3 نتیجه برای الگوریتم ژنتیک
امیرحسین حلبیان،
دوره 9، شماره 9 - ( 8-1388 )
چکیده
بارش یکی از مهمترین داده های ورودی به سیستم های هیدرولوژیکی محسوب می شود که مطالعه و اندازه گیری آن در اکثر موارد برای مطالعات رواناب، خشکسالی، آبهای زیرزمینی، سیلاب، رسوب و ... لازم و ضروری است. هدف این مقاله پیش آگاهی مقادیر بارش ماهانه یزد با استفاده از شبکه های عصبی مصنوعی است. در این تحقیق از داده های بارش ماهانه طی دوره آماری 53 سال (1950-2003) و شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی جهت پیش بینی بارش استفاده شده است. نتایج این تحقیق بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف نشان داد که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون 2 لایه پنهان با ضریب یادگیری 1/0 و مومنتم 7/0 مدل نسبتاً بهتری را ارائه می کند و همچنین بعد از آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نشان داد که ترکیب شبکه با ویژگی های مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه می کند. لازم به ذکر است که تصادفی کردن داده ها برای آموزش شبکه باعث افزایش دقت و بهتر بودن مدل می شود.
امیرحسین حلبیان، محمد دارند،
دوره 12، شماره 26 - ( 9-1391 )
چکیده
بارش مهمترین سنجهی هواشناسی و اقلیمی است. در این پژوهش به منظور پیشبینی بارش اصفهان از داده های بارش ماهانهی ایستگاه همدید اصفهان در بازهی آماری (1951-2009) به مدت 59 سال و به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت پیشبینی آن بهره گرفته شد. در این ارتباط، 70 درصد دادهها جهت آموزش شبکه و 30 درصد داده ها برای تست و اعتبار سنجی اختصاص داده شد. نتایج پژوهش بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف آشکار ساخت که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون با 2 لایه پنهان و ضریب یادگیری 4/0 نسبت به سایر حالتها و معماری شبکه، مدل نسبتاً بهتری را ارائه میکند. به بیانی دیگر، دادههای پیش بینی شده بارش ماهانه توسط شبکه با چنین ساختار و معماری، بیشتر با واقعیت انطباق دارد. آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نیز نشان داد که ترکیب شبکه با ویژگی های مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه می کند. بطور کلی می توان گفت که شبکه عصبی به خوبی رابطه غیر خطی بین مقادیر ماهانه بارش را با توجه به آموزش شبکه با خصوصیات ذکر شده، پیش بینی می کند. در عین حال، نتایج حاصل از تصادفی کردن دادهها تفاوتی چندانی با مرتب بودن دادهها برای آموزش شبکه ندارد.
میثم ذکاوت، منصوره طاهباز، محمدرضا حافظی،
دوره 23، شماره 70 - ( 7-1402 )
چکیده
ساختمانها یکی از ارکان اصلی توسعه اقتصادی، اجتماعی کشورها هستند که بخش زیادی از انرژی و منابع طبیعی را مصرف میکنند. هدف از نگارش این مقاله، محاسبه میزان انرژی مصرفی یک ساختمان در یکسال ، تعیین برچسب انرژی و سپس بهینه سازی برخی از ویژگیهای آن با هدف کاهش هزینه ساخت و کاهش مصرف انرژی فاز بهره برداریست. است. محدوده مورد مطالعه، ساختمانهای مسکونی متداول در شهر تهران میباشد. روش تحقیق برای رسیدن به این هدف بدین گونه میباشد: ابتدا با توجه به آمار صدور پروانه شهرداری تهران، یک ساختمان جنوبی 5 طبقه، در زمینی به مساحت 320متر مربع و با زیربنای حدود 1100 متر مربع انتخاب گردید که نماینده تعداد زیادی از ساختمانهای شهر تهران باشد. پس از آن با شبیه سازی ساختمان در نظر گرفته شده در نرم افزار دیزاین بیلدر، میزان گاز مصرفی، 53/145 کیلووات ساعت بر متر مربع، برق مصرفی، 25/81 کیلووات ساعت بر متر مربع و مجموعاً 79/226 کیلووات ساعت بر متر مربع در سال محاسبه گردید. با این میزان مصرف، با توجه به استاندارد 14253 ، ساختمان برچسب انرژی C دریافت میکند. سپس با هدف کاهش هزینه ساخت و مصرف انرژی دوران بهره برداری، اقدام به بهینه سازی با الگوریتم ژنتیک گردید. متغیرهای تحقیق، جنس دیوارخارجی(سفال یا لیکا)، نمای خارجی(سنگ یا آجر)، نوع شیشه پنجره(ساده یا کم گسیل)، نوع گاز بین لایه های شیشه پنجره(هوا یا ارگون) و نسبت پنجره به سطح جبهه جنوبی (15%-30%-45%-60%) بنا بودند. نتایج تحقیق حاکی از این است که بهینه ترین حالات ممکن برای نمای خارجی، سنگ، شیشه ها دوجداره کم گسیل همراه با گاز آرگون، جنس دیوار خارجی سفال با نسبت پنجره به سطح جبهه جنوبی، 5/22 % و یا لیکا، با نسبت پنجره به سطح جبهه جنوبی، 5/37 % میباشد.
