آموزش کاربردی بهینه سازی با الگوریتم های فرا ابتکاری با رویکرد پروژه محور

آموزش کاربردی بهینه سازی با الگوریتم­ های فرا ابتکاری با رویکرد پروژه محور

 (ویژه همه رشته ها)

مدرس:

اسماعیل سلحشور (مدرس دانشگاه فنی و حرفه ای و عضو هیئت علمی موسسه آموزشی صعود)

توضیحات دوره:

بهينه‌سازي اهميت زيادي در بسياري از شاخه‌هاي علوم دارد. به عنوان مثال شيمي‌دان­ها، و مهندسان علاقه دارند تا يک طرح بهينه براي طراحي يک فرایند شيميايي به کار برند و محصول توليدی را با داشتن شروطي مثل هزينه و حداقل آلودگي، بيشينه کنند. همچنين در برازش غيرخطي مدل و منحني نيز، به نوعي به بهينه‌سازي، نياز داريم. اقتصاددانان و تحقيق‌کنندگان در عمليات نيز بايد جايابي بهينه منابع در جامعه و صنعت را پيدا کنند. طراحان سیستم­های کنترلی نیز برای افزایش کارایی و دقت سیستم­های طراحی­شده از روش­های بهینه­سازی استفاده می­کنند. روش­هاي مطرح شده براي بهينه‌سازي مي‌توانند در دو دسته عمده طبقه‌بندي شوند؛ بهينه‌سازي محلي و بهينه‌سازي فراگير يا عام. براي بهينه‌سازي عام، اغلب از روش‌هاي فرا ابتکاری استفاده مي‌شود. از جمله اين روش‌ها مي‌توان به الگوريتم‌ ژنتيک (الهام گرفته از تکامل بيولوژيکي انسان و ساير موجودات)، الگوریتم بهینه سازی ازدحام ذرات، الگوریتم بهينه‌سازي کلوني مورچه‌ها (الهام گرفته از حرکت بهينه مورچه‌ها)، الگوریتم زنبور عسل (الهام گرفته از رفتار زنبورها برای جستجوی غذا) و غیره اشاره نمود. به طور کلی، الگوريتم‌هاي بهينه‌سازي معرفي­شده، الهام گرفته از فرايند‌هاي طبيعي و زندگی گروهی موجودات بوده و از اصول مشابهی پیروی می کنند.

هدف این دوره آشنایی کاربردی دانشجویان و کارآموزان با مباحث مختلف مرتبط با بهینه سازی توسط الگوریتم های فرا ابتکاری است که از طریق نکات تئوری و عملی به صورت کاملاً استاندارد و هدفمند ارائه می شود. با گذراندن این دوره کارآموز آشنایی کاربردی و نسبتاً کاملی با بهینه سازی و سه الگوریتم ژنتیک، PSO و FPSO (معرفی شده توسط مدرس) پیدا کرده و براحتی می تواند انواع مسائل بهینه سازی نظیر مقید، غیرمقید، تک هدفه، چند هدفه و غیره را با استفاده از این الگوریتم ها حل کند. مباحث مطروحه در این دوره با توجه به تجربه چندین ساله مدرس در برگزاری دوره های آموزش نرم افزار متلب و بهینه سازی برای دانشجویان رشته های برق همه گرایش ها، عمران، مکانیک، هوافضا، شیمی، صنایع، کامپیوتر، اقتصاد و غیره به گونه ای تنظیم شده است که دانشجویان همه رشته ها بتوانند از آن استفاده کرده و محدودیتی برای رشته خاصی وجود نداشته باشد. تفاوت اصلی این دوره با سایر دوره ها در این است که مدرس علاوه بر پرداختن به جزئیات الگوریتم های مزبور، نگاهی کاملاً کاربردی و پروژه محور به بحث یادگیری این الگوریتم ها و بهینه سازی داشته است؛ بطوری که کارآموز برای حل مسائل مختلف با صرف کمترین زمان و انرژی بتواند از این الگوریتم ها استفاده کرده و آن را برای سایر الگوریتم ها نیز تعمیم دهد.

اهداف دوره:

• آشنایی با مفاهیم اساسی در بهینه سازی
• آشنایی با انواع روش های بهینه سازی و مقایسه بین آن ها
• آموزش نحوه ی حل مسائل بهینه سازی مقید، غیر مقید، تک هدفه، چند هدفه، ابعاد وسیع
• تقویت مهارت های حل مسائل بهینه سازی با الگوریتم های فرا ابتکاری
• آموزش کدنویسی و نحوه حل مسئله با الگوریتم گردایان کاهشی
• آموزش کدنویسی و نحوه ی حل مسائل با الگوریتم های ژنتیک، PSO و FPSO (معرفی شده توسط مدرس)
• آموزش نحوه ی تنظیم پارامترهای کنترل کنندهPID با استفاده از الگوریتم های فرا ابتکاری
• آموزش نحوه ی تنظیم ضرایب کنترل کننده ها بر مبنای مقدار بالازدگی، زمان صعود، زمان نشست و خطای حالت ماندگار
• آشنایی با کاربردهای شبکه عصبی و آموزش آن با استفاده از الگوریتم های فرا ابتکاری
• حل مثال های متعدد از توابع معیار معروف و مقالات بهینه سازی در رشته های مختلف

ویژگی های دوره:

• دریافت گواهی نامه از موسسه آموزشی صعود (در صورت قبولی در آزمون نهایی)
• پشتیابی آنلاین توسط مدرس (پس از خرید دوره عضو گروه آموزشی مرتبط با این دوره خواهید شد و می توانید با مدرس و سایر دانشجویان دوره در ارتباط بوده و تمامی سوالات خود را بپرسید و اشکالاتتان را رفع کنید-جهت عضویت در گروه پس از ثبت نام در دوره می‌توانید از پشتیبانی آنلاین درخواست عضویت در گروه را اعلام کنید.)
• آموزش کاربردی با رویکرد پروژه محور (هدف گذاری این دوره به صورتی است که بتوانید اصول پیاده سازی و استفاده از الگوریتم های فرا ابتکاری را آموزش دیده و مسائل کاربردی را با آن ها حل کنید. به این منظور برای فهم بهتر مباحث توابع معیار معروف و مسائل کاربردی مهمی که دغدغه ی طیف زیادی از دانشجویان می باشد نظیر تنظیم ضرایب کنترل کننده PID، آموزش شبکه عصبی و غیره بر مبنای مقالات توسط الگوریتم های ژنتیک، PSO و FPSO حل شده است)
• جزوات آموزشی مدون و خودآموز (در این دوره آموزش ها بر مبنای جزوات تهیه شده توسط مدرس (بیش از 60 اسلاید)، راهنمای نرم افزار متلب، مقالات و تجریبات شخصی مدرس انجام می شود. مبانی تئوری و فلوچارت تمام الگوریتم ها به فارسی در این بسته آموزشی موجود بوده و قابل استفاده در پایان نامه ها و مقالات می باشد)
• پاسخگویی به سوالات احتمالی (مدرس دوره با توجه به تجربه چندین ساله در برگزاری دوره های آموزش حضوری و آنلاین نرم افزار متلب و بهینه سازی به سوالات و اشکالات احتمالی شما در طی آموزش مباحث پاسخ داده است)
• ارائه کدهای اختصاصی (در این دوره از کدهای اختصاصی و شخصی سازی شده توسط مدرس برای الگوریتم های ژنتیک، PSO و FPSO استفاده شده است. فایل کدهای مزبور در این بسته موجود بوده و نحوه ی استفاده از آن به طور کامل آموزش داده شده است. از مزایای این کدها می توان به ذخیره اطلاعات در حین اجرای الگوریتم ها، نمایش نمودار همگرایی در یک فضای قابل تنظیم به جهت تحلیل آنلاین داده ها، استاندارد نویسی کدها جهت استفاده راحت تر و غیره اشاره کرد)

مدت زمان دوره:

• 11:30 ساعت محتوای آموزشی (حداقل زمان لازم برای مطالعه و گذراندن دوره 25 ساعت می باشد)

نرم افزارهای مرتبط با آموزش:

• MATLAB R2020b (همه فایل های آموزشی با نسخه های مختلف نرم افزار (2011 -2021a ) همسان سازی شده است)

فهرست سرفصل­ها و رئوس مطالب:

بخش اول: آشنایی با مفاهیم بهینه سازی و الگوریتم گرادیان کاهشی  (1:19 ساعت محتوای آموزشی)

• آشنایی با مفاهیم بهینه سازی نظیر کمینه سازی، بیشینه سازی، مقید و غیرمقید، تک هدفه و چند هدفه و …
• آشنایی با مفهوم کمینه های محلی، سراسری و تفاوت آن ها
• آشنایی با مهمترین چالش ها در بهینه سازی
• آشنایی با انواع روش های بهینه سازی و مقایسه آن ها
• آموزش کدنوسی و حل مسئله با الگوریتم گرادیان کاهشی
• آموزش نحوه ی پیداکردن کمینه با استفاده از الگوریتم گرادیان کاهشی از روی داده های واقعی
• آشنایی با تابع fminbnb برای جستجوی کمینه توابع تک متغیره
• آموزش نحوه ی استفاده از تابع fminsearch برای جستجوی کمینه توابع چند متغیره

بخش دوم: الگوریتم ژنتیک (2:22 ساعت محتوای آموزشی)

• آشنایی با مبانی تئوری الگوریتم ژنتیک
• آموزش نحوه کدنویسی الگوریتم ژنتیک در متلب
• آموزش نحوه ی حل مسئله بدون قید با الگوریتم ژنتیک
• آموزش نحوه ی حل مسئله مقید بر روی فضای جستجو با الگوریتم ژنتیک
• آموزش نحوه ی حل مسائل بهینه سازی با انواع شروط توقف
• آموزش نحوه ی حل چند تابع معیار معروف با استفاده از الگوریتم ژنتیک

بخش سوم: الگوریتم PSO (1:41 ساعت محتوای آموزشی)

• آشنایی با مبانی تئوری الگوریتم PSO
• آموزش نحوه کدنویسی الگوریتم PSO در متلب
• آموزش نحوه ی حل مسئله بدون قید با الگوریتم PSO
• آموزش نحوه ی حل مسئله مقید بر روی فضای جستجو با الگوریتم PSO
• آموزش نحوه ی حل چند تابع معیار معروف با استفاده از الگوریتم PSO
• آموزش نحوه ی حل مسائل مقید بر روی متغیرهای طراحی با رویکرد حذف جواب های نادرست
• آموزش نحوه ی حل مسائل مقید بر روی متغیرهای طراحی با رویکرد اعمال قیود به تابع معیار
• بررسی روش حل مسئله مقید بر روی متغیرهای طراحی با عنوان طراحی بهينه شبكه زمين پست­هاي فشار قوي با استفاده از الگوریتم ژنتیک و PSO

بخش چهارم: طراحی کنترل کننده PID با استفاده از الگوریتم های فرا ابتکاری (1:37 ساعت محتوای آموزشی)

• آموزش نحوه ی ارتباط و بهینه سازی محیط سیمولینک با الگوریتم های ژنتیک و PSO
• آموزش نحوه حل مسائل بهینه سازی چند هدفه
• آموزش طراحی کنترل کننده PID در سیمولینک و تنظیم ضرایب با استفاده از الگوریتم های مزبور
• آموزش نحوه ی پیاده سازی توابع معیار MSE، RMSE، ISE، IAE، ITAE، ITSE و مقایسه بین آن ها

بخش پنجم: الگوریتم FPSO، شبکه عصبی و آموزش آن با الگوریتم های فرا ابتکاری (1:20 ساعت محتوای آموزشی)

• آشنایی با مفاهیم شبکه عصبی و پیاده سازی آن در متلب
• آشنایی با مبانی تئوری الگوریتم FPSO و نحوه ی پیاده سازی آن در متلب
• آشنایی با نحوه ی آموزش شبکه عصبی با الگوریتم های ژنتیک، PSO و FPSO
• آشنایی با نحوه ی تقریب توابع با استفاده از ترکیب شبکه عصبی و الگوریتم های مزبور
• بررسی مزایا و معایب سه الگوریتم مزبور در تقریب تابع با استفاده از شبکه عصبی
• آموزش نحوه ی کدنویسی و ارزیابی الگوریتم ها از جهت شروع با شرایط اولیه یکسان

بخش ششم: حل مسائل کاربردی (3:10 ساعت محتوای آموزشی)

• طراحی کنترل کننده PID برای سیستم AVR
• طراحی همزمان چهار کنترل کننده PID برای کنترل فرکانس بار سیستم قدرت چهار ناحیه ای

ویدیوهای دوره به طور کامل در سایت موجود می‌باشند و به محض ثبت نام امکان مشاهده از بخش برنامه درسی دوره فراهم می‌باشد.