Beruflich Dokumente
Kultur Dokumente
*2
زﻳﻨﺐ ﺑﻨﻲ اﺳﺪي ،1ﺣﺴﻴﻦ ﻧﻈﺎم آﺑﺎدي ﭘﻮر ،2ﻣﻠﻴﺤﻪ ﻣﻐﻔﻮري
-1داﻧﺸﮕﺎه آزاد اﺳﻼﻣﻲ واﺣﺪ ﻧﺠﻒ آﺑﺎد -ﺑﺎﺷﮕﺎه ﭘﮋوﻫﺸﮕﺮان ﺟﻮان
-2داﻧﺸﻴﺎر ،ﮔﺮوه ﺑﺮق ،داﻧﺸﮕﺎه ﺷﻬﻴﺪ ﺑﺎﻫﻨﺮ ﻛﺮﻣﺎن
ﭼﻜﻴﺪه:
در اﻳﻦ ﻣﻘﺎﻟﻪ ،ﺑﻬﻴﻨﻪ ﻳﺎب ﺟﺪﻳﺪي ﻣﺒﺘﻨﻲ ﺑﺮ اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﭼﻨﺪ ﻫﺪﻓﻪ اراﺋﻪ ﺷﺪه اﺳـﺖ.
در ﺑﻬﻴﻨﻪ ﻳﺎب ﻃﺮاﺣﻲ ﺷﺪه ،از ﻣﻔﺎﻫﻴﻢ اﺳﺎﺳﻲ ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﻨﺪ ﻫﺪﻓﻪ ،ﺑﺮاي ﻫﺪاﻳﺖ ﻋﺎﻣﻞﻫـﺎي ﺟﺴـﺘﺠﻮﮔﺮ در ﻓﻀـﺎي
ﺟﺴﺘﺠﻮ ﺑﻪ ﺳﻤﺖ ﻣﻨﻄﻘﻪ ﺑﻬﻴﻨﻪ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ .ﺑﺮاي اراﺋﻪ روﻳﻜﺮد ﻣﻨﺎﺳﺐ ﻣﺒﺘﻨﻲ ﺑﺮ ﭘﺮﺗﻮ در ﺣﻞ ﻣﺴﺎﺋﻞ ﭼﻨﺪ ﻫﺪﻓـﻪ
ﺑﺎ اﻟﮕﻮرﻳﺘﻢ ﮔﺮاﻧﺸﻲ ﺑﻪ ﮔﻮﻧﻪاي ﺷﺎﻳﺴﺘﻪ ،ﻣﻮﺿﻮع ﻫﺎي ﺗﺨﺼﻴﺺ ﺷﺎﻳﺴﺘﮕﻲ ،ﺣﻔﻆ ﺗﻨﻮع و ﻧﺨﺒﻪﮔﺮاﻳﻲ راﺑﻄﻪﻣﻨﺪ ﺷﺪهاﻧﺪ.
اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي ﺑﺎ اﻟﮕﻮرﻳﺘﻢﻫﺎي ﻣﻄﺮح در اﻳﻦ زﻣﻴﻨﻪ در ﻣﺴﺎﺋﻞ ﻋﺪدي اﺳﺘﺎﻧﺪارد ﻣﻘﺎﻳﺴﻪ و ﻧﺘﺎﻳﺞ اراﺋﻪ ﺷـﺪه اﺳـﺖ.
ﺳﭙﺲ از اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺑﺮاي ﺣﻞ ﻣﺴﺎﻟﻪ ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ﺟﺒﺮان ﻛﻨﻨﺪه ﺗﻮان راﻛﺘﻴﻮ اﺳـﺘﺎﺗﻴﻜﻲ ) (SVCﺑـﺎ در ﻧﻈـﺮ ﮔـﺮﻓﺘﻦ
اﻫﺪاف ﺳﻪ ﮔﺎﻧﻪ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ .ﻛﺎراﻳﻲ اﺳﺘﻔﺎده از SVCدر ﺳﻴﺴﺘﻢﻫﺎي ﻗﺪرت ،ﺑﺴﺘﮕﻲ زﻳﺎدي ﺑﻪ ﻣﻜﺎن ﻗﺮارﮔﻴﺮي
آنﻫﺎ دارد .در ﻧﺘﻴﺠﻪ ،ﻫﻨﮕﺎم اﺳﺘﻔﺎده از اﻳﻦ ادوات ،ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ آنﻫﺎ )ﭘﻴﺪا ﻛﺮدن ﻣﻜﺎن و ﻇﺮﻓﻴـﺖ ﺑﻬﻴﻨـﻪ( ﺑﺎﻳـﺪ ﻣـﻮرد
ﺗﻮﺟﻪ ﻗﺮار ﮔﻴﺮد .در اﻳﻦ ﻣﻘﺎﻟﻪ ،ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ SVCﺑﺮ ﻣﺒﻨﺎي اﻫﺪاف ﭼﻨﺪﮔﺎﻧﻪ ﻫﻤﭽﻮن ﭘﺎﻳﺪاري وﻟﺘﺎژ ،ﻛﺎﻫﺶ ﺗﻠﻔﺎت و
ﻫﺰﻳﻨﻪ ﺧﺮﻳﺪ ادوات اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد .ﻧﺘﺎﻳﺞ آزﻣﺎﻳﺸﻬﺎ ﻛﺎراﻳﻲ روش ﭘﻴﺸﻨﻬﺎدي را ﺗﺎﻳﻴﺪ ﻣﻲ ﻛﻨﺪ.
واژهﻫﺎي ﻛﻠﻴﺪي :ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ادوات ،ﺟﺒﺮان ﺳﺎز ﺗﻮان راﻛﺘﻴﻮ ،ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﻨﺪ ﻫﺪﻓﻪ ،اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ،
ﺑﻬﻴﻨﻪ ﭘﺮﺗﻮ.
• ﻓﺎﺻﻠﻪ ﺟﺒﻬﻪ ﻣﻐﻠﻮب ﻧﺸﺪه ﺗﺎ ﺟﺒﻬﻪ ﺑﻬﻴﻨﻪ ﭘﺮﺗﻮ ،ﺑﺎﻳـﺪ ﺗﻮاﻧﺎﻳﻲ ﺳﻴﺴﺘﻢ ﻗﺪرت در ﺗـﺄﻣﻴﻦ ﺗـﻮان راﻛﺘﻴـﻮ ﻣـﻮرد
ﺑﻪ ﺣﺪاﻗﻞ ﺑﺮﺳﺪ. ﺗﻘﺎﺿﺎﺳﺖ.
• راه ﺣﻞ ﻫﺎي ﭘﻴﺪا ﺷﺪه ﺑﺎﻳـﺪ داراي ﺗﻮزﻳـﻊ ﻣﻨﺎﺳـﺒﻲ ﺑﻬﺮهﮔﻴﺮي از ﺟﺒﺮان ﺳﺎزﻫﺎي ﺗﻮان راﻛﺘﻴﻮ ،از ﺟﻤﻠﻪ
ﺑﺎﺷﻨﺪ. ادوات ،FACTSﻳﻜﻲ از ﻣﻨﺎﺳﺒﺘﺮﻳﻦ راهﻫـﺎ ﺑـﺮاي دور
• ﮔﺴــﺘﺮدﮔﻲ ﺟﺒﻬــﻪ ﻣﻐﻠــﻮب ﻧﺸــﺪه ﻧﻬــﺎﻳﻲ ،ﺑﺎﻳــﺪ ﺑــﻪ ﻧﮕﻪ داﺷﺘﻦ ﺳﻴﺴﺘﻢ ﻗﺪرت از اﻳﻦ ﻣﻌﻀﻞ اﺳﺖ .ﻳﻜﻲ از
ﺣﺪاﻛﺜﺮ ﺑﺮﺳﺪ؛ ﻳﻌﻨﻲ ﺑﺮاي ﻫﺮ ﻫﺪف ،داﻣﻨﻪ ﮔﺴﺘﺮده اي ﭘﺮﻛــﺎرﺑﺮدﺗﺮﻳﻦ اﻧــﻮاع ادوات FACTSﺑــﺮاي ﺑﻬﺒــﻮد
از ﻣﻘﺎدﻳﺮ ،ﺑﺎﻳﺪ ﺗﺤﺖ ﭘﻮﺷـﺶ راه ﺣـﻞ ﻫـﺎي ﻣﻐﻠـﻮب
ﭘﺎﻳﺪاري وﻟﺘﺎژ SVCاﺳﺖ ﻛﻪ ﻳﻚ ﺟﺒﺮانﮔﺮ اﺳﺘﺎﺗﻴﻜﻲ
ﻧﺸﺪه ﻗﺮار ﺑﮕﻴﺮد.
ﻣﺤﺴﻮب ﻣﻲﺷﻮد.
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻦ ﻧﻜﺎت ،در ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﻨﺪ ﻫﺪﻓﻪ ﺑﺎﻳـﺪ
ﻛﺎراﻳﻲ اﺳﺘﻔﺎده از ادوات FACTSدر ﺳﻴﺴﺘﻢﻫـﺎي
ﺑﻪ ﺳﻪ ﻣﺴﺄﻟﻪ اﺳﺎﺳﻲ ﺗﻮﺟﻪ ﻛﺮد]:[1
ﻗﺪرت ،ﺑﻪ ﻣﻘـﺪار زﻳـﺎدي ﺑـﻪ ﻣﻜـﺎن ﻗﺮارﮔﻴـﺮي آنﻫـﺎ
اﻟﻒ :ﭼﮕﻮﻧﮕﻲ ﺗﺨﺼﻴﺺ ﺷﺎﻳﺴﺘﮕﻲ و اﻧﺘﺨـﺎب،11
ﺑﺴــﺘﮕﻲ دارد .ﻋــﺪم ﻗﺮارﮔﻴــﺮي اﻳــﻦ ادوات در ﻣﻜــﺎن
ﺑﻪ ﻣﻨﻈﻮر ﻫﺪاﻳﺖ اﻟﮕﻮرﻳﺘﻢ ﺑﻪ ﻃـﺮف ﻣﺠﻤﻮﻋـﻪ ﺑﻬﻴﻨـﻪ
ﻣﻨﺎﺳﺐ ،ﻣﻮﺟﺐ ﺿﻌﻒ در ﻋﻤﻠﻜﺮد آنﻫﺎ ﺧﻮاﻫﺪ ﺷـﺪ.
ﭘﺮﺗﻮ؛
در ﻧﺘﻴﺠﻪ ،ﻫﻨﮕﺎم اﺳﺘﻔﺎده از اﻳﻦ ادوات ،ﺟﺎﻳـﺎﺑﻲ ﺑﻬﻴﻨـﻪ
12
ب :ﭼﮕﻮﻧﮕﻲ ﺣﻔﻆ ﺗﻨﻮع ،ﺑﻪ ﻣﻨﻈﻮر ﺟﻠﻮﮔﻴﺮي از
آنﻫﺎ )ﭘﻴﺪا ﻛﺮدن ﻣﻜﺎن و ﻇﺮﻓﻴـﺖ ﺑﻬﻴﻨـﻪ( ﺑﺎﻳـﺪ ﻣـﻮرد
ﻫﻤﮕﺮاﻳــﻲ زود ﻫﻨﮕــﺎم و رﺳــﻴﺪن ﺑــﻪ ﻳــﻚ ﻣﺠﻤﻮﻋــﻪ
ﺗﻮﺟﻪ ﻗﺮار ﮔﻴﺮد .اﺳـﺘﻔﺎده از اﻟﮕـﻮرﻳﺘﻢﻫـﺎي اﺑﺘﻜـﺎري
ﻣﻐﻠﻮب ﻧﺸﺪه ﺑﺎ ﺗﻮزﻳﻊ ﻣﻨﺎﺳﺐ؛
ﺑــﺮاي ﺟﺎﻳــﺎﺑﻲ ﺑﻬﻴﻨــﻪ اﻧــﻮاع ادوات FACTSراه ﺣــﻞ
ج :ﻧﺨﺒﻪ ﮔﺮاﻳﻲ13؛ ﻳﻌﻨـﻲ ﭼﮕـﻮﻧﮕﻲ ﺟﻠـﻮﮔﻴﺮي از
ﻣﺆﺛﺮي در اﻳﻦ زﻣﻴﻨﻪ اﺳـﺖ .ﺟﺎﻳـﺎﺑﻲ SVCﺑـﻪ ﻣﻨﻈـﻮر
ﻧﺎﺑﻮدي راه ﺣﻞ ﻫﺎي ﻣﻐﻠﻮب ﻧﺸﺪه.
ﻓﺮاﻫﻢ ﻛﺮدن ﺗﻮان راﻛﺘﻴـﻮ ﺳﻴﺴـﺘﻢ ﻣـﻲﺗﻮاﻧـﺪ ﺑﺮاﺳـﺎس
اﻟﮕﻮرﻳﺘﻢ ﺟﺴـﺘﺠﻮي ﮔﺮاﻧﺸـﻲ ﻳﻜـﻲ از اﻟﮕـﻮرﻳﺘﻢ
اﻫﺪاف ﻣﺘﻔﺎوﺗﻲ ﺑﻪ ﺻﻮرت ﺗـﻚ ﻫﺪﻓـﻪ و ﭼﻨـﺪ ﻫﺪﻓـﻪ
ﻫﺎي ﻧﻮﻇﻬﻮر اﺳﺖ ﻛﻪ ﺑﺮ ﻣﺒﻨـﺎي ﻫـﻮش ﺟﻤﻌـﻲ ﻛـﺎر
ﺻﻮرت ﭘﺬﻳﺮد.
ﻣﻲﻛﻨﺪ .اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﺗـﻚ ﻫﺪﻓـﻪ ﺑـﺎ
در ﺑﻬﻴﻨﻪ ﺳﺎزي ﺗﻚ ﻫﺪﻓﻪ ،راه ﺣﻞ ﺑﻬﻴﻨﻪ ﻣﻌﻤﻮﻻً ﺑﻪ
ﻣﺘﻐﻴﺮﻫﺎي ﭘﻴﻮﺳﺘﻪ ﻃﺮاﺣﻲ ﺷﺪه اﺳـﺖ .در اﻳـﻦ ﻣﻘﺎﻟـﻪ،
ﺧﻮﺑﻲ و وﺿﻮح ،ﻗﺎﺑـﻞ ﺗﻌﺮﻳـﻒ اﺳـﺖ ،اﻣـﺎ در ﺑﻬﻴﻨـﻪ
ﻧﺴﺨﻪاي از اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﭼﻨﺪ ﻫﺪﻓﻲ
ﺳﺎزي ﭼﻨﺪ ﻫﺪﻓﻪ ﻧﻤﻲ ﺗﻮان ﺗﻨﻬـﺎ ﻳـﻚ راه ﺣـﻞ را ﺑـﻪ
ﻃﺮاﺣﻲ و اراﺋﻪ ﺷـﺪه اﺳـﺖ .در اﻟﮕـﻮرﻳﺘﻢ ﭘﻴﺸـﻨﻬﺎدي
ﻋﻨﻮان ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﻣﺴﺎﻟﻪ ﻣﻌﺮﻓﻲ ﻛﺮد .در اﻳﻦ ﮔﻮﻧـﻪ
ﺑﺮاي ﺑﺮآورده ﻛﺮدن اﻫـﺪاف ﻓـﻮق از روشﻫـﺎي زﻳـﺮ
ﻣﺴﺎﺋﻞ ﺑﺎﻳﺪ ﻣﺠﻤﻮﻋﻪ اي از راه ﺣﻞ ﻫﺎ را ﻛﻪ ﻫـﺮ ﻳـﻚ
اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ:
از اﻫﺪاف را در ﺳﻄﺢ ﻗﺎﺑﻞ ﻗﺒﻮﻟﻲ ﺑﺮآورده ﻣﻲ ﺳـﺎزﻧﺪ،
• اﺳﺘﻔﺎده از ﻣﻔﻬﻮم ﭘﺮﺗﻮ ﺑﺮاي ﺗﺨﺼﻴﺺ ﺷﺎﻳﺴﺘﮕﻲ؛
ﺑﻪ ﻋﻨﻮان ﻣﺠﻤﻮﻋﻪ ﺟﻮاب ﺑﻬﻴﻨﻪ ﻣﻌﺮﻓﻲ ﻛﺮد .ﺑـﻪ ﻃـﻮر
• اﺳﺘﻔﺎده از ﻧﺰدﻳﻜﺘﺮﻳﻦ ﻫﻤﺴﺎﻳﻪ kام ﺑﺮاي ﺣﻔﻆ ﺗﻨﻮع
ﻛﻠﻲ ،در ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﻨﺪ ﻫﺪﻓﻪ ﺑﺎﻳﺪ ﻧﻜـﺎت زﻳـﺮ ﻣـﺪ
ﺟﺒﻬﻪ ﺑﻬﻴﻨﻪ ﭘﺮﺗﻮ؛
ﻧﻈﺮ ﻗﺮار ﮔﻴﺮد ]:[7
/62ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﻣﻬﻨﺪﺳﻲ ﺑﺮق ،ﺳﺎل اول ،ﺷﻤﺎره اول ،زﻣﺴﺘﺎن 1389
ﻣﺘﻐﻴﺮﻫﺎي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻫﺴﺘﻨﺪ .ﻫﺪف از ﺑﻬﻴﻨﻪ ﺳـﺎزي • اﺳﺘﻔﺎده از آرﺷﻴﻮ ﺑﺮاي ﺣﻔﻆ راه ﺣﻞ ﻫﺎي ﻣﻐﻠﻮب
ﻋﺒﺎرت اﺳﺖ از: ﻧﺸﺪه.
)(1 ﺗﺎ ﻛﻨﻮن از روش ﻫﺎي ﻣﺠﻤﻮع وزﻧـﻲ اﻫـﺪاف ﻛـﻪ
ﻛﻠﻴﻪ ﻫﺪﻓﻬﺎي ﻣﻮﺟﻮد را در ﻗﺎﻟﺐ ﻳﻚ ﺟﻤﻊ وزﻧﺪار ﺑـﻪ
ﻳﻚ ﻫﺪف ﺗﺒﺪﻳﻞ ﻣﻲﻛﻨﺪ ،ﺑـﺮاي ﺣـﻞ ﻣﺴـﺎﻟﻪ ﺟﺎﻳـﺎﺑﻲ
در راﺑﻄﻪ ﺑـﺎﻻ ،ﺑـﺮدار ﺗﺼـﻤﻴﻢ ﮔﻴـﺮي ،ﺑـﺮدار ﺑﻬﻴﻨﻪ SVCاﺳﺘﻔﺎده ﺷﺪه اﺳﺖ .اﻟﺒﺘﻪ روش ﻫﺎﻳﻲ ﻫﻢ از
ﻫﺪف ،ﻓﻀﺎي ﺗﺼﻤﻴﻢ ﮔﻴـﺮي و ﻓﻀـﺎي ﻫـﺪف را ﺳﻴﺴﺘﻢ ﻫﺎي ﻓـﺎزي ﺑـﺮاي ﺗﺮﻛﻴـﺐ و ﺗﺠﻤﻴـﻊ ﭼﻨـﺪﻳﻦ
ﺑــﺎ ﺑــﺮاي دو ﺑــﺮدار ﻫــﺪف و ﺗﻮﺳﻂ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ اﺑﺘﻜﺎري اﺳﺘﻔﺎده ﻛﺮدهاﻧﺪ .در اﻳـﻦ
ﻓﺮض اﻳﻨﻜﻪ ﻫﺪف از ﺑﻬﻴﻨﻪ ﺳﺎزي ،ﺑﻴﺸﻴﻨﻪ ﺳﺎزي اﺳﺖ، ﻣﻘﺎﻟﻪ ،روش ﭘﻴﺸﻨﻬﺎدي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ ﻣﺒﺘﻨـﻲ ﺑـﺮ
ﺑﺮاي ﺑﻴﺎن ﻣﻔﺎﻫﻴﻢ ﺑﻬﻴﻨﻪ ﭘﺮﺗﻮ ﺗﻌﺎرﻳﻒ رﻳﺎﺿﻲ ﻗﺎﺑﻞ ﺑﻴﺎن ﻣﻔﺎﻫﻴﻢ ﭘﺮﺗﻮ ﺑﺮاي ﺣﻞ ﻣﺴﺎﻟﻪ ﺟﺎﻳـﺎﺑﻲ ﺑﻬﻴﻨـﻪ SVCﺑـﺎ
راﺑﻄﻪ 2ﻧﺸﺎن دﻫﻨـﺪه آن اﺳـﺖ ﻛـﻪ دو ﺑـﺮدار ﻫـﺪف ﮔﻴﺮد .در ﺑﺨﺶ ﺳﻮم ،اﻟﮕـﻮرﻳﺘﻢ ﺟﺴـﺘﺠﻮي ﮔﺮاﻧﺸـﻲ
ارزش ﻳﻜﺴﺎﻧﻲ دارﻧـﺪ در ﺣـﺎﻟﻲ ﻛـﻪ راﺑﻄـﻪ 4ﺑﻴـﺎﻧﮕﺮ ﺗﻮﺿــﻴﺢ داده ﻣــﻲ ﺷــﻮد .در ﺑﺨــﺶ ﭼﻬــﺎرم ،ﻧﺴــﺨﻪ
ﺑﺮﺗﺮي ﻛﺎﻣﻞ ﺑﺮدار ﻫﺪف u ﺑﺮ ﺑﺮدار ﻫﺪف vاﺳﺖ؛ ﺑﻪ ﭘﻴﺸﻨﻬﺎدي اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸـﻲ ﭼﻨـﺪ ﻫﺪﻓـﻪ
ﻋﺒﺎرت دﻳﮕﺮ ،اﻳﻦ ﺑﺮدار را ﻣﻐﻠﻮب ﻣـﻲﻛﻨـﺪ .از ﺳـﻮي ﻣﻌﺮﻓﻲ و ﺗﻮاﻧﺎﻳﻲ آن در ﺣﻞ ﺗﻮاﺑﻊ اﺳـﺘﺎﻧﺪارد ﺑﺮرﺳـﻲ
دﻳﮕﺮ راﺑﻄﻪ 3ﺑﻴﺎﻧﮕﺮ ﺑﺮﺗﺮي ﺿﻌﻴﻒ ﺑﺮدار ﻫﺪف uﺑـﺮ ﻣﻲﺷﻮد .ﺑﺨﺶ ﭘﻨﺠﻢ ﺑﻪ ﭼﮕﻮﻧﮕﻲ ﺣﻞ ﻣﺴﺎﻟﻪ ﺟﺎﻳـﺎﺑﻲ
ﺑﺮدار ﻫﺪف vاﺳﺖ. ﺑﻬﻴﻨﻪ ) SVCﺑﻌﻨﻮان ﻳـﻚ ﻣﺴـﺄﻟﻪ ﻧﻤﻮﻧـﻪ ﻣﻬﻨﺪﺳـﻲ( ﺑـﺎ
در ﻣﺴﺎﺋﻞ ﭼﻨﺪ ﻫﺪﻓﻪ ،دو ﺑﺮدار ﺗﺼـﻤﻴﻢ x1,x2 x اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي ﻣﻲﭘﺮدازد .ﺑﺨﺶ ﺷﺸـﻢ
ﻣﻲﺗﻮاﻧﻨﺪ ﺳﻪ ﺣﺎﻟﺖ ﻧﺴﺒﺖ ﺑﻪ ﻳﻜﺪﻳﮕﺮ داﺷﺘﻪ ﺑﺎﺷﻨﺪ: ﺑﻪ ﺗﺤﻠﻴﻞ ﻧﺘﺎﻳﺞ ﻣﻲﭘﺮدازد و در ﻧﻬﺎﻳﺖ در ﺑﺨﺶ ﻫﻔﺘﻢ،
)(5 ﺟﻤﻊ ﺑﻨﺪي و ﻧﺘﻴﺠﻪ ﮔﻴﺮي آورده ﻣﻲ ﺷﻮد.
اﻳﻦ راﺑﻄﻪ ﺑﻴﺎﻧﮕﺮ آن اﺳـﺖ ﻛـﻪ ﺑـﺮدار ﺗﺼـﻤﻴﻢ ،x1
ﺑﺮدارﺗﺼﻤﻴﻢ x2را ﻣﻐﻠﻮب ﻣـﻲﻛﻨـﺪ؛ اﮔـﺮ و ﺗﻨﻬـﺎ اﮔـﺮ -2ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﻨﺪ ﻫﺪﻓﻪ
را ﻣﻐﻠﻮب ﻛﻨﺪ. ،ﺑﺮدار ﻫﺪف ﺑﺮدار ﻫﺪف ﻳــﻚ ﻣﺴــﺄﻟﻪ ﺑﻬﻴﻨــﻪ ﺳــﺎزي ﭼﻨــﺪ ﻫﺪﻓــﻪ ،ﺷــﺎﻣﻞ ﻳــﻚ
)(6 ﻣﺠﻤﻮﻋــﻪ nﭘــﺎراﻣﺘﺮي از ﻣﺘﻐﻴﺮﻫــﺎي ﺗﺼــﻤﻴﻢﮔﻴــﺮي و
ﻣﺠﻤﻮﻋﻪ اي از kﺗﺎﺑﻊ ﻫﺪف اﺳﺖ .اﻫﺪاف ﺗـﻮاﺑﻌﻲ از
اراﺋﻪ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﺪدي اﺳﺘﺎﻧﺪارد و ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ﺟﺒﺮان ﻛﻨﻨﺪه ﺗﻮان راﻛﺘﻴﻮ 63/
ﻧﻈﺮﻳﻪ ﻣﺤﺎﺳﺒﻪ ﺷﺎﻳﺴﺘﮕﻲ ﻓﺮد ،ﺑﺮاﺳﺎس ﻏﻠﺒﻪ ﭘﺮﺗـﻮ اﻳﻦ راﺑﻄﻪ ﺑﻴﺎﻧﮕﺮ آن اﺳـﺖ ﻛـﻪ ﺑـﺮدار ﺗﺼـﻤﻴﻢ ،x1
را ﻣــﻲﺗــﻮان ﺑــﻪ ﮔﻠــﺪﺑﺮگ) ،(1989ﻧﺴــﺒﺖ داد].[11 ﺑﺮدارﺗﺼﻤﻴﻢ x2را ﺑﻄﻮر ﺿﻌﻴﻒ ﻣﻐﻠﻮب ﻣﻲﻛﻨﺪ؛ اﮔﺮ و
روشﻫـــﺎي ﻣﺨﺘﻠﻔـــﻲ ﺑـــﺮاي اﺳـــﺘﻔﺎده از ﺗﺮﺗﻴـــﺐ ،ﺑـﻪ ﻃـﻮر ﺿـﻌﻴﻒ ﺑـﺮدار ﺗﻨﻬﺎ اﮔﺮ ﺑﺮدار ﻫـﺪف
ﺟﺰﺋﻲ15ﭘﻴﺸﻨﻬﺎد ﺷﺪه اﺳﺖ .ﺑﺮﺧـﻲ ﺷـﻴﻮهﻫـﺎ ،از رﺗﺒـﻪ را ﻣﻐﻠﻮب ﻛﻨﺪ. ﻫﺪف
ﻓﺮد ﻏﻠﺒﻪ دارﻧﺪ و ﻣﻘﺎدﻳﺮ ﺷﺎﻳﺴﺘﮕﻲ را ﺗﻌﻴﻴﻦ ﻣـﻲﻛﻨﻨـﺪ راﺑﻄﻪ 7ﺑﻴﺎﻧﮕﺮ آن اﺳﺖ ﻛﻪ ﺑﺮدارﻫﺎي ﺗﺼﻤﻴﻢ x1
و x2ﻧﺴﺒﺖ ﺑﻪ ﻳﻜﺪﻳﮕﺮ ﺑﻲ ﺗﻔﺎوت ﺑﻮده؛ راﺑﻄﻪ
] .[12روش ﻫﺎي دﻳﮕﺮ ،از ﻋﻤﻖ ﺗﺴﻠﻂ 17اﺳﺘﻔﺎده ﻣﻲ-
ﻣﻐﻠﻮب ﺷﻮﻧﺪﮔﻲ ﻳﺎ ﻣﻐﻠﻮب ﻛﻨﻨﺪﮔﻲ ﻧﺴﺒﺖ ﺑﻪ ﻳﻜﺪﻳﮕﺮ
ﻛﻨﻨﺪ ﻛﻪ در اﻳﻦ روش ﻫﺎ ،ﺟﻤﻌﻴﺖ ﺑـﻪ ﭼﻨـﺪﻳﻦ ﺟﺒﻬـﻪ
ﻧﺪارﻧﺪ.
ﺗﻘﺴﻴﻢ ﺷﺪه ،ﻋﻤﻖ ﺑﻪ ﺟﺒﻬﻪاي ﻣﻨﻌﻜﺲ ﻣﻲﺷﻮد ﻛﻪ ﻓﺮد
ﺑﺮ ﻋﻜﺲ ﺑﻬﻴﻨﻪﺳﺎزي ﺗﻚ ﻫﺪﻓﻪ ﻛﻪ ﺗﺎﺑﻊ ﻫﺪف و ﺗﺎﺑﻊ
ﺑﻪ آن ﺗﻌﻠﻖ دارد ] .[13ﻫﻤﭽﻨـﻴﻦ ،ﺑﻌﻀـﻲ روشﻫـﺎ از
ﺷﺎﻳﺴﺘﮕﻲ ،اﻏﻠﺐ ﺑﺮاﺑﺮ ﻫﺴﺘﻨﺪ ،در ﻣﺴﺎﺋﻞ ﺑﻬﻴﻨﻪﺳﺎزي
ﺗﻌﺪاد ﺗﺴﻠﻂ18؛ ﻳﻌﻨﻲ ﺗﻌﺪاد اﻓﺮادي ﻛـﻪ ﺗﺤـﺖ ﺗﺴـﻠﻂ
ﭼﻨﺪ ﻫﺪﻓﻪ ،ﺗﺨﺼﻴﺺ ﺷﺎﻳﺴﺘﮕﻲ و اﻧﺘﺨﺎب ﺑﺎﻳﺪ ﺑﺮاي
ﻓﺮد ﺧﺎﺻﻲ ﻗﺮار ﻣﻲﮔﻴﺮﻧﺪ ،اﺳﺘﻔﺎده ﻛﺮدهاﻧﺪ]7و.[14
ﭼﻨﺪﻳﻦ ﻫﺪف در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد.
ﺑﻬﺘﺮﻳﻦ روش ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﭼﻨﺪ ﻫﺪﻓﻪ ،ﭘﻴﺸﻨﻬﺎد
روﺷــﻲ ﻛــﻪ ﺑﺮاﺳــﺎس روش ﻫــﺎي ﺳــﻨﺘﻲ ،ﺑــﺮاي
دادن ﻣﺠﻤﻮﻋﻪ اي از راه ﺣﻞ ﻫﺎي ﻣﻐﻠﻮب ﻧﺸﺪه اﺳﺖ
ﺳﺎﺧﺖ راه ﺣﻞ ﻫﺎي ﻧﻬﺎﻳﻲ وﺟﻮد دارد ،ﺟﻤـﻊ ﻛـﺮدن
ﻛﻪ ﻫﺮ ﻳﻚ از آﻧﻬـﺎ اﻫـﺪاف را در ﺳـﻄﺢ ﻗﺎﺑـﻞ ﻗﺒـﻮﻟﻲ
اﻫﺪاف در ﻳﻚ ﺗﺎﺑﻊ ﻫﺪف ﭘﺎراﻣﺘﺮي ﺷﺪه واﺣﺪ اﺳـﺖ.
ﺑﺮآورده ﻣﻲﺳﺎزد ﻛﻪ اﺻـﻄﻼﺣﺎً ﻣﺠﻤﻮﻋـﻪ ﺑﻬﻴﻨـﻪ ﭘﺮﺗـﻮ
ﭘﺎراﻣﺘﺮﻫﺎي اﻳﻦ ﺗﺎﺑﻊ ﺑـﻪ ﻃـﻮر ﺳﻴﺴـﺘﻤﺎﺗﻴﻚ ،در ﻃـﻮل
ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮﻧﺪ .ﻃﺒﻖ ﺗﻌﺮﻳﻒ ﺑﻬﻴﻨﮕـﻲ ﭘﺮﺗـﻮ x ،ﻳـﻚ
اﺟﺮاي ﺑﻬﻴﻨﻪ ﺳﺎزي ،ﺗﻐﻴﻴﺮ ﻣﻲﻛﻨﻨﺪ ﺗﺎ ﻳﻚ ﻣﺠﻤﻮﻋـﻪ از
19
ﺑﻬﻴﻨﻪ ﭘﺮﺗﻮ اﺳﺖ؛ اﮔﺮ و ﺗﻨﻬﺎ اﮔﺮ ،در داﻣﻨﻪ ،xﻣﻐﻠﻮب
راه ﺣﻞ ﻫﺎي ﻣﻐﻠﻮب ﻧﺸﺪه را ﺑﻪ ﺟـﺎي ﻳـﻚ راه ﺣـﻞ
20
ﻧﺸﻮد .راه ﺣﻞ ﻫﺎي ﺑﻬﻴﻨﻪ ﭘﺮﺗﻮ را ﻣﺠﻤﻮﻋﻪ ﺑﻬﻴﻨﻪ ﭘﺮﺗﻮ
واﺣﺪ در ﻓﻀﺎي ﻫﺪف ﭘﻴﺪا ﻛﻨﻨﺪ .ﺑـﺮاي ﻣﺜـﺎل ،ﺑﺮﺧـﻲ
و ﺑﺮدارﻫﺎي ﻫﺪف ﻣﺘﻨﺎﻇﺮ را ﺟﺒﻬﻪ ﺑﻬﻴﻨﻪ ﭘﺮﺗﻮ21ﻳﺎ ﺳﻄﺢ
MOEA14ﻫﺎ از ﻣﺠﻤﻮع وزﻧﻲ ،اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨـﺪ ﻛـﻪ
ﺑﻬﻴﻨﻪ ﭘﺮﺗﻮ 22ﻣﻲ ﻧﺎﻣﻨﺪ.
وزن ﻫﺎ ،ﭘﺎراﻣﺘﺮﻫﺎﻳﻲ را ﻧﺸﺎن ﻣـﻲدﻫﻨـﺪ ﻛـﻪ در ﻃـﻮل
اﻛﺜﺮ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﻨﺪﻫﺪﻓـﻪ ،ﺳـﻌﻲ
ﻓﺮآﻳﻨﺪ ﺗﻜﺎﻣﻞ ،ﺗﻐﻴﻴﺮ ﻣﻲﻛﻨﻨﺪ ].[8
23
ﻣﻲ ﻛﻨﻨﺪ ﺑﺎ وارد ﻛﺮدن اﻃﻼﻋـﺎت ﺗـﺮاﻛﻢ ﺑـﻪ ﻓﺮآﻳﻨـﺪ
روشﻫﺎي ﻣﺒﺘﻨـﻲ ﺑـﺮ ﻣﻌﻴـﺎر ،اﻫـﺪاف را در ﻃـﻮل
اﻧﺘﺨﺎب؛ ﺗﻨﻮع ﺟﺒﻬﻪ ﭘﺮﺗﻮ را ﺣﻔﻆ ﻛﻨﻨﺪ .ﺑﺪﻳﻦ ﻧﺤﻮ ﻛـﻪ
ﻣﺮﺣﻠﻪ اﻧﺘﺨﺎب ،ﺗﻌﻮﻳﺾ ﻣﻲﻛﻨﻨﺪ؛ .ﺑﻪ اﻳﻦ ﻧﺤﻮ ﻛﻪ ﻫـﺮ
ﺷﺎﻧﺲ ﻓﺮدي ﻛﻪ اﻧﺘﺨﺎب ﻣﻲ ﺷﻮد ،ﺑـﺎ اﻓـﺰاﻳﺶ ﺗـﺮاﻛﻢ
ﺑﺎر ،ﺑﺮ اﺳﺎس ﻳﻜـﻲ از اﻫـﺪاف ﻋﻤـﻞ اﻧﺘﺨـﺎب اﻧﺠـﺎم
اﻓﺮاد در ﻫﻤﺴـﺎﻳﮕﻲ اش ،ﻛـﺎﻫﺶ ﻣـﻲ ﻳﺎﺑـﺪ .ﭼﻨـﺪﻳﻦ
ﻣﻲﺷﻮد]9و .[10اﺣﺘﻤﺎﻻت ﺑﺮاي ﺳﻮﻳﭻ ﻣﻴـﺎن اﻫـﺪاف
روش ﺑﺮاي ﺣﻔﻆ ﺗﻨﻮع از اﻳﻦ روش اﺳﺘﻔﺎده ﻛﺮدهاﻧﺪ.
ﻣﻲﺗﻮاﻧﺪ ﺗﻮﺳﻂ ﻛﺎرﺑﺮ ﺗﻌﺮﻳﻒ ﺷﻮد ﻳﺎ اﻳﻨﻜـﻪ ﺑـﻪ ﻃـﻮر
روش ﻛﺮﻧﻞ 24ﻫﻤﺴﺎﻳﮕﻲ ﻳﻚ ﻧﻘﻄـﻪ را ﺑـﺮ ﺣﺴـﺐ
ﺗﺼﺎدﻓﻲ ﺑﺎﺷﺪ.
ﺗﺎﺑﻊ ﻛﺮﻧﻞ ، kﺗﻌﺮﻳﻒ ﻣﻲﻛﻨﺪ و ﻓﺎﺻﻠﻪ ﺗﺎ ﻧﻘﻄـﻪ دﻳﮕـﺮ
/64ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﻣﻬﻨﺪﺳﻲ ﺑﺮق ،ﺳﺎل اول ،ﺷﻤﺎره اول ،زﻣﺴﺘﺎن 1389
ﻣﻲ ﺷﻮد .اﻧﺪازه آرﺷﻴﻮ ﺛﺎﺑﺖ ﻧﻴﺴﺖ و ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻌﺪاد را ﺑﻪ ﻋﻨﻮان ﻳﻚ آرﮔﻮﻣﺎن ،ﻣﺤﺎﺳﺒﻪ ﻣﻲﻛﻨﺪ ] .[15ﺑﺮاي
راه ﺣﻞ ﻫﺎي ﻣﻐﻠﻮب ﻧﺸﺪه ﺗﻌﻴﻴﻦ ﻣﻲ ﺷـﻮد .اﻟﮕـﻮرﻳﺘﻢ ﻫﺮ ﻓـﺮد ،ﻓﻮاﺻـﻞ ،diﻧﺴـﺒﺖ ﺑـﻪ ﻫﻤـﻪ اﻓـﺮاد دﻳﮕـﺮ ،i
ﭘﻴﺸﻨﻬﺎدي از ﻳﻚ ﺟﻤﻌﻴﺖ ﻣﻨﻈﻢ و ﻳﻚ آرﺷﻴﻮ ،ﺑـﺮاي ﻣﺤﺎﺳﺒﻪ ﻣﻲﺷﻮد و ﭘﺲ از اﺳﺘﻔﺎده از ﺗﺎﺑﻊ ،kﻣﻘﺎدﻳﺮ ﺑﻪ
ﻧﮕﻬﺪاري ﺑﻬﺘﺮﻳﻦ راه ﺣﻞ ﻫﺎ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ. دﺳﺖ آﻣﺪه ) k(diﺟﻤﻊ زده ﻣﻲ ﺷﻮﻧﺪ .ﻣﺠﻤﻮع ﻣﻘﺎدﻳﺮ
ﺗﺎﺑﻊ kﺑﺮآورد ﺗﺮاﻛﻢ ﺑـﺮاي ﻓـﺮد ﻣـﻮرد ﻧﻈـﺮ را ﻧﺸـﺎن
-3اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﻣﻲدﻫﺪ .ﺗﺴﻬﻴﻢ ﺷﺎﻳﺴﺘﮕﻲ ،25راﻳﺠﺘـﺮﻳﻦ روش از اﻳـﻦ
اﻟﮕﻮرﻳﺘﻢ ﺑﻬﻴﻨﻪ ﺳﺎزي ﮔﺮاﻧﺸﻲ ،ﺑﺎ اﻟﻬـﺎم از ﻗـﺎﻧﻮن ﻧــﻮع در زﻣﻴﻨــﻪ ﻣﺤﺎﺳــﺒﻪ ﺗﻜــﺎﻣﻠﻲ اﺳــﺖ .ﻛــﻪ در
ﺟﺎذﺑﻪ و ﻧﻴﺮوي ﮔﺮاﻧﺶ در ﻃﺒﻴﻌـﺖ ﻣﻌﺮﻓـﻲ و ﭘـﺎراﻣﺘﺮ اﻟﮕـــﻮرﻳﺘﻢﻫـــﺎي [12] MOGA ،.[13] NSGAو
ﻫﺎي آن ﺑﻪ ﺻﻮرت ﺷﻬﻮدي ﺗﻨﻈﻴﻢ ﺷﺪه اﻧﺪ .ﻛﺎراﻣـﺪي [16] NPGAاﺳﺘﻔﺎده ﺷﺪه اﺳﺖ .روش دﻳﮕـﺮ ،روش
اﻳﻦ اﻟﮕﻮرﻳﺘﻢ در ﺑﻬﻴﻨﻪ ﺳﺎزي ﺗﻮاﺑﻊ ﻣﺤـﻚ اﺳـﺘﺎﻧﺪارد، ﻧﺰدﻳﻜﺘﺮﻳﻦ ﻫﻤﺴﺎﻳﻪ 26اﺳﺖ ﻛﻪ ﺑﺮاي ﺑﺮآورد ﺗـﺮاﻛﻢ در
ﺑﺮاي ﻣﺴﺎﺋﻞ ﺗﻚ ﻫﺪﻓﻪ ﺑﻪ اﺛﺒﺎت رﺳﻴﺪه اﺳﺖ].[16 ﻫﻤﺴــﺎﻳﮕﻲ ﻫــﺮ ﻧﻘﻄــﻪ ،ﻓﺎﺻــﻠﻪ ﻧﻘﻄــﻪ داده ﺷــﺪه ﺗــﺎ
ﺑﺮاي ﺗﻮﺿﻴﺢ ﺑﻴﺸﺘﺮ اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ،ﺳﻴﺴﺘﻤﻲ را ﺑﻪ ﻧﺰدﻳﻜﺘﺮﻳﻦ ﻫﻤﺴﺎﻳﻪ kاﻣﺶ را ﻣﺤﺎﺳﺒﻪ ﻣﻲﻛﻨﺪ .ﻫﺮ ﭼﻪ
ﺻﻮرت ﻣﺠﻤﻮﻋﻪ اي از mﺟﺮم در ﻳﻚ ﻓﻀﺎي n اﻳﻦ ﻓﺎﺻﻠﻪ ﻛﻤﺘﺮ ﺑﺎﺷﺪ ،ﺗﺮاﻛﻢ در اﻃﺮاف ﻧﻘﻄـﻪ ،ﺑﻴﺸـﺘﺮ
ﺑﻌﺪي ﺗﺼﻮر ﻛﻨﻴﺪ .ﻣﻮﻗﻌﻴﺖ ﺑﻌﺪ dاز ﺟﺮم ،iﺑﺎ ، xid اﺳﺖ.
ﻧﺸﺎن داده ﻣﻲ ﺷﻮد. SPEA2ﺑــﺮاي ﻫــﺮ ﻓــﺮد ،ﻓﺎﺻــﻠﻪ را ﻧﺴــﺒﺖ ﺑــﻪ
)(8 kام ،ﻣﺤﺎﺳﺒﻪ ﻣﻲﻛﻨﺪ و ﻋﻜـﺲ اﻳـﻦ ﻧﺰدﻳﻜﺘﺮﻳﻦ ﻓﺮد
ﻣﻮﻗﻌﻴﺖ ﺟﺮم ،ﻧﻘﻄﻪ اي در ﻓﻀﺎﺳﺖ ﻛﻪ ﺟـﻮاﺑﻲ از ﻓﺎﺻﻠﻪ را ﺑﻪ ﻋﻨـﻮان ﻣﻘـﺪار ﺷﺎﻳﺴـﺘﮕﻲ ﻧﺎﺧـﺎﻟﺺ ،27در
ﻣﺴﺎﻟﻪ اﺳﺖ .در اﺑﺘﺪاي ﺗﺸﻜﻴﻞ ﺳﻴﺴﺘﻢ ،ﻫـﺮ ﺟـﺮم ﺑـﻪ ﻧﻈﺮ ﻣﻲ ﮔﻴـﺮد ] .[14ﻫﻴﺴـﺘﻮﮔﺮام ﻫـﺎ ، 28دﺳـﺘﻪ ﺳـﻮم
ﺻﻮرت ﺗﺼﺎدﻓﻲ در ﻳﻚ ﻧﻘﻄﻪ از ﻓﻀﺎي ﺟﺴﺘﺠﻮ ﻗـﺮار ارزﻳﺎبﻫﺎي ﺗﺮاﻛﻢ را ﺗﻌﺮﻳﻒ ﻣﻲ ﻛﻨﻨﺪ .در اﻳـﻦ روش،
ﻣﻲ ﮔﻴﺮد .ﺟﺮم ﻫﺮ ﻋﺎﻣﻞ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﺎﺑﻊ ﻫﺪف ﺗﻌﻴـﻴﻦ ﺗﺮاﻛﻢ اﻃﺮاف ﻳﻚ ﻓﺮد ﺑﻪ ﺳﺎدﮔﻲ ﺑﺎ ﺗﻌﺪاد اﻓـﺮادي ﻛـﻪ
ﻣﻲ ﺷﻮد: در ﺑﺎزه ﻣﺮﺑﻮط ﺑﻪ ﻓﺮد ،ﻗﺮار دارﻧﺪ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد.
)(9 در اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي ﺑﺮاي ﺣﻔﻆ ﺗﻨﻮع ،ﺑﻪ ﻣﻨﻈﻮر
)(10 ﺟﻠﻮﮔﻴﺮي از ﻫﻤﮕﺮاﻳﻲ زود ﻫﻨﮕﺎم و رﺳﻴﺪن ﺑـﻪ ﻳـﻚ
ﻣﻴﺰان ﺑﺮازﻧﺪﮔﻲ ﺟـﺮم iرا ﻛﻪ در اﻳﻦ راﺑﻄﻪ ﻣﺠﻤﻮﻋﻪ ﻣﻐﻠﻮب ﻧﺸـﺪه ﺑـﺎ ﺗﻮزﻳـﻊ ﻣﻨﺎﺳـﺐ از ﻣﻔﻬـﻮم
ﺑــﻪ در زﻣـﺎن tﻧﺸــﺎن ﻣــﻲ دﻫــﺪ و ﻧﺰدﻳﻜﺘﺮﻳﻦ ﻫﻤﺴﺎﻳﻪ Kام اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد.
ﺗﺮﺗﻴﺐ ﻧﺸﺎن دﻫﻨﺪه ﺑﺪﺗﺮﻳﻦ و ﺑﻬﺘﺮﻳﻦ ﻣﻘﺪار ﺑﺮازﻧـﺪﮔﻲ ﻧﺨﺒﻪ ﮔﺮاﻳﻲ ،ﻣﺸﻜﻞ از دﺳﺖ رﻓﺘﻦ راه ﺣﻞ ﻫـﺎي
در ﻛﻞ ﺟﻤﻌﻴﺖ ،در زﻣﺎن tﻫﺴﺘﻨﺪ. ﺧﻮب را در ﻃﻮل ﻓﺮآﻳﻨـﺪ ﺑﻬﻴﻨـﻪ ﺳـﺎزي ،ﻣﻄـﺮح ﻣـﻲ
ﺳﺎزد .ﺑﺮاي ﻏﻠﺒﻪ ﺑﺮ اﻳﻦ ﻣﺸﻜﻞ ،راه ﺣﻞ ﻫـﺎي ﺧـﻮب
در ﻫﺮ ﻧﺴﻞ در ﻳﻚ آرﺷﻴﻮ ذﺧﻴﺮه و ﺑﻪ ﻧﺴﻞ ﺑﻌﺪ ﻣﻨﺘﻘﻞ
اراﺋﻪ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﺪدي اﺳﺘﺎﻧﺪارد و ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ﺟﺒﺮان ﻛﻨﻨﺪه ﺗﻮان راﻛﺘﻴﻮ 65/
اﻧﺪ .ﺑﺮاي ﺗﻨﻈﻴﻢ ﺿﺮﻳﺐ ﮔﺮاﻧﺶ از راﺑﻄـﻪ 18اﺳـﺘﻔﺎده در اﻳﻦ ﺳﻴﺴﺘﻢ در زﻣﺎن tﺑﻪ ﻫﺮ ﺟـﺮم ،iاز ﺳـﻮي
ﻣﻲ ﺷﻮد ﻛﻪ در اﻳﻦ راﺑﻄﻪ ﺿـﺮﻳﺐ ﮔـﺮاﻧﺶ ﺑﺼـﻮرت وارد ﺟﺮم ، jدر ﺟﻬﺖ ﺑﻌﺪ ، dﻧﻴﺮوﻳﻲ ﺑﻪ اﻧﺪازه
ﻧﻤﺎﻳﻲ ﻛﺎﻫﺶ ﻣﻲﻳﺎﺑﺪ. ﻣﻲ ﺷﻮد.
)(17 )(11
ﻛﻪ در آن GOو aﭘﺎراﻣﺘﺮﻫﺎﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻛﻪ در آن:
ﻣﺴﺎﻟﻪ ﺗﻮﺳﻂ ﻛﺎرﺑﺮ ﺗﻌﻴﻴﻦ ﻣﻲﺷـﻮﻧﺪ .ﭘـﺲ از ﺗﺸـﻜﻴﻞ )(12
ﺳﻴﺴﺘﻢ در ﻫﺮ ﺗﻜﺮار ،اﺟـﺮام ارزﻳـﺎﺑﻲ و ﺳـﭙﺲ ﺗﻐﻴﻴـﺮ ﺑﻪ ﺗﺮﺗﻴﺐ ﺟﺮم ﺟﺴـﻢ i در راﺑﻄﻪ ،11
ﻣﻜﺎن ﻫﺮ ﺟﺮم ﭘﺲ از ﻣﺤﺎﺳﺒﻪ رواﺑـﻂ 9-17ﻣﺤﺎﺳـﺒﻪ ﺛﺎﺑـﺖ ﮔـﺮاﻧﺶ و ﺟﺮم ﺟﺴﻢ jدر زﻣﺎن tﻫﺴﺘﻨﺪ.
ﻣﻲ ﺷﻮد .ﭘﺎراﻣﺘﺮ ﻫـﺎي ﺳﻴﺴـﺘﻢ ﺷـﺎﻣﻞ ﺟـﺮم اﻳﻨﺮﺳـﻲ ﻓﺎﺻﻠﻪ اﻗﻠﻴﺪﺳﻲ ﺑﻴﻦ دو ﺟﺮم i در زﻣﺎن tاﺳﺖ،
وﺛﺎﺑﺖ ﮔﺮاﻧﺶ ﻧﻴﻮﺗﻦ اﺳﺖ ،ﻛﻪ در ﻫﺮ ﻣﺮﺣﻠـﻪ ﺑـﻪ روز و jو ﻳﻚ ﻋﺪد ﺑﺴﻴﺎر ﻛﻮﭼﻚ اﺳﺖ .ﻧﻴـﺮوي وارد ﺑـﺮ
رﺳﺎﻧﻲ ﻣﻲﺷﻮﻧﺪ. ﺟــﺮم در ﺟﻬــﺖ ﺑﻌــﺪ dدر زﻣــﺎن tﺑﺮاﺑــﺮ ﻣﺠﻤــﻮع
ﺿﺮﻳﺐ ﻫﺎي ﺗﺼﺎدﻓﻲ از ﺗﻤﺎم ﻧﻴﺮوﻫﺎﻳﻲ اﺳﺖ ﻛﻪ ﺳﺎﻳﺮ
-4اﻟﮕــﻮرﻳﺘﻢ ﺟﺴــﺘﺠﻮي ﮔﺮاﻧﺸــﻲ ﭼﻨــﺪ ﻫﺪﻓــﻪ اﺟﺮام ﺳﻴﺴﺘﻢ ﺑﺮ ﺟﺮم وارد ﻣﻲ ﻛﻨﻨﺪ.
ﭘﻴﺸﻨﻬﺎدي )(13
در اﻳـﻦ ﺑﺨــﺶ ﺷــﻴﻮه ﺟﺪﻳـﺪي ﺑــﺎ ﻧــﺎم اﻟﮕــﻮرﻳﺘﻢ ﻃﺒﻖ ﻗﺎﻧﻮن دوم ﻧﻴﻮﺗﻦ ،ﻫﺮ ﺟﺮم در ﺟﻬـﺖ ﺑﻌـﺪ
ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸـﻲ ﭼﻨـﺪ ﻫﺪﻓـﻪ) (MOGSA29ﺑـﺮاي ﺷﺘﺎﺑﻲ ﻣﻲ ﮔﻴﺮد ﻛﻪ ﻣﺘﻨﺎﺳﺐ اﺳﺖ ﺑـﺎ ﻧﻴـﺮوي وارد ﺑـﺮ
ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﻨﺪ ﻫﺪﻓﻪ ﭘﻴﺸﻨﻬﺎد ﻣﻲﺷﻮد .ﺑﺮاي ﺑﺮآورده ﺟﺮم در ﺟﻬﺖ ﺑﻌﺪ ،ﺗﻘﺴﻴﻢ ﺑﺮ ﺟﺮم اﻳﻨﺮﺳﻲ آن:
ﻛﺮدن اﻫﺪاف اﺳﺎﺳﻲ ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﻨـﺪ ﻫﺪﻓـﻪ ،روش )(14
ﭘﻴﺸﻨﻬﺎدي ﺑﺎ اﻟﻬﺎم از ﺳﺎﻳﺮ روشﻫﺎي اراﺋﻪ ﺷﺪه در اﻳﻦ ﺷــﺘﺎب ﺟــﺮم در ﺟﻬــﺖ در راﺑﻄــﻪ ﻓـﻮق،
زﻣﻴﻨﻪ ﻛﻪ در ﺑﺨﺶ دوم ﺑـﻪ ﺗﻌـﺪادي از آﻧﻬـﺎ ﭘﺮداﺧﺘـﻪ ﺑﻌﺪ dدر زﻣﺎن tاﺳﺖ .ﺳﺮﻋﺖ ﻫﺮ ﺟﺮم ﺑﺮاﺑﺮ ﻣﺠﻤـﻮع
ﺷﺪ ،از ﺳﻪ راﻫﺒﺮد اﺳﺘﻔﺎده ﻣﻲﻛﻨﺪ .اﻧﺘﺨﺎب راﻫﺒﺮدﻫﺎي ﺿﺮﻳﺒﻲ از ﺳﺮﻋﺖ ﻓﻌﻠﻲ ﺟﺮم و ﺷﺘﺎب ﺟﺮم اﺳﺖ ﻛـﻪ
ﻣﻨﺎﺳﺐ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺎﻫﻴـﺖ اﻟﮕـﻮرﻳﺘﻢ ﮔﺮاﻧﺸـﻲ ﺑـﻮده ﻃﺒﻖ راﺑﻄﻪ ) (15ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮد .ﻣﻜـﺎن ﺟﺪﻳـﺪ ﻫـﺮ
اﺳﺖ. ﺟﺮم از ﻣﺠﻤﻮع ﻣﻜﺎن ﻓﻌﻠﻲ ﺟﺮم و ﺳـﺮﻋﺖ ﺟـﺮم ﺑـﻪ
• اﺳﺘﻔﺎده از ﻣﻔﻬﻮم ﭘﺮﺗﻮ ﺑﺮاي ﺗﺨﺼﻴﺺ ﺷﺎﻳﺴﺘﮕﻲ و دﺳﺖ ﻣﻲآﻳﺪ )راﺑﻄﻪ .(16
ﺟﺮم ﺑﻪ ﻣﻨﻈﻮر راﻫﻨﻤﺎﻳﻲ ﺟﺴﺘﺠﻮ ﺑﻪ ﻃﺮف ﻣﺠﻤﻮﻋﻪ )(15
ﺑﻬﻴﻨﻪ ﭘﺮﺗﻮ؛ )(16
• اﺳﺘﻔﺎده از روش ﻧﺰدﻳﻜﺘﺮﻳﻦ ﻫﻤﺴﺎﻳﻪ Kام ﺑﺮاي ،اﻋـﺪاد ﺗﺼـﺎدﻓﻲ و ﻛﻪ در اﻳﻦ رواﺑﻂ
ﺣﺬف ﺗﻨﻮع و ﺟﻠﻮﮔﻴﺮي از ﻫﻤﮕﺮاﻳﻲ زود ﻫﻨﮕﺎم و ﺑﺎ ﺗﻮزﻳﻊ ﻳﻜﻨﻮاﺧﺖ در ﺑـﺎزه ] [0,1ﻫﺴـﺘﻨﺪ ﻛـﻪ ﺑـﺮاي
رﺳﻴﺪن ﺑﻪ ﻳﻚ ﻣﺠﻤﻮﻋﻪ ﻣﻐﻠﻮب ﻧﺸﺪه ﺑﺎ ﺗﻮزﻳﻊ ﺣﻔﻆ ﺧﺎﺻﻴﺖ ﺗﺼﺎدﻓﻲ ﺑﻮدن ﺟﺴـﺘﺠﻮ اﺳـﺘﻔﺎده ﺷـﺪه
ﻣﻨﺎﺳﺐ؛
/66ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﻣﻬﻨﺪﺳﻲ ﺑﺮق ،ﺳﺎل اول ،ﺷﻤﺎره اول ،زﻣﺴﺘﺎن 1389
ﺗﻌﺪاد از اﺟﺮام را ﻣﻐﻠﻮب ﻣﻲ ﻛﻨـﺪ و ﺧـﻮدش ﺗﻮﺳـﻂ • اﺳﺘﻔﺎده از آرﺷﻴﻮ ﺧﺎرﺟﻲ ﺑﺮاي ﺟﻠﻮﮔﻴﺮي از ﻧﺎﺑﻮدي
ﭼﻪ ﺗﻌﺪادي از اﻓﺮاد ﻣﻐﻠﻮب ﻣﻲ ﺷﻮد. راه ﺣﻞﻫﺎي ﻣﻐﻠﻮب ﻧﺸﺪه و اﻧﺘﻘﺎل ﺑﻬﺘﺮﻳﻦ راه ﺣﻞ ﻫﺎ
ب -ﺑﺮآورد ﺗﺮاﻛﻢ ﻧﺰدﻳﻜﺘﺮﻳﻦ ﻫﻤﺴﺎﻳﻪ .اﻳﻦ روش، ﺑﻪ ﻧﺴﻞ ﺑﻌﺪ.
اﺟﺎزه راﻫﻨﻤﺎﻳﻲ دﻗﻴﻘﺘﺮ ﻓﺮاﻳﻨﺪ ﺟﺴﺘﺠﻮ را ﻣﻲ دﻫﺪ. ﺷﺒﻪ ﻛﺪ اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي در ﺷﻜﻞ 1ﻧﺸﺎن داده
ج -روش ﺑﺮش آرﺷﻴﻮ ﻛﻪ ﻧﮕﻬﺪاري راه ﺣﻞ ﻫـﺎي ﺷﺪه اﺳـﺖ .وﻳﮋﮔـﻲﻫـﺎي ﻛﻠـﻲ اﻟﮕـﻮرﻳﺘﻢ ﭘﻴﺸـﻨﻬﺎدي
اﻳﻨﻜﻪ در اﻧﺘﻬﺎ ﺗﻨﻬﺎ 2درﺻﺪ ﺟﻤﻌﻴـﺖ ﺑـﺮ ﺳـﺎﻳﺮ اﻋﻀـﺎ ﻣﺮاﺣﻞ اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي ﺑﻪ ﺷﺮح زﻳﺮ اﺳﺖ:
ﻧﻴﺮو وارد ﻣﻲ ﻛﻨﻨﺪ. اﻟﻒ -ﺗﻮﻟﻴـﺪ ﺟﻤﻌﻴـﺖ و آرﺷـﻴﻮ اوﻟﻴـﻪ :در اﻳـﻦ
ج :ﻣﺤﺎﺳﺒﻪ ﺑﺮازﻧﺪﮔﻲ ﻫﺮ ﻳـﻚ از اﻋﻀـﺎ ﺟﻤﻌﻴـﺖ ،ﺑﻪ ﺻﻮرت ﺗﺼـﺎدﻓﻲ ﺗﻮﻟﻴـﺪ ﻣـﻲ ﻣﺮﺣﻠﻪ ،ﺟﻤﻌﻴﺖ،
ﺟﻤﻌﻴﺖ را در ﻧﺴـﻞ ،tﻧﺸـﺎن ﻣـﻲ . ﺗﺮﻛﻴﺒﻲ در ،ﻣﻌـﺎدل ﺟﻤﻌﻴـﺖ اوﻟﻴـﻪ ﺷﻮد .آرﺷﻴﻮ اوﻟﻴﻪ،
ﻧﺸﺎن دﻫﻨﺪه آرﺷﻴﻮ در ﻧﺴﻞ ،اﺳﺖ .ﻣﺮاﺣـﻞ دﻫﺪ. ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد.
ﺗﺨﺼﻴﺺ ﺑﺮازﻧﺪﮔﻲ ﺑﺮاي ﻫﺮ ﻳﻚ از اﺟﺮام ﺑﻪ ﺻﻮرت ب :ﺑﺮاي ﺟﺎﺑﻪ ﺟﺎﻳﻲ ﻫـﺮ ﻋﻀـﻮ ﺟﻤﻌﻴـﺖ ﻳـﺎ ﺑـﻪ
زﻳﺮ اﺳﺖ: ﻋﺒﺎرﺗﻲ ،ﺗﻌﻴﻴﻦ ﻣﻮﻗﻌﻴﺖ ﺑﻌﺪي ﻫﺮ ﻋﺎﻣﻞ ،ﺗﻌـﺪاد best
ﺑﺮاي ﻫﺮ ﻋﻀﻮ ﺟﻤﻌﻴـﺖ و آرﺷـﻴﻮ. • ﻣﺤﺎﺳﺒﻪ ﻋﻀﻮ از آرﺷﻴﻮ ﺑﻪ ﻃﻮر ﺗﺼﺎدﻓﻲ اﻧﺘﺨﺎب ﻣﻲﺷـﻮد .در
ﻣﻌﺮف ﺗﻌﺪاد اﺟﺮاﻣـﻲ اﺳـﺖ ﻛـﻪ ﺗﻮﺳـﻂ ﻋﻀـﻮ i زﻣﺎن ﺷﺮوع اﻟﮕﻮرﻳﺘﻢ ﻫﻤﻪ اﺟﺮام آرﺷﻴﻮ روي ﻋﺎﻣﻠﻬﺎي
ﻣﻐﻠﻮب ﻣﻲ ﺷﻮد )راﺑﻄﻪ .(18 ﺟﻤﻌﻴﺖ اﺛﺮ ﻣـﻲ ﮔﺬارﻧـﺪ و ﺑـﺎ ﮔﺬﺷـﺖ زﻣـﺎن ﻣﻘـﺪار
)(18 kbestﺑﻪ ﺻﻮرت ﻳﻚ ﻧﺴﺒﺖ ﺧﻄﻲ ﻛﻢ ﻣـﻲ ﺷـﻮد ﺗـﺎ
اراﺋﻪ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﺪدي اﺳﺘﺎﻧﺪارد و ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ﺟﺒﺮان ﻛﻨﻨﺪه ﺗﻮان راﻛﺘﻴﻮ 67/
اﺟﺮام آرﺷﻴﻮ ﺑﻪ ﻃﻮر ﺗﺼﺎدﻓﻲ اﻧﺘﺨﺎب و ﻋﻤﻠﮕﺮ ﺟﻬﺶ ، ،ﺑﺮ اﺳـﺎس ﻣﻘـﺎدﻳﺮ ﻣﺤﺎﺳﺒﻪ ﺑﺮازﻧﺪﮔﻲ ﺧﺎم
روي آن ﻫﺎ اﻋﻤﺎل ﻣﻲ ﺷﻮد .در ﺻﻮرت ﻣﻐﻠﻮب ﺷـﺪن ﺑﺮاي ﻫﺮ ﻋﻀﻮ ﺟﻤﻌﻴﺖ و آرﺷﻴﻮ )راﺑﻄﻪ .(19
راه ﺣﻞ ﻗﺒﻠﻲ ﺗﻮﺳﻂ راه ﺣﻞ ﺟﺪﻳـﺪ ،راه ﺣـﻞ ﺟﺪﻳـﺪ )(19
ﻋﻀﻮ آرﺷﻴﻮ ﻣﻲ ﺷﻮد. ﺷﻮد ،ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ اﺳـﺖ در راﺑﻄﻪ ﺑﺎﻻ ،اﮔﺮ
و :اﮔﺮ ﺑﻪ ﺷﺮط ﺗﻮﻗﻒ رﺳﻴﺪه اﻳﻢ ،اﻟﮕﻮرﻳﺘﻢ ﭘﺎﻳـﺎن ﻛﻪ ﺟﺮم ﺗﻮﺳﻂ ﻫﻴﭻ ﻛـﺪام از اﻋﻀـﺎ ﻣﻐﻠـﻮب ﻧﺸـﺪه
اﺳﺖ.
ﻣﻲ ﻳﺎﺑﺪ؛ در ﻏﻴﺮ اﻳﻨﺼﻮرت ﺑـﻪ ﻣﺮﺣﻠـﻪ "ب" ﺑـﺮ ﻣـﻲ
• اﺳﺘﻔﺎده از روش ﻓﺎﺻﻠﻪ ﻧﺰدﻳﻜﺘـﺮﻳﻦ ﻫﻤﺴـﺎﻳﻪ kام،
ﮔﺮدﻳﻢ.
ﺑﺮاي ﻣﺘﻤﺎﻳﺰ ﻛﺮدن اﻓﺮادي ﻛﻪ داراي ﻣﻘﺎدﻳﺮ ﺑﺮازﻧـﺪﮔﻲ
ﻣﺴﺎوي ﻫﺴﺘﻨﺪ .ﻣﻌﻤﻮﻻ ،kﺑﺮاﺑﺮ ﺑﺎ ﻳﻚ در ﻧﻈـﺮ ﮔﺮﻓﺘـﻪ
-1-4ارزﻳﺎﺑﻲ اﻟﮕﻮرﻳﺘﻢ ﭼﻨﺪ ﻫﺪﻓﻪ ﭘﻴﺸﻨﻬﺎدي
ﻣﻲﺷﻮد .ﻓﺎﺻﻠﻪ ﻫﺮ ﻧﻘﻄﻪ ﺗـﺎ ﻧﺰدﻳﻜﺘـﺮﻳﻦ ﻫﻤﺴـﺎﻳﻪ اش
در اﻳﻦ ﺑﺨﺶ ﻧﺘﺎﻳﺞ ﭘﻴﺎده ﺳﺎزي اﻟﮕـﻮرﻳﺘﻢ وراﺛﺘـﻲ
ﻫﻤـﻮاره ﺑﺎ ،ﻧﺸﺎن داده ﻣﻲﺷﻮد .در راﺑﻄـﻪ ،20
[14] SPEA2اﻟﮕﻮرﻳﺘﻢ ﺑﻬﻴﻨﻪ ﺳـﺎزي ﺟﻤﻌﻴـﺖ ذرات
ﻛﻮﭼﻜﺘﺮ از ﻳﻚ اﺳﺖ.
[17] TVPSOو ﻧﺴﺨﻪ اوﻟﻴـﻪ اﻟﮕـﻮرﻳﺘﻢ ﭘﻴﺸـﻨﻬﺎدي
)(20
روي ﺗﻮاﺑﻊ ﺟﺪول ،1آورده ﻣﻲﺷـﻮد .در ﻛﻠﻴـﻪ روش
ﺑـﻪ ﻣﺤﺎﺳﺒﻪ ﺑﺮازﻧﺪﮔﻲ ﻫﺮ ﺟﺮم ﺑـﺎ اﻓـﺰودن
ﻫﺎي ﻓﻮق ﺗﻌﺪاد اﻋﻀﺎي ﺟﻤﻌﻴﺖ و آرﺷﻴﻮ ﺑﺮاﺑـﺮ 100
ﺑﺮازﻧﺪﮔﻲ ﺧﺎم آن ،ﻛﻪ ﻃﺒﻖ راﺑﻄﻪ ،22اﻧﺠﺎم ﻣﻲ ﺷﻮد.
ﻋﻀﻮ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ .ﺗﻌﺪاد ﺗﻜﺮارﻫـﺎ ﺑـﺮاي
)(21
ﻣﺴﺎﺋﻞ ﺑﺎ ﺑﻌﺪ 30ﺑﺮاﺑـﺮ 1500ﺗﻜـﺮار در ﻧﻈـﺮ ﮔﺮﻓﺘـﻪ
د :ﻣﺤﺎﺳﺒﻪ ﺟﺮم ،ﺷﺘﺎب و ﺳﺮﻋﺖ و ﻣﻜـﺎن ﺟﺪﻳـﺪ
ﺷﺪه اﺳﺖ .در اﺑﻌﺎد ﻛﻤﺘﺮ ،اﻟﮕﻮرﻳﺘﻢ ﻫﺎ ﺑـﺎ 500ﺗﻜـﺮار
ﻫﺮ راه ﺣﻞ ﻃﺒﻖ رواﺑﻂ ﺑﺨﺶ دوم.
اﺟﺮا ﺷﺪه اﻧﺪ .ﺟﺰﺋﻴﺎت اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﭘﻴﺎدهﺳﺎزي ﺷﺪه
ذ :ﺗﺮﻛﻴﺐ ﺟﻤﻌﻴﺖ و آرﺷﻴﻮ.
[14] SPEA2و [17] TVPSOﻣﻄﺎﺑﻖ ﭼﻴﺰي ﺑﻮده ﻛﻪ
ه :ﺑﻪ روز رﺳﺎﻧﻲ آرﺷـﻴﻮ .در اﻳـﻦ ﻣﺮﺣﻠـﻪ ﺑﻬﺘـﺮﻳﻦ
در ﻣﺮاﺟــﻊ ﻣﺮﺑﻮﻃــﻪ ﮔــﺰارش ﺷــﺪه اﺳــﺖ.در ﻣــﻮرد
اﻋﻀﺎي ﺟﻤﻌﻴﺖ و آرﺷﻴﻮ در ﻳـﻚ آرﺷـﻴﻮ ،ﻧﮕﻬـﺪاري
اﻟﮕﻮرﻳﺘﻢ ﭼﻨﺪ ﻫﺪﻓﻪ ﮔﺮاﻧﺸﻲ ﭘﻴﺸﻨﻬﺎدي آزﻣﻮن ﺷﺪ ﺗـﺎ
ﻣﻲ ﺷﻮﻧﺪ:
ﻣﻘــﺎدﻳﺮ ﺑﻬﻴﻨــﻪ ﻣﺸــﺨﺺ ﺷــﻮد .ﺑﻨــﺎﺑﺮاﻳﻦ ﭘﺎراﻣﺘﺮﻫــﺎي
• ﻛﭙﻲ ﻛﺮدن ﻫﻤﺔ اﺟﺮام ﻣﻐﻠﻮب ﻧﺸﺪه از آرﺷﻴﻮ و
اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي ﺑﺪﻳﻦ ﺗﺮﺗﻴﺐ ﺗﻨﻈﻴﻢ ﺷـﺪﻧﺪ ﻛـﻪ
ﺟﻤﻌﻴﺖ در آرﺷﻴﻮ ﻧﺴﻞ ﺑﻌﺪ )راﺑﻄﻪ .(22
و aﺑﻪ ﺗﺮﺗﻴﺐ ﺑﺮاﺑﺮ 100و 8و ﻧﺮخ ﺟﻬﺶ ﺑﺮاﺑـﺮ 0/1
)(22
درﻧﻈــﺮ ﮔﺮﻓﺘــﻪ ﺷــﺪ .در ﻧﻤــﻮدار ﻫــﺎي اراﺋــﻪ ﺷــﺪه در
ﺑﺎ اﻧﺘﺨﺎب ﺗﺼﺎدﻓﻲ ط :ﺳﺎﺧﺖ ﺟﻤﻌﻴﺖ ﺟﺪﻳﺪ
ﺷﻜﻞ 2ﻣﻨﺤﻨﻲﻫﺎي ﺟﺒﻬﻪ ﻣﻐﻠـﻮب ﻧﺸـﺪه ﺗﻮﻟﻴـﺪ ﺷـﺪه
. Nﺟﺮم از ﻣﻴﺎن ﺟﻤﻌﻴﺖ
ﺗﻮﺳﻂ اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي و اﻟﮕﻮرﻳﺘﻢﻫﺎي SPEA2و
ي :ﺟﻬﺶ ﺟﻤﻌﻴﺖ .ﻋﻤﻠﮕﺮ ﺟﻬﺶ ﺑﺮاي ﺟﻠﻮﮔﻴﺮي
TVPSOﺑﺮاي ﺗﻮاﺑﻊ ﻣﺤﻚ اﺳﺘﺎﻧﺪارد ﺟﺪول ،1ﻧﺸﺎن
از ﻫﻤﮕﺮاﻳﻲ زود ﻫﻨﮕﺎم اﻟﮕﻮرﻳﺘﻢ ﺑﻪ ﺳﻤﺖ ﺟﺒﻬﻪ ﺑﻬﻴﻨﻪ
داده ﺷﺪه اﺳﺖ.
ﭘﺮﺗﻮ ﻣﺤﻠﻲ اﺳﺘﻔﺎده ﻣﻲﺷﻮد .در اﻳﻦ ﻣﺮﺣﻠﻪ ﺗﻌﺪادي از
/68ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﻣﻬﻨﺪﺳﻲ ﺑﺮق ،ﺳﺎل اول ،ﺷﻤﺎره اول ،زﻣﺴﺘﺎن 1389
..
آزﻣﺎﻳﺸﻬﺎ ﻛﺎراﻳﻲ اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي را ﺗﺎﻳﻴﺪ ﻣﻲﻛﻨـﺪ. ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از آزﻣﺎﻳﺸﻬﺎي اﻧﺠﺎم ﺷﺪه روي ﺗﻮاﺑﻊ
در اداﻣﻪ از اﻟﮕﻮرﻳﺘﻢ ﻣﺬﻛﻮر ﺑﺮاي ﺣﻞ ﺟﺎﻳﺎﺑﻲ ﺟﺒـﺮان اﺳﺘﺎﻧﺪارد ،ﺑﻴﺎﻧﮕﺮ آن اﺳﺖ ﻛـﻪ اﻟﮕـﻮرﻳﺘﻢ ﭼﻨـﺪ ﻫﺪﻓـﻪ
ﻛﻨﻨﺪه ﻫﺎي اﺳﺘﺎﺗﻴﻚ ﺗﻮان راﻛﺘﻴﻮ در ﺷﺒﻜﻪﻫﺎي ﻗـﺪرت ﭘﻴﺸﻨﻬﺎدي ﺑﺎ آﺧﺮﻳﻦ دﺳﺘﺎوردﻫﺎي ﻣﻮﺟﻮد در اﻳﻦ زﻣﻴﻨﻪ
اﺳﺘﻔﺎده ﺧﻮاﻫﺪ ﺷﺪ. ﻗﺎﺑﻞ رﻗﺎﺑﺖ و ﻣﻘﺎﻳﺴﻪ اﺳـﺖ .ﺑـﻪ ﻋﺒـﺎرت دﻳﮕـﺮ ،اﻳـﻦ
اراﺋﻪ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﺪدي اﺳﺘﺎﻧﺪارد و ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ﺟﺒﺮان ﻛﻨﻨﺪه ﺗﻮان راﻛﺘﻴﻮ 69/
)ب( )اﻟﻒ(
)د( ) ج(
ﺷﻜﻞ ) :(2ﻣﻘﺎﻳﺴﻪ ﻛﺎراﻳﻲ اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي SPEA2 ،و TVPSOروي ﺗﻮاﺑﻊ اﻟﻒ( KURب( FONج( POL
د( ZDT2
ﻣﺒﺤﺚ ﭘﺎﻳﺪاري وﻟﺘﺎژ ﺑﻪ دو دﺳﺘﻪ ﭘﺎﻳﺪاري وﻟﺘﺎژ در -5ﺟﺎﻳﺎﺑﻲ ﺟﺒﺮان ﻛﻨﻨﺪه ﻫﺎي اﺳﺘﺎﺗﻴﻚ ﺗﻮان راﻛﺘﻴﻮ)
ﺑﺮاﺑﺮ اﻏﺘﺸﺎﺷﺎت ﻛﻮﭼـﻚ و ﭘﺎﻳـﺪاري وﻟﺘـﺎژ در ﺑﺮاﺑـﺮ (SVCدر ﺷﺒﻜﻪ ﻫﺎي ﻗﺪرت
اﻏﺘﺸﺎﺷﺎت ﺑﺰرگ ﺗﻘﺴﻴﻢ ﻣﻲﺷـﻮد .ﭘﺎﻳـﺪاري وﻟﺘـﺎژ در در ﻫﺮ ﺳﻴﺴﺘﻢ ﻗﺪرت ﻣﻬﻤﺘﺮﻳﻦ ﻫﺪف ،ﺗﺎﻣﻴﻦ ﺗـﻮان
ﺑﺮاﺑﺮ اﻏﺘﺸﺎﺷﺎت ﻛﻮﭼﻚ ﻣﺮﺑـﻮط ﺑـﻪ ﻗﺎﺑﻠﻴـﺖ ﺳﻴﺴـﺘﻢ ﻣﻮرد ﻧﻴﺎز ﻣﺼﺮف ﻛﻨﻨـﺪه ،ﺗﺤـﺖ وﻟﺘـﺎژ ﺛﺎﺑـﺖ ،ﺑـﺪون
ﺑﺮاي ﻛﻨﺘﺮل وﻟﺘـﺎژ در اﻏﺘﺸﺎﺷـﺎت ﻛﻮﭼـﻚ ،ﻫﻤﭽـﻮن ﻫﺎرﻣﻮﻧﻴﻚ و ﺑﺎ ﻓﺮﻛﺎﻧﺲ ﻣﻌﻴﻦ اﺳﺖ .ﺑﻨﺎﺑﺮاﻳﻦ ،ﭘﺎﻳﺪاري
ﺗﻐﻴﻴﺮات در ﺑﺎر ﺳﻴﺴﺘﻢ اﺳﺖ؛ در ﺣـﺎﻟﻲ ﻛـﻪ ﭘﺎﻳـﺪاري وﻟﺘﺎژ از ﻣـﻮارد ﻣﻬـﻢ در ﺷـﺒﻜﻪ ﻫـﺎي ﻗـﺪرت اﺳـﺖ.
وﻟﺘﺎژ در ﺑﺮاﺑﺮ اﻏﺘﺸﺎﺷﺎت ﺑـﺰرگ ﻣﺮﺑـﻮط ﺑـﻪ ﻗﺎﺑﻠﻴـﺖ ﭘﺎﻳﺪاري وﻟﺘﺎژ ﻗﺎﺑﻠﻴﺘﻲ از ﺳﻴﺴﺘﻢ اﺳﺖ ﻛـﻪ در ﺷـﺮاﻳﻂ
ﺳﻴﺴﺘﻢ ﺑﺮاي ﻛﻨﺘﺮل وﻟﺘﺎژ در ﺣﻀﻮر اﻏﺘﺸﺎﺷﺎت ﺑﺰرگ، ﻛﺎر ﻋﺎدي و ﻧﻴﺰ در ﺣﺎﻟﺖ ﺑﺮوز ﺧﻄﺎ در ﺷـﺒﻜﻪ ،وﻟﺘـﺎژ
ﻣﺎﻧﻨﺪ از دﺳﺖ دادن ژﻧﺮاﺗﻮر ﻣﻔﻬﻮم ﻣﻲ ﻳﺎﺑﺪ .در ﻫﻨﮕـﺎم آن در ﻣﺤﺪوده ﻣﺠﺎز ﺑﺎﻗﻲ ﻣﻲ ﻣﺎﻧﺪ.
ﺑﺮوز ﺧﻄﺎ ﺑـﺎ ﺗـﺪاﺑﻴﺮي ﻣﺜـﻞ وارد ﻛـﺮدن ﻳـﻚ ﺳـﺮي
/70ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﻣﻬﻨﺪﺳﻲ ﺑﺮق ،ﺳﺎل اول ،ﺷﻤﺎره اول ،زﻣﺴﺘﺎن 1389
ﺑﮕﺬارد .در اﻳﻦ ﻣﻮرد ،دو ﭘﺎراﻣﺘﺮ ﻣﻮرد ﺟﺴﺘﺠﻮ ،ﺑـﺎس ﻋﻨﺎﺻــﺮ ﺟﺒــﺮان ﻛﻨﻨــﺪه ﻫﻤﺎﻧﻨــﺪ ، SVC2ﻣــﻲ ﺗــﻮان از
ﻣﻨﺎﺳﺐ و اﻧﺪازه SVCﻫﺴﺘﻨﺪ. ﺑﺴﻴﺎري ﺣﻮادث ﻧﺎﺧﻮاﺳﺘﻪ ﻛﻪ ﺑﺎﻋﺚ ﺑـﻪ وﺟـﻮد آﻣـﺪن
ﻣﺴﺎﻟﻪ ﺟﺎﻳﺎﺑﻲ SVCﻣﻲ ﺗﻮاﻧﺪ ﺑـﺎ در ﻧﻈـﺮ ﮔـﺮﻓﺘﻦ ﺧﺎﻣﻮﺷﻲ در ﺷﺒﻜﻪ ﺧﻮاﻫﻨﺪ ﺷﺪ ،ﻣﺎﻧﻨﺪ ﻓﺮوﭘﺎﺷﻲ وﻟﺘـﺎژ
ﺗﻌﺪاد ﺗﻮاﺑﻊ ﻫﺪف ﻣﺘﻔﺎوت ﻃﺮاﺣﻲ ﺷـﻮد] .[23-18در ﺟﻠﻮﮔﻴﺮي ﻛﺮد .اﻳﻦ ﻋﻨﺎﺻﺮ اﮔﺮ در ﻣﺤﻞ ﻣﻨﺎﺳﺐ و ﺑـﻪ
اﻳﻦ ﻣﻘﺎﻟﻪ SVCﺑﻪ ﻃﻮر ﺑﻬﻴﻨـﻪ ﺑـﺮ اﺳـﺎس ﺳـﻪ ﻫـﺪف ﻣﻘﺪار ﻣﻌﻴﻦ اﻋﻤﺎل ﺷﻮﻧﺪ ،ﺗـﺎﺛﻴﺮ ﻣﻨﺎﺳـﺒﻲ در ﻋﻤﻠﻜـﺮد
ﺟﺎﻳﺎﺑﻲ ﻣﻲﺷﻮد .اﻳﻦ اﻫﺪاف ﺷﺎﻣﻞ :اﻟﻒ( ﺣﺪاﻗﻞ ﻛﺮدن ﺳﻴﺴﺘﻢ ﻣﻲ ﮔﺬارﻧﺪ .ﺗـﺎﻛﻨﻮن ﺗـﻼش ﻫـﺎﻳﻲ در ﺟﻬـﺖ
ﺗﻠﻔﺎت ﺗﻮان اﻛﺘﻴﻮ؛ ب( ﻛﺎﻫﺶ ﻫﺰﻳﻨـﻪ ﻧﺼـﺐ SVCو ﻛﺸﻒ روش ﻫﺎﻳﻲ ﺑﺮاي اﻃﻤﻴﻨﺎن از اﻣﻨﻴﺖ ﺳﻴﺴـﺘﻢ در
ج( ﺣﺪاﻗﻞ ﻛﺮدن اﻧﺤﺮاف وﻟﺘﺎژ ﻫﺴﺘﻨﺪ: ﺧﺼﻮص ﭘﺎﻳﺪاري وﻟﺘﺎژ ﺻـﻮرت ﮔﺮﻓﺘـﻪ اﺳـﺖ] -23
.[18ﻗﺎﺑﻠﻴﺖ ﺗﺤﻠﻴﻞ ﻣـﺪال 32ﺟﻬـﺖ ﺟﺎﻳـﺎﺑﻲ SVCدر
اﻟﻒ( ﺣﺪاﻗﻞ ﺷﺪن ﺗﻠﻔﺎت ﺗﻮان اﻛﺘﻴﻮ :ﻃﺒﻖ اﻳﻦ ] [19ﺑﺮرﺳﻲ ﺷﺪه اﺳﺖ ﻛﻪ ﺑﺎ اﻳﻦ روش ﻣﺴﺎﻟﻪ ﺟﺎﻳﺎﺑﻲ
ﻫﺪف ،ﺗﻠﻔﺎت ﻛﻞ ﺗﻮان اﻛﺘﻴﻮ ﺳﻴﺴﺘﻢ ﺑﺎﻳﺪﺣﺪاﻗﻞ ﺑﺎﺷﺪ: SVCﺑﺎ ﻣﺸﻜﻼﺗﻲ ﻣﻮاﺟﻪ ﻣﻲ ﺷﻮد؛ از ﺟﻤﻠﻪ ﻧﻤﻲ ﺗﻮان
)(23 ﻇﺮﻓﻴﺖ ﺑﻬﻴﻨﻪ را ﺑﺮاي SVCﭘﻴﺪا ﻛـﺮد .از آﻧﺠـﺎﻳﻲ ﻛـﻪ
داﻣﻨـﻪ و زاوﻳـﻪ وﻟﺘـﺎژ ﺑـﺎس و ﻛﻪ در آن ﺑﻪ ﻛﺎرﮔﻴﺮي SVCدر ﺷﺒﻜﻪ ﻫﺰﻳﻨﻪﺑﺮ اﺳـﺖ ،ﺑﻨـﺎﺑﺮاﻳﻦ،
داﻣﻨﻪ و زاوﻳﻪ ادﻣﻴﺘـﺎﻧﺲ ﺧـﻂ ﺑـﻴﻦ و اﺳﺖ و ﺑﻬﻴﻨــﻪ ﻛــﺮدن ﻫﺰﻳﻨــﻪ SVCاز ﻃﺮﻳــﻖ اﺳــﺘﻔﺎده آن در
ﺑﺎس و اﺳﺖ. ﺑﻬﺘﺮﻳﻦ ﻣﻜﺎن و ﺑﺎ ﺑﻬﺘﺮﻳﻦ ﻇﺮﻓﻴﺖ در ﺷﺒﻜﻪ ﺑﺴﻴﺎر ﻣﻔﻴﺪ
اﺳﺖ .از اﻳﻦرو ،ﻟﺰوم ﺑﻜﺎرﮔﻴﺮي اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺑﻬﻴﻨـﻪ
ب( ﺑﻴﺸﺘﺮﻳﻦ اﻧﺤﺮاف وﻟﺘﺎژ :اﻧﺤﺮاف وﻟﺘﺎژ در ﻫـﺮ ﺳﺎز ﻧﻤﻮد ﺑﻴﺸﺘﺮي ﺧﻮاﻫﺪ ﻳﺎﻓﺖ .در اﻳﻦ راﺳﺘﺎ ﻗﺎﺑﻠﻴـﺖ
ﺑﺎﺳﺒﺎر ﺑﺎﻳﺪ در ﺣﺪاﻗﻞ ﻣﻘﺪار ﻣﻤﻜﻦ ﺑﺎﺷﺪ. اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺑﻬﻴﻨﻪ ﺳﺎز ﻣﺘﻔﺎوﺗﻲ در ] -23
)(24 [18ارزﻳﺎﺑﻲ ﺷﺪه اﺳﺖ.
Ωﻣﺠﻤﻮﻋﻪ ﺗﻤﺎم ﺑﺎسﻫﺎي ﺳﻴﺴﺘﻢ ﺑﻮده Vk ،داﻣﻨﻪ
وﻟﺘﺎژ در ﺑﺎﺳﺒﺎر kام و Vrefkوﻟﺘﺎژ ﻣﺮﺟﻊ در ﺑﺎﺳـﺒﺎر k -1-5ﻓﺮﻣﻮل ﺑﻨﺪي ﻣﺴﺎﻟﻪ
ام اﺳﺖ. ﺟﺎﻳﺎﺑﻲ SVCﺑﺮ اﺳﺎس وﻳﮋﮔﻲ ﻛﻨﺘﺮﻟﻲ اﺑﺘـﺪاﻳﻲ آن
ج( ﺗﺎﺑﻊ ﻫﺰﻳﻨﻪ :SVCﺗﺎﺑﻊ ﻫﺰﻳﻨـﻪ ﺑـﺮاي SVCدر ﻛﻪ ﻛﻨﺘﺮل وﻟﺘﺎژ اﺳﺖ اﻧﺠﺎم ﻣﻲ ﺷﻮد .از ﻃﺮﻓﻲ ،ﺑﻬـﺮه-
واﺣﺪ ) (US$ / k-VArﺑﻮده و ﺑﺎ ﻣﻌﺎدﻟﻪ زﻳـﺮ ﺑﺪﺳـﺖ ﮔﻴــﺮي از وﻳﮋﮔــﻲﻫــﺎي ﻛﻨﺘﺮﻟــﻲ اﻳــﻦ ادوات ارﺗﺒــﺎط
ﻇﺮﻓﻴﺖ ﻣﮕﺎواري SVCاﺳﺖ. ﻣﻲ آﻳﺪ. ﻧﺰدﻳﻜﻲ ﺑﺎ ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ )ﻣﺤﻞ و ﻇﺮﻓﻴﺖ ﻣﻨﺎﺳﺐ( اﻳﻦ
)(25 ادوات دارد .اﮔﺮ SVCدر ﻣﻜﺎن ﻣﻨﺎﺳﺐ و ﺑﺎ ﻇﺮﻓﻴـﺖ
در اداﻣﻪ ،ﺑﻪ ﭼﮕـﻮﻧﮕﻲ ﺣـﻞ ﭼﻨـﺪ ﻫﺪﻓـﻪ ﻣﺴـﺄﻟﻪ ﺑﻬﻴﻨﻪ در ﺳﻴﺴﺘﻢ ﻗﺪرت ﺟﺎﻳﮕﺬاري ﺷﻮد ،ﻣﻲﺗﻮاﻧﺪ ﺗﺎﺛﻴﺮ
ﺟﺎﻳﺎﺑﻲ SVCﺑﺎ اﻟﮕـﻮرﻳﺘﻢ ﺟﺴـﺘﺠﻮي ﮔﺮاﻧﺸـﻲ ﭼﻨـﺪ ﻓﺮاواﻧﻲ ﺑﺮ ﻋﻤﻠﻜـﺮد ﺳﻴﺴـﺘﻢ و ﻛـﻢ ﻛـﺮدن ﻫﺰﻳﻨـﻪﻫـﺎ
ﻫﺪﻓﻪ) (MOGSAﭘﺮداﺧﺘﻪ ﻣﻲﺷﻮد.
اراﺋﻪ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﺪدي اﺳﺘﺎﻧﺪارد و ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ﺟﺒﺮان ﻛﻨﻨﺪه ﺗﻮان راﻛﺘﻴﻮ 71/
G16
ﻃﺒﻖ ﻣﺮاﺣﻞ دﻫﮕﺎﻧﻪ ﺷﺒﻪ ﻛﺪ ﺷﻜﻞ ،1اﺟﺮا ﻣـﻲ ﺷـﻮد. • اﻟﮕﻮرﻳﺘﻢ وراﺛﺘﻲ SPEA2
ﺑﺨﺸﻲ از ﺟـﻮابﻫـﺎي ﭘﺮﺗـﻮ ﺣﺎﺻـﻞ از ﺣـﻞ ﻣﺴـﺎﻟﻪ ﺟﻤﻌﻴﺖ اوﻟﻴﻪ ﺑﺎ 100ﻋﻀﻮ ﺑﻪ ﺻﻮرت ﺗﺼﺎدﻓﻲ در
ﺗﻮﺳــﻂ اﻟﮕــﻮرﻳﺘﻢ ﻫــﺎي MOGSAو SPEA2در ﻓﻀﺎي ﺟﺴﺘﺠﻮ ﺗﻮﻟﻴﺪ ﻣﻲ ﺷﻮد .اﻧﺪازه آرﺷـﻴﻮ در اﻳـﻦ
ﺟــﺪاول ) (2و ) (3آورده ﺷــﺪه اﺳــﺖ .اﮔــﺮ ﭼــﻪ روش 100در ﻧﻈـــﺮ ﮔﺮﻓﺘـــﻪ ﻣـــﻲﺷـــﻮد .ﺗﺨﺼـــﻴﺺ
ﺟﻮابﻫﺎي اراﺋﻪ ﺷﺪه از ﻧﻈﺮ ﻣﻔﺎﻫﻴﻢ ﭘﺮﺗﻮ ﺑﺮ ﻳﻜـﺪﻳﮕﺮ ﺷﺎﻳﺴﺘﮕﻲ ،ﻣﺤﺪود ﺳﺎزي آرﺷﻴﻮ و اﻧﺘﺨﺎب ﺑـﺮ ﻣﺒﻨـﺎي
ﺑﺮﺗﺮي ﻧﺪارﻧـﺪ ،اﻣـﺎ ﺑـﺎ رﺟـﻮع ﺑـﻪ داﻧـﺶ ﻣﻮﺟـﻮد در ﻣﺮﺟﻊ ] [14اﻧﺠﺎم ﻣﻲﺷﻮد .در اﻳﻦ روش ﻓﺮزﻧـﺪان ﺑـﺎ
ﻣﻬﻨﺪﺳﻲ ﺑﺮق ﺑﻪ ﻧﻈﺮ ﻣﻲرﺳـﺪ ﺟـﻮاب اراﺋـﻪ ﺷـﺪه در ﻋﻤﻠﮕﺮ ﻫﻤﺒﺮي و ﺟﻬﺶ ﺗﻮﻟﻴﺪ ﻣﻲ ﺷﻮﻧﺪ .ﻧﺮخ ﺟﻬـﺶ
ﺑﺎس ﺷﻤﺎره 1ﺑﺎ ﻣﻘﺪار ﻇﺮﻓﻴﺖ SVCﺑﺮاﺑـﺮ 546ﻳـﺎ ﺑﺮاﺑﺮ 0.1و ﻧﺮخ ﻫﻤﺒﺮي 0.9در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ.
540ﻣﮕﺎوار ﻣﻨﻄﻘﻲﺗﺮ از ﺳﺎﻳﺮ ﺟﻮابﻫـﺎ ﺑﺎﺷـﺪ .ﻋﻠـﺖ ﻫﻤﭽﻨﻴﻦ ﺗﻌﺪاد ﺗﻜﺮارﻫﺎ ﺑﺮاﺑﺮ ﺑﺎ 70اﺳﺖ.
اﻧﺘﺨﺎب اﻳﻦ اﺳﺖ ﻛﻪ اﮔﺮ SVCدر ﺑﺎس 1ﺑﺎ ﻇﺮﻓﻴـﺖ
540ﻳﺎ 546ﻣﮕﺎوار ﺟﺎﻳﺎﺑﻲ ﺷﻮد ،ﺳﻴﺴﺘﻢ از ﻣﺸﺨﺼـﻪ اﻟﮕﻮرﻳﺘﻢ ﮔﺮاﻧﺸﻲ MOGSA •
ﻣﻨﺎﺳﺒﻲ ﺑﺮﺧﻮردار ﻣﻲ ﺷﻮد .ﺑـﻪ ﻋﺒـﺎرت دﻳﮕـﺮ ،ﻃﺒـﻖ ﺑـﺮاي ﺣـﻞ ﻣﺴــﺎﻟﻪ ﺟﺎﻳـﺎﺑﻲ SVCﺑـﺎ اﺳــﺘﻔﺎده از
ﺟﺪول ، 2ﺑﻴﺸﺘﺮﻳﻦ اﻧﺤﺮاف وﻟﺘﺎژ و ﺗﻠﻔـﺎت ﻣﻴﻨـﻴﻤﻢ و MOGSAﺟﻤﻌﻴــﺖ اوﻟﻴــﻪ ﺑــﺎ 100ﻋﻀــﻮ ﺑﺼــﻮرت
ﻫﺰﻳﻨﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ دو ﻫﺪف دﻳﮕﺮ ﻗﺎﺑﻞ ﻗﺒﻮل اﺳﺖ .اﻣـﺎ ﺗﺼﺎدﻓﻲ در ﻓﻀﺎي ﺟﺴﺘﺠﻮ ﺗﻮﻟﻴـﺪ ﻣـﻲ ﺷـﻮد .اﻧـﺪازه
اﮔﺮ SVCدر ﺑﺎس 1ﺑﺎ ﻇﺮﻓﻴﺖ 596ﻣﮕـﺎوار ﺟﺎﻳـﺎﺑﻲ ﺣﺎﻓﻈﻪ آرﺷﻴﻮ 100ﺟﺮم در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ .ﻫـﺮ
ﺷﻮد )آﺧﺮﻳﻦ ردﻳﻒ ﺟﺪول (2در اﻳﻦ ﺣﺎﻟـﺖ ﺗﻠﻔـﺎت ﺟﺮم ﺷﺎﻣﻞ 2ﭘﺎراﻣﺘﺮ ﻣﺤﻞ SVCو ﻇﺮﻓﻴﺖ آن اﺳـﺖ.
ﻛﻤﺘﺮ ﻣﻲ ﺷﻮد ،اﻣﺎ دو ﻫﺪف دﻳﮕﺮ اﻓﺰاﻳﺶ ﻣﻲ ﻳﺎﺑﺪ. ﻫﻤﭽﻨﻴﻦ ﺗﻌﺪاد ﺗﻜﺮارﻫﺎ ﺑﺮاﺑﺮ ﺑﺎ 70اﺳﺖ .اﻟﮕﻮرﻳﺘﻢ ﺑـﺮ
اراﺋﻪ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﺪدي اﺳﺘﺎﻧﺪارد و ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ﺟﺒﺮان ﻛﻨﻨﺪه ﺗﻮان راﻛﺘﻴﻮ 73/
ﺑﻬﻴﻨﻪ ﭘﺮﺗﻮ ذﺧﻴـﺮه ﺷـﺪه در آرﺷـﻴﻮ ﺗﻮﺳـﻂ اﻟﮕـﻮرﻳﺘﻢ در اﻳﻦ ﻣﻘﺎﻟﻪ SVC ،در ﺑﺎس ﺷﻤﺎره 1ﺑﺎ ﻇﺮﻓﻴـﺖ
ﭘﻴﺸﻨﻬﺎدي در ﺷﻜﻞ) (4آﻣﺪه اﺳﺖ. 546ﻣﮕﺎوار ﻗﺮار داده ﻣﻲ ﺷﻮد .ﺗﺼﻮﻳﺮ ﭘﺎﺳـﺦ ﻫـﺎي
ﺷﻜﻞ ) :(4ﺗﺼﻮﻳﺮ ﭘﺮﺗﻮ ﭘﺎﺳﺦ ﻫﺎي ذﺧﻴﺮه ﺷﺪه در آرﺷﻴﻮ روش ﭘﻴﺸﻨﻬﺎدي
اراﺋﻪ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﺪدي اﺳﺘﺎﻧﺪارد و ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ﺟﺒﺮان ﻛﻨﻨﺪه ﺗﻮان راﻛﺘﻴﻮ 75/
SVCدر اﻳﻦ ﺑﺎس ،وﻟﺘﺎژﻫـﺎي ﻫـﺮ ﺑـﺎس ﺑﻬﺘـﺮ ﺷـﺪه، ﺷﻜﻞ ) (5و ) (6داﻣﻨﻪ وﻟﺘﺎژ ﺑﺎس ﻫـﺎي ﺳﻴﺴـﺘﻢ را
ﺑﻴﺸﺘﺮ از 1.05ﻫﻢ وﻟﺘﺎژي ﻧﺨﻮاﻫﻴﻢ داﺷﺖ. ﭘﻴﺶ و ﭘﺲ از ﺟـﺎيﮔـﺬاري SVCﻧﺸـﺎن ﻣـﻲ دﻫـﺪ.
ﻫﻤﺎن ﻃﻮر ﻛﻪ ﻣﺸﺎﻫﺪه ﻣﻲ ﻛﻨﻴﺪ ،ﭘﺲ از ﺟـﺎيﮔـﺬاري
1.1
1.05
voltage in pu
1
0.95
0.9
0.85
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65
1.1
1.05
voltage in pu
1
0.95
0.9
0.85
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65
internal bus number
ارزﻳﺎﺑﻲ ﺷﺪه اﺳﺖ ،اﻣﺎ اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻫﺎ ﺑﺮاي اﻧﺘﺨـﺎب ﺑﺮاي اﺛﺒﺎت ﻛﺎراﻳﻲ اﻟﮕﻮرﻳﺘﻢ MOGSAدر ﺟﺎﻳﺎﺑﻲ
ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﺑﻬﻴﻨﻪ از روش وزﻧﻲ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨـﺪ. SVCﻧﺘﺎﻳﺞ ﺑﻪ دﺳﺖ آﻣﺪه ﺑﺎ ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از اﻟﮕﻮرﻳﺘﻢ
در ﻧﺘﻴﺠﻪ اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻫﺎ ﺗﻨﻬﺎ ﻗﺎدر ﺑﻪ ﻳﺎﻓﺘﻦ راه ﺣﻠّـﻲ وراﺛﺘﻲ SPEA2ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﺷﻮد.
ﺑﻪ ﻋﻨﻮان ﺟﻮاب ﺑﻬﻴﻨﻪ ﻫﺴﺘﻨﺪ ،در ﺣﺎﻟﻲ ﻛـﻪ اﻟﮕـﻮرﻳﺘﻢ ﺟﻮاب ﺑﻬﻴﻨﻪ ﻳﺎﻓﺘﻪ ﺷـﺪه ﺗﻮﺳـﻂ ﻫـﺮ دو اﻟﮕـﻮرﻳﺘﻢ
MOGSAﺑﺎ اﺳﺘﻔﺎده از ﻣﻔﻬﻮم ﭘﺮﺗﻮ ،ﺗﻮاﻧﺴﺖ ﻣﺠﻤﻮﻋﻪ MOGSAو SPEA2ﻳﻜﺴﺎن اﺳـﺖ .ﺑـﺎس ﺑﻬﻴﻨـﻪ در
اي از ﺟﻮاب ﻫﺎي ﺑﻬﻴﻨﻪ را در ﻳﻚ آرﺷﻴﻮ ﻗـﺮار دﻫـﺪ. ﺑــﺎس ﺷــﻤﺎره 1و ﻣﻘــﺪار SVCﺑﺮاﺑــﺮ 546ﻣﮕــﺎوار
در واﻗــﻊ ،ﺣــﻞ اﻳــﻦ ﻣﺴــﺎﻟﻪ ﺑــﺎ اﺳــﺘﻔﺎده از اﻟﮕــﻮرﻳﺘﻢ ﺗﺸﺨﻴﺺ داده ﺷـﺪ .ﺗـﺎﻛﻨﻮن ﻣﺴـﺎﻟﻪ ﺟﺎﻳـﺎﺑﻲ SVCدر
MOGSAاﻳﻦ ﻗﺎﺑﻠﻴﺖ را دارد ﻛﻪ آزادي ﻋﻤـﻞ ﻣـﺎ را ﺷﺒﻜﻪ ﻫـﺎي ﻗـﺪرت ،ﺗﻮﺳـﻂ اﻟﮕـﻮرﻳﺘﻢ ﻫـﺎﻳﻲ ،ﭼـﻮن
در اﻧﺘﺨﺎب ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﺑﻬﻴﻨﻪ ﺑﺎﻻ ﻣﻲ ﺑﺮد و ﻣﺎ ﻋﻼوه PSO ،GCPSOو GAو اﻟﮕﻮرﻳﺘﻢ اﻳﻤﻨﻲ در][22-23
/76ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﻣﻬﻨﺪﺳﻲ ﺑﺮق ،ﺳﺎل اول ،ﺷﻤﺎره اول ،زﻣﺴﺘﺎن 1389
و ﺗﻮزﻳــﻊ ﻣﻨﺎﺳــﺐ راه ﺣــﻞ ﻫــﺎ ،اراﺋــﻪ ﻣــﻲ دﻫــﺪ؛ ﺑــﻪ ﺑﺮ اﻧﺘﺨﺎب ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ،ﺣﻖ اﻧﺘﺨﺎب ﺟـﻮاب ﻫـﺎي
ﺧﺼـــﻮص روش ﭘﻴﺸـــﻨﻬﺎدي از ﻫﻤﮕﺮاﻳـــﻲ ﺧـــﻮﺑﻲ ﺑﻬﻴﻨﻪ دﻳﮕﺮي را ﻧﻴﺰ ﺧﻮاﻫﻴﻢ داﺷﺖ.
ﺑﺮﺧﻮردار اﺳﺖ و ﻗﺎدر ﺑﻪ ﻳﺎﻓﺘﻦ راه ﺣﻞ ﻫـﺎي ﺣـﺪي
اﺳــﺖ .ﻫﻤﭽﻨــﻴﻦ ،در اﻳــﻦ ﻣﻘﺎﻟــﻪ ﺗﻮاﻧــﺎﻳﻲ اﻟﮕــﻮرﻳﺘﻢ -7ﻧﺘﻴﺠﻪﮔﻴﺮي
ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸـﻲ ﭼﻨـﺪ ﻫﺪﻓـﻪ در ﺟﺎﻳـﺎﺑﻲ ﺟﺒـﺮان اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸـﻲ اﻟﮕـﻮرﻳﺘﻢ ﺷـﻬﻮدي
ﻛﻨﻨﺪه ﻫﺎي اﺳﺘﺎﺗﻴﻚ ﺗﻮان راﻛﺘﻴﻮ در ﺷﺒﻜﻪ ﻫﺎي ﻗﺪرت ﺟﺪﻳﺪي اﺳﺖ ﻛﻪ ﺑﺎ ﺑﻬـﺮه ﮔﻴـﺮي از ﻗـﺎﻧﻮن ﺟﺎذﺑـﻪ در
ﺑـﻪ اﺛﺒـﺎت رﺳـﻴﺪ .ﺷــﺎﻳﺎن ذﻛـﺮ اﺳـﺖ ﺟﺎﻳــﺎﺑِﻲ ادوات ﻃﺒﻴﻌﺖ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﺗﻚ ﻫﺪﻓﻪ ﭘﺎﻳـﻪ رﻳـﺰي ﺷـﺪه
FACTSﺑﺮ اﺳﺎس وﻳﮋﮔﻲ ﻛﻨﺘﺮﻟﻲ اﺑﺘﺪاﻳﻲ آﻧﻬـﺎ اﻧﺠـﺎم اﺳﺖ .اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺑﺎ اﻟﻬﺎم از ﻗﺎﻧﻮن ﺟﺎذﺑـﻪ و ﻧﻴـﺮوي
ﻣﻲ ﺷﻮد و ﺳﭙﺲ ﺗﻮاﻧﺎﻳﻲ آﻧﻬﺎ در ﻣﻴﺮا ﻛﺮدن ﻧﻮﺳﺎنﻫـﺎ ﮔﺮاﻧﺶ ﻣﻌﺮﻓﻲ و ﭘﺎراﻣﺘﺮﻫﺎي آن ﺑﻪ ﺻـﻮرت ﺷـﻬﻮدي
ﺑﺮرﺳﻲ ﻣﻲ ﮔﺮدد .ﻣﺜﻼ ﺑﺮاي SVCﺟﺎﻳﺎﺑﻲ ﺑـﺮ اﺳـﺎس ﺗﻨﻈﻴﻢ ﺷﺪه اﺳﺖ .ﻋﺎﻣﻞ ﻫﺎي ﺟﺴﺘﺠﻮ ﻛﻨﻨﺪه ﻣﺠﻤﻮﻋـﻪ
ﻛﻨﺘﺮل وﻟﺘﺎژ ﺻﻮرت ﻣﻲ ﭘﺬﻳﺮد و ﺳﭙﺲ ﻗﺎﺑﻠﻴـﺖ آن را اي از اﺟﺮام ﻫﺴﺘﻨﺪ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑـﻪ ﺻـﻮرت ﺳـﻴﺎره
در ﻣﻴﺮا ﻛﺮدن ﻧﻮﺳﺎن ﻫـﺎ ﺑـﺎ اﺳـﺘﻔﺎده از ﻛﻨﺘـﺮل ﻛﻨﻨـﺪه ﻫﺎي ﻳﻚ ﻣﻨﻈﻮﻣﻪ ﺗﺼﻮر ﺷﻮﻧﺪ .اﻃﻼﻋـﺎت ﻣﺮﺑـﻮط ﺑـﻪ
ﻣﻜﻤﻞ ﻣﻮرد ﺑﺮرﺳﻲ ﻗﺮار ﻣـﻲ ﮔﻴـﺮد .ﻃﺮاﺣـﻲ ﻛﻨﺘـﺮل ﺑﺮازﻧﺪﮔﻲ ﻫﺮ ﺟـﺮم در ﻗﺎﻟـﺐ ﺟـﺮم ﻫـﺎي ﮔﺮاﻧﺸـﻲ و
ﻛﻨﻨﺪه ﻣﻜﻤـﻞ ﺑـﺮ اﺳـﺎس اﻫـﺪاﻓﻲ دﻳﮕـﺮ ،ﻣﺘﻔـﺎوت از اﻳﻨﺮﺳﻲ ذﺧﻴﺮه ﻣﻲ ﺷﻮد .ﺗﺒﺎدل اﻃﻼﻋﺎت و اﺛﺮ ﮔـﺬاري
اﻫﺪاف ﺟﺎﻳﺎﺑﻲ؛ ﻣﺜﻼ ﻣﻴـﺰان ﺟﺎﺑﺠـﺎﻳﻲ ﺑـﺪﺗﺮﻳﻦ ﻣﻘـﺪار اﺟﺮام روي ﻳﻜﺪﻳﮕﺮ ﺗﺤﺖ ﺗﺎﺛﻴﺮ ﻧﻴﺮوي ﮔﺮاﻧﺶ اﻧﺠـﺎم
وﻳﮋه و اﻧﺘﻘﺎل آن ﺑﻪ ﻧﻴﻤﻪ ﭼﭗ ﺻـﻔﺤﻪ sﺻـﻮرت ﻣـﻲ ﻣﻲ ﺷﻮد.
ﭘﺬﻳﺮد .از آﻧﺠﺎﻳﻲ ﻛﻪ ﻃﺮاﺣﻲ ﻛﻨﺘـﺮل ﻛﻨﻨـﺪه ﻣﻜﻤـﻞ از ﺑﺴﻴﺎري از ﻣﺴﺎﺋﻞ دﻧﻴﺎي واﻗﻌﻲ ﺑـﺎ ﭼﻨـﺪﻳﻦ ﻫـﺪف
ﺣﻮﺻﻠﻪ اﻳﻦ ﻣﻘﺎﻟﻪ ﺧﺎرج اﺳﺖ ،ﻋﻼﻗﻪ ﻣﻨﺪان ﻣﻲ ﺗﻮاﻧﻨﺪ ﻣﺘﻀﺎد ﺳﺮو ﻛـﺎر دارﻧـﺪ ﻛـﻪ ﺑﺎﺗﻮﺟـﻪ ﺑـﻪ ﺑـﺪﻳﻊ ﺑـﻮدن
ﺑﻪ ﻣﺮﺟﻊ] [25ﻣﺮاﺟﻌﻪ ﻛﻨﻨﺪ ﻛﻪ ﻣﺴـﺎﻟﻪ ﭘﺎﻳـﺪاري را در اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ،ﺗﺎ ﻛﻨـﻮن روﺷـﻲ ﺑـﺮاي
ﺷﺒﻜﻪ ﻣـﻮرد ﻧﻈـﺮ ﺑﺮرﺳـﻲ ﻛـﺮده ،ﺑـﻪ ﺑﻴـﺎن ﺟﺰﻳﻴـﺎت ﺣﻞ ﻣﺴﺎﺋﻞ ﭼﻨﺪ ﻫﺪﻓﻪ ﺑﺎ اﺳﺘﻔﺎده از اﻳﻦ اﻟﮕﻮرﻳﺘﻢ اراﺋﻪ
ﻣﻲﭘﺮدازد. ﻧﺸﺪه اﺳﺖ .در اﻳﻦ ﻣﻘﺎﻟﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻔﺎﻫﻴﻢ اﺳﺎﺳـﻲ
ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﻨﺪ ﻫﺪﻓﻪ ،روش ﺟﺪﻳﺪي ﻣﺒﺘﻨﻲ ﺑـﺮ اﻳـﻦ
ﻣﻨﺎﺑﻊ: اﻟﮕﻮرﻳﺘﻢ ،ﺑﺎ ﻧﺎم اﻟﮕـﻮرﻳﺘﻢ ﺟﺴـﺘﺠﻮي ﮔﺮاﻧﺸـﻲ ﭼﻨـﺪ
][1 Zitzler, E. and Thiele, L., "Multiobjective ﻫﺪﻓﻪ ) (MOGSAﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﭼﻨﺪ ﻫﺪﻓـﻪ اراﺋـﻪ
Evolutionary Algorithms: A Comparative
Case Study and the Strength pareto ﺷﺪ .ﺑﺮاي ﻣﻘﺎﻳﺴﻪ ﻛﺎراﻳﻲ اﻟﮕﻮرﻳﺘﻢ ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ
approach", IEEE Transactions on
Evolutionary Computation, 1999, vol.3 , ﺑﺎ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي وراﺛﺘﻲ و ﺟﻤﻌﻴـﺖ ذرات از ﭼﻨـﺪﻳﻦ
no.4, pp. 257-271, 1999.
[2] Holland, J.H., " adaptation in natural and
ﺗﺎﺑﻊ ﻣﺤﻚ اﺳﺘﺎﻧﺪارد اﺳﺘﻔﺎده ﺷﺪ .ﺑﺎ ﺗﻮﺟـﻪ ﺑـﻪ ﻧﺘـﺎﻳﺞ
Artifical System",University of Michigan
آزﻣﺎﻳﺸﻬﺎ ،اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓـﻪ در
press, Ann Arbor, MI, 1975.
[3] Farmer, J.D., Packard, N.H. and اﻛﺜﺮ ﺗﻮاﺑﻊ اﺳﺘﺎﻧﺪارد ﻋﻤﻠﻜﺮد ﻣﻨﺎﺳﺒﻲ از ﻧﻈﺮ ﻫﻤﮕﺮاﻳﻲ
Perelson, A.S., " The immune system,
77/ اراﺋﻪ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﺪدي اﺳﺘﺎﻧﺪارد و ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ﺟﺒﺮان ﻛﻨﻨﺪه ﺗﻮان راﻛﺘﻴﻮ
[14] Zitzler, E., Thiele, L., Laumanns, C., adaptation, and machine learning",
Fonseca, C.M., "performance assessment Physica D 22, pp. 187–204. 1986.
of multi-objective optimization: An [4] Dorigo, M., Maniezzo, V. and Colorni,
analysis and review", Technical Report A., "The Ant System: optimization by a
139, Computer Engineering and colony of cooperating agents", IEEE
Networks Laboratory(TIK) , 2002. Transaction on systems, Man, and
[15] Silverman, B.W. (1986), "Density Cybernetics-part B, vol. 26, no.1, pp. 1-
estimation for statistics and data 13, 1996.
analysis", Chapman and Hall, London, [5] Kennedy, J. and Eberhart, R.C., "Particle
1986. swarm optimization", Proceedings of
[16] Horn, J., Nafpliotis, N., Goldberg, D.E., IEEE International Conference on Neural
"A niched pareto genetic algorithm for Networks, vol. 4, pp. 1942–1948, 1995.
multi-objective optimization", In [6] Rashedi, E. and Nezamabadi, H. and
proceeding of the first conference on Saryazdi, S., "A Gravitational Search
evolutionary computation, IEEE world Algorithm", Information Sciences, pp.
congress on computational computation, 2232-2248,vol. 179, no. 13, 2009.
vol. 1, pp. 82-87. Piscataway, Nj, 1994. [7] Zitzler, E., "Evolutionary Algorithms for
[17] Tripathi, P.K., Bandyopadhyay, S., Pal, Multiobjective Optimization: methods
S.K., "Multi- Objective Particle Swarm and aplications", Ph.D. thesis, Shaker
Optimization with time variant inertia and Verlag, Aachen, Germany, 1999.
acceleration coefficients", Information [8] Hajela, E. P. and lin, C.Y., "Genetic
Science 177, pp. 5033-5049, 2007. Search Strategies in Multicriterion
[18] Gerbex, S., Cherkaoui, R. and Germond, Optimal Design", Structural
A.J., “Optimal location of Multi-type Optimization, vol.4, pp. 99-107 , 1992.
FACTS devices in a power system by [9] Shaffer, J.D., "Multiple Objective
means of genetic Algorithms”, IEEE Optimization with vector evaluated
Trans. Power Syst., vol. 16, No. 3, genetic algorithms", International
pp.537-544, 2001. Conference on Genetic Algorithm and
[19] Ebrahimi, S., Farsangi, M. M., their application, pp. 93-100, Pittsburgh,
Nezamabadi-Pour, H. and lee, K. Y., PA, 1985.
“Optimal Allocation of STATIC VAR [10] Kursawe, F., "A variant of evolution
COMPENSATORS using modal analysis, strategies for vector optimization", In H.-
simulated annealing and Tabu search”, in p. Schawefel and R. Manner, editors,
Proc. 2006 IFAC Symposium on Power Parallel Problem Solving fro Nature, pp.
Plants and Power Systems, Calgary, 193-197,Berlin, Springer , 1991.
Canada, July, 2006. [11] Goldberg, D., "Genetic Algorithm in
[20] Farsangi, M M., Nezamabadi-Pour, H. Search, Optimization, and Machine
and Lee, K. Y., "Multi-objective VAr Learning". Addison-Wesley, Reading,
planning with SVC for a large power Massachusetts, 1989.
system using PSO and GA," in Proc. 2006 [12] Fonseca, C.M. and Fleming, P.J.,
IEEE PES power systems conference and ""Genetic Algorithms for Multi-objective
Wxposition (PSE), Atlanta, USA, 2006. Optimization: Formulation, discussion
[21] Saravanan, M., Slochanal, S., Venkatesh, and generalization", In S. Forest (Editor)
P. and Abraham, A., “Application of
particle swarm optimization technique for Proc. of the fifth International
optimal location of FACTS devices Conference on Genetic Algorithms, pp.
considering cost of installation and 416-423, 1993.
system loadability” , Electric Power [13] Sirinivas, N. and Deb, K., "Multi-
system research, vol. 77, pp. 276-283, objective optimization using non
2007. dominated sorting in genetic algorithms",
[22] Farsangi, M.M., Nezamabadi-pour, H. Evolutionary Computation, pp. 221-248 ,
and lee, K. Y., "Implementation of 1994.
GCPSO for Multi-objective VAr Planning
1389 زﻣﺴﺘﺎن، ﺷﻤﺎره اول، ﺳﺎل اول، ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﻣﻬﻨﺪﺳﻲ ﺑﺮق/78
26- Nearest neighbor technique with SVC and Its comparison with GA
27-Raw fitness and PSO", in Proc. of 14th international
28-Histograms conference on intelligence systems
29- Multi-objective Gravitational Search application to power systems (ISAP
Algorithm 2007) Taiwan 2007.
30-Modal Analysis [23] Farsangi, M. M., Nezamabadi-pour, H.
and Lee, K. Y., “Multi-objective VAr
planning with SVC using immune
algorithm and guaranteed convergence
particle swarm optimization,” in Proc. of
IFAC Symposium on Power Plants and
Power System Control , Korea , Seoul,
2007.
[24] Chow J. H. “Power system toolbox: A set
of coordinated m-files for use with
MATLAB” Cherry Tree Scientific
Software, 1997.
[25] Khaleghi, M., Farsangi, M.M.,
Nezamabadi-pour, H. and Lee, K.Y.,
“Pareto optimal design of damping
controllers using modified artificial
immune network algorithm” IEEE
Transactions on Systems, Man, and
Cybernetics--Part C, vol. 41, no. 2, pp.
240-250, 2010.
ﭘﺎﻧﻮﺷﺖ ﻫﺎ
1-Flexible AC Transmission System (FACTS)
2-Static Var Compensator (SVC)
3-Voltage collapse
4-Heuristic algorithm
5-Evolutionary algorithm
6-Genetic algorithm
7-Simulated algorithm
8-Ant colony search algorithm
9-Particle swarm optimization
10-Gravitational search algorithm(GSA)
11-Fitness assignment and selection
12-Diversity preservation
13-Elitism
14-Multi Objective Evolutionary Algorithm
15-Partial order
16-Pareto order
17-Dominance depth
18-Dominance number
19-Pareto optimal
20- Pareto optimal set
21- Pareto optimal front
22- Pareto optimal surface
23-Density
24-Kernel
25-Fitness sharing