با استفاده از روشی منتخب بهترین کروموزوم ها قابل حصول می باشند.

از جمله مزایای GA که این روش را جهت بکارگیری آن در مورد انتخاب متغیر مناسب می نماید می توان به توانایی پیدا کردن بهینه عمومی  با سرعت بالا،امکان جستجو موازی چند نقطه و نیز فرار از بهینه های محلی اشاره نمود.

Procedure

GA

Begin

t=0

initialize  p(t)

evaluate  p(t)

while not satisfy stopping rule do

begin

t=t+1

select  p(t)  from   p(t-1)

alter(t)

evaluate   p(t)

end

end

چنانچه بیان شد عموما تکامل از یک نسل به نسل بعد ،شامل سه مرحله است :ارزیابی تناسب،گزینش و بازآفرینی.

ابتدا ،جمعیت کنونی با استفاده از تابع تکامل تناسب ارزیابی شده و سپس بر اساس مناسب بودنشان طبقه بندی می شوند و در واقع نسل جدید با هدف بهبود و ارتقاء تناسب بوجود می آید.

روش بکار بردن عملگرهای ،تولیدمثل؛جهش و ادغام توسط الگوریتم ژنتیک به شکل زیر است :

در آغاز ، باز آفرینی منتخب ،بر روی جمعیت کنونی بنحوی بکار گرفته می شود که رشته ،تعدادی کپی ،بر اساس مناسب بودن آنها تهیه می کند.این عمل منجر به تولید جمعیت میانی خواهد شد. سپس دوما ،الگوریتم ژنتیک والدین را از جمعیت کنونی با احتمال بیشتر در انتخاب کروموزوم های بهتر گزینش می نماید.این عمل همراه با کمیت تناسب و دسته بندی کروموزوم خواهد بود و نهایتا (سوما)،این الگوریتم فرزندان (رشته های جدید)را از والدین منتخب با استفاده از اپراتورهای ادغام یا جهش بازآفرینی می نماید.اساسا ادغام،شامل تبادل تصادفی بیت هابین دو رشته جمعیت میانی می باشد.در نهایت عملگر جهش ،به طور تصادفی تعدادی از بیت های بین رشته های جدید را تعویض می نماید.این الگوریتم زمانی پایان می یابد که راه حل قابل قبول پیدا شودویا معیار همگرایی ایفا شود و یا وقتی که به تعداد محدود و از پیش تعیین شده تکرار دست یابیم.مشخصه های اصلی الگوریتم های ژنتیک این است که آنها می توانند فضای جستجو را به طور برابر جستجو کنند و نیازی به بهینه سازی تابع برای تمایز گذاشتن یا هرگونه ویژگی یکنواخت ندارند.دقت راه حل اکتسابی به تعداد کد مورد استفاده برای کدگذاری متغیر خاص(طول کروموزوم)بستگی دارد.