توضیحات
Optimal control problem via neural networks
کنترل بهینه با شبکه‌های عصبی
حل مسئله‌ی کنترل بهینه با شبکه‌های عصبی
مثال اول- مسئله‌ی بهینه‌سازی زیر را در نظر می‌گیریم:
تشکیل تابع همیلتونین:
پس باید داشته باشیم:
سر آزاد است، پس خواهد شد. با در نظرگرفتن این شرط و شرط اولیه ، جواب بدیهی به صورت زیر به دست می‌آید:
برای این مثال 15 وزن برای هر شبکه‌ی عصبی (5 تا برای وزن‌های لایه‌ی ورودی،5 تا برای وزن‌های لایه‌ی خروجی و 5 تا برای بایاس‌ها) استفاده کرده‌ایم و شبکه‌ی عصبی را با الگوریتم بهینه‌سازی آموزش دادیم. نتایج در شکل 1 آمده است.
شکل 1- پاسخ مسئله‌ی کنترل بهینه مثال اول
مثال دوم- مسئله‌ی بهینه‌سازی زیر را در نظر می‌گیریم:
تشکیل تابع همیلتونین:
پس باید داشته باشیم:
با در نظرگرفتن شرط اولیه و نهایی و جواب بدیهی به صورت زیر به دست می‌آید:
برای این مثال 15 وزن برای هر شبکه‌ی عصبی (5 تا برای وزن‌های لایه‌ی ورودی،5 تا برای وزن‌های لایه‌ی خروجی و 5 تا برای بایاس‌ها) استفاده کرده‌ایم و شبکه‌ی عصبی را با الگوریتم بهینه‌سازی آموزش دادیم. نتایج در شکل 2 آمده است.
شکل 2- پاسخ مسئله‌ی کنترل بهینه مثال دوم
مثال سوم- مسئله‌ی بهینه‌سازی زیر را در نظر می‌گیریم:
تشکیل تابع همیلتونین:
…
پس باید داشته باشیم:
…
با در نظرگرفتن شرط اولیه و نهایی و شرط مرزی جواب بدیهی به صورت زیر به دست می‌آید:
مقدار دقیق تابع حالت و کنترل به صورت زیر به دست آمده:
برای این مثال 15 وزن برای هر شبکه‌ی عصبی (5 تا برای وزن‌های لایه‌ی ورودی،5 تا برای وزن‌های لایه‌ی خروجی و 5 تا برای بایاس‌ها) استفاده کرده‌ایم و شبکه‌ی عصبی را با الگوریتم بهینه‌سازی آموزش دادیم. نتایج در شکل 3 آمده است.
- انجام پروژه شبکه عصبی با متلبی
شکل 3- پاسخ مسئله‌ی کنترل بهینه مثال سوم
مثال چهارم- مسئله‌ی بهینه‌سازی زیر را در نظر می‌گیریم:
تشکیل تابع همیلتونین:
پس باید داشته باشیم:
با در نظرگرفتن شرط اولیه و نهایی و جواب بدیهی به صورت زیر به دست می‌آید:
برای این مثال 15 وزن برای هر شبکه‌ی عصبی (5 تا برای وزن‌های لایه‌ی ورودی،5 تا برای وزن‌های لایه‌ی خروجی و 5 تا برای بایاس‌ها) استفاده کرده‌ایم و شبکه‌ی عصبی را با الگوریتم بهینه‌سازی آموزش دادیم. نتایج در شکل 3 آمده است.
شکل 4- پاسخ مسئله‌ی کنترل بهینه مثال چهارم
توضیح تکمیلی:
در حوزه ی مدلسازی ریاضی،RBF یک شبکه عصبی مصنوعی هستش که از توابع پایه ای شعاعی به عنوان توابع فعالیت استفاده می‌کنه. خروجی این شبکه یک ترکیب خطی از توابع پایه ی شعاعی برای پارامترهای ورودی و نرونهاست. این شبکه‌ها در تابع تقریب،پیشبینی سری‌های زمانی،کلاسبندی و کنترل سیستم مورد استفاده قرار میگیرند.
استفاده از شبکه RBF برای مثال های فوق پاسخ مطلوب نمیدهد. در این مقاله برای پیشبینی خروجی توابع مستقیما روابط شبک هعصبی توسعه داده شده است و ازین جهت قیسا مناسبی نخواهد بود اگر ورودی و خروجی هایی که از شبکه موجود بدست آمده را در شبکه دیگری استفاده کنیم
نتایج بدست آمده از شبیه سازی با متلب:
Pontryagin minimum principle, Optimal control problem, Artificial neural networks,کلیدواژه: پروژه متلب
شبیه سازی مقاله Optimal control problem via neural networks
به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،. با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.