‫ﻣﺠﻠﻪ ﻋﻠﻤﻲ ‪ -‬ﭘﮋوﻫﺸﻲ ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﻣﻬﻨﺪﺳﻲ ﺑﺮق‬

‫ﺳﺎل اول‪ ،‬ﺷﻤﺎره اول‪ ،‬زﻣﺴﺘﺎن ‪1389‬‬

‫ﺗﺎرﻳﺦ وﺻﻮل‪89/9/6 :‬‬
‫ﺗﺎرﻳﺦ ﭘﺬﻳﺮش‪90/4/5:‬‬
‫ﺻﺺ‪59-78 :‬‬
‫‪ ‬‬
‫اراﺋﻪ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﺪدي اﺳﺘﺎﻧﺪارد و ﺟﺎﻳﺎﺑﻲ‬
‫ﺑﻬﻴﻨﻪ ﺟﺒﺮان ﻛﻨﻨﺪه ﺗﻮان راﻛﺘﻴﻮ‬

‫*‪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.‬‬

‫‪  mmaghfoori@mail.uk.ac.ir‬‬ ‫* ﻧﻮﻳﺴﻨﺪه ﻣﺴﺆول‪:‬‬

 ‫‪ /60‬ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﻣﻬﻨﺪﺳﻲ ﺑﺮق‪ ،‬ﺳﺎل اول‪ ،‬ﺷﻤﺎره اول‪ ،‬زﻣﺴﺘﺎن ‪  1389‬‬
‫اﺑﺘﻜﺎري‪ ،‬اﻧﻌﻄﺎف ﭘﺬﻳﺮي و ﺳﺎزﮔﺎري ﺑـﺎﻻ‪ ،‬ﺳـﺮﻋﺖ و‬
‫ﻛﺎراﻳﻲ زﻳﺎد و وﻳﮋﮔﻲ ﺟﺴﺘﺠﻮي ﺳﺮاﺳﺮي آﻧﻬﺎﺳﺖ‪.‬‬
‫در ﺳــﺎل ﻫــﺎي اﺧﻴــﺮ‪ ،‬اﺳــﺘﻔﺎده از اﻟﮕــﻮرﻳﺘﻢﻫــﺎي‬
‫ﺟﺴﺘﺠﻮي اﺑﺘﻜﺎري رﺷـﺪ ﭼﺸـﻤﮕﻴﺮي داﺷـﺘﻪ اﺳـﺖ‪:‬‬
‫ازﺟﻤﻠﻪ اﻳﻦ روشﻫﺎ‪ ،‬ﻣﻲﺗﻮان ﺑﻪ اﻟﮕﻮرﻳﺘﻢ وراﺛﺘﻲ‪،[2]3‬‬
‫اﻟﮕﻮرﻳﺘﻢ اﻳﻤﻨـﻲ‪ ،[3]4‬اﻟﮕـﻮرﻳﺘﻢ ﺟﺴـﺘﺠﻮي ﺟﻤﻌﻴـﺖ‬
‫ﻣﻮرﭼﮕــﺎن‪ ،[4]5‬ﺑﻬﻴﻨــﻪ ﺳــﺎزي ﺟﻤﻌﻴــﺖ ذرات‪ [5]6‬و‬
‫اﻟﮕﻮرﻳﺘﻢ ﺟﺪﻳﺪ ﺟﺴﺘﺠﻮ ﮔﺮاﻧﺸﻲ‪ 7‬ﺑـﺎ اﻟﻬـﺎم از ﻧﻴـﺮوي‬
‫ﮔﺮاﻧﺶ و ﻗﻮاﻧﻴﻦ ﻧﻴﻮﺗﻦ]‪ [6‬اﺷﺎره ﻛﺮد‪.‬‬
‫ﻛﻨﺘــﺮل ﺗــﻮان راﻛﺘﻴــﻮ ﻳﻜــﻲ از ﻣﺴــﺎﺋﻞ ﻋﻤﻠــﻲ در‬
‫ﻣﻬﻨﺪﺳﻲ ﺑﺮق اﺳﺖ ﻛـﻪ ﺷـﺎﻳﺪ ﺑﺘـﻮان آن را ﻣﻬﻤﺘـﺮﻳﻦ‬
‫ﻫﺪف در ﺑﺤﺚ اﻧﺘﻘﺎل ﺗﻮان در ﺷﺒﻜﻪﻫـﺎي ﻗـﺪرت ﺑـﻪ‬
‫ﺷﻤﺎر آورد؛ زﻳـﺮا ﺑـﻲ ﺗـﻮﺟﻬﻲ ﺑـﻪ اﻳـﻦ اﻣـﺮ ﻣﻬـﻢ و‬
‫ﺿﺮوري‪ ،‬ﺑﺎﻋﺚ اﻳﺠﺎد ﻣﺸﻜﻼﺗﻲ در ﭘﺎﻳﺪاري ﺷـﺒﻜﻪ و‬
‫ﺗﻐﻴﻴﺮات ﺷـﺪﻳﺪ وﻟﺘـﺎژ ﻣـﻲﺷـﻮد‪ .‬ﻣﺴـﺎﺋﻞ ﻣﺮﺑـﻮط ﺑـﻪ‬
‫ﭘﺎﻳﺪاري وﻟﺘﺎژ‪ ،‬از زﻣـﺎن ﭘﻴـﺪاﻳﺶ ﺷـﺒﻜﻪﻫـﺎي ﻗـﺪرت‬
‫ﺗﺎﻛﻨﻮن ﻣﻮرد ﺗﻮﺟﻪ ﺑـﻮده اﺳـﺖ‪ .‬اﻫﻤﻴـﺖ اﻳـﻦ ﻣﺴـﺄﻟﻪ‬
‫ﻧﺎﺷﻲ از آن اﺳﺖ ﻛﻪ ﭘﺪﻳﺪه ﻓﺮوﭘﺎﺷﻲ وﻟﺘـﺎژ‪ 1‬ﺑﺎﻋـﺚ از‬
‫دﺳــﺖ دادن ﺗﻤــﺎم ﻳــﺎ ﻗﺴــﻤﺘﻲ از ﺷــﺒﻜﻪ و اﻳﺠــﺎد‬
‫ﺧﺎﻣﻮﺷﻲﻫﺎي وﺳﻴﻊ ﻣﻲﺷﻮد‪.‬‬
‫ﺑﻪ ﺗﻮاﻧـﺎﻳﻲ ﻳـﻚ ﺳﻴﺴـﺘﻢ ﻗـﺪرت در ﺣﻔـﻆ وﻟﺘـﺎژ‬
‫ﻣﻨﺎﺳﺐ‪ ،‬ﻣﺎﺷﻴﻦﻫـﺎ در ﺷـﺮاﻳﻂ ﻋـﺎدي ﻋﻤﻠﻜـﺮد و ﻧﻴـﺰ‬
‫ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﺗﺤﺖ ﺗﺄﺛﻴﺮ اﻏﺘﺸﺎش ﻗﺮار ﮔﻴـﺮد‪ ،‬ﭘﺎﻳـﺪاري‬
‫وﻟﺘﺎژ ﮔﻔﺘﻪ ﻣـﻲ ﺷـﻮد‪ .‬وﻗـﻮع ﺧﻄـﺎ و اﻓـﺰاﻳﺶ ﺷـﺪﻳﺪ‬
‫ﺗﻘﺎﺿﺎي ﺑﺎر‪ ،‬ﺑﺎﻋﺚ اﻓﺖ ﻓﺰاﻳﻨﺪه و ﻏﻴﺮﻗﺎﺑـﻞ ﻛﻨﺘـﺮل در‬
‫وﻟﺘﺎژ ﺷـﺪه‪ ،‬ﺳﻴﺴـﺘﻢ را وارد ﺣﺎﻟـﺖ ﻧﺎﭘﺎﻳـﺪاري وﻟﺘـﺎژ‬
‫ﻣﻲﻛﻨﺪ‪ .‬در اﻳﻦ ﺷﺮاﻳﻂ‪ ،‬دﻟﻴﻞ اﺻـﻠﻲ ﻧﺎﭘﺎﻳـﺪاري‪ ،‬ﻋـﺪم‬
‫اﺑﺰاري ﻣﻨﺎﺳﺐ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﭼﻨﺪ ﻫﺪﻓﻪ ﺑـﻪ ﺷـﻤﺎر‬
‫ﻣــﻲآﻳﻨــﺪ‪ .‬ﻣﻬﻤﺘــﺮﻳﻦ ﻣﺰﻳــﺖ اﺳــﺘﻔﺎده از ﺟﺴــﺘﺠﻮي‬
‫‪                                                             ‬‬
‫‪ -1‬ﻣﻘﺪﻣﻪ‬
‫ﺑﺎ ﺑﺰرگ ﺷـﺪن ﻣﺴـﺎﺋﻞ و اﻫﻤﻴـﺖ ﻳـﺎﻓﺘﻦ ﺳـﺮﻋﺖ‬
‫رﺳــﻴﺪن ﺑــﻪ ﭘﺎﺳــﺦ و ﻋــﺪم ﭘﺎﺳــﺨﮕﻮﻳﻲ روشﻫــﺎي‬
‫ﻛﻼﺳﻴﻚ‪ ،‬اﻣﺮوزه از اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺟﺴﺘﺠﻮي ﺗﺼﺎدﻓﻲ‬
‫ﺑﻪ ﺟﺎي ﺟﺴﺘﺠﻮي ﻫﻤﻪ ﺟﺎﻧﺒﻪ ﻓﻀـﺎي ﻣﺴـﺄﻟﻪ‪ ،‬ﺑﻴﺸـﺘﺮ‬
‫اﺳﺘﻘﺒﺎل ﻣﻲﺷﻮد‪ .‬در ﻋﻠﻮم ﻣﻬﻨﺪﺳﻲ اﻛﺜﺮ ﻣﺴﺎﺋﻞ‪ ،‬داراي‬
‫ﺗﺎﺑﻊ ﻫﺪف ﻏﻴﺮ ﺧﻄﻲ ﺑﻪ ﺻﻮرت ﮔﺴﺴـﺘﻪ ﻳـﺎ ﭘﻴﻮﺳـﺘﻪ‬
‫ﻫﺴﺘﻨﺪ‪ .‬از ﺳﻮي دﻳﮕﺮ‪ ،‬ﺑﺎ ﺑﺰرﮔﺘـﺮ ﺷـﺪن ﭘﻴﭽﻴـﺪﮔﻲ و‬
‫اﺑﻌﺎد ﻣﺴﺎﺋﻞ‪ ،‬روشﻫﺎي ﻣﺴﺘﻘﻴﻢ ﺑﺮﻧﺎﻣﻪرﻳﺰي ﻏﻴﺮﺧﻄﻲ‬
‫و ﺟﺴﺘﺠﻮي ﻫﻤﻪ ﺟﺎﻧﺒﻪ‪ ،‬ﻧﻴﺎزﻣﻨﺪ ﺻﺮف زﻣﺎن و ﻫﺰﻳﻨـﻪ‬
‫ﺑﻴﺸﺘﺮي ﺑﺮاي ﺣﻞ اﻳﻦ ﻣﺴﺎﺋﻞ ﻫﺴﺘﻨﺪ‪ .‬ﺑﻪ ﻫﻤـﻴﻦ دﻟﻴـﻞ‪،‬‬
‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢﻫﺎي ﺟﺴﺘﺠﻮي اﺑﺘﻜﺎري‪ ،4‬روز ﺑـﻪ‬
‫روز ﺑﻴﺸﺘﺮ ﻣﻲﺷﻮد] ‪ .[1-6‬اﻟﮕﻮرﻳﺘﻢ ﻫﺎي اﺑﺘﻜﺎري‪ ،‬ﺑـﻪ‬
‫دﺳﺘﻪاي از روش ﻫﺎي ﺑﻬﻴﻨﻪﺳﺎزي ﺗﺼﺎدﻓﻲ اﻃﻼق ﻣـﻲ‬
‫ﺷﻮد ﻛﻪ ﻓﺮاﻳﻨﺪﻫﺎي ﻃﺒﻴﻌﻲ را ﺷﺒﻴﻪ ﺳﺎزي ﻣﻲﻛﻨﻨـﺪ‪ .‬در‬
‫اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺗﻜﺎﻣﻠﻲ‪ ،5‬ﺟﺴﺘﺠﻮ ﺑـﻪ ﺻـﻮرت ﻣـﻮازي‬
‫اﻧﺠﺎم ﻣﻲﺷﻮد؛ ﺑﻪ اﻳﻦ ﻣﻌﻨﺎ ﻛﻪ ﻣﺠﻤﻮﻋﻪ اي از ﻋﺎﻣﻞﻫﺎ‪،‬‬
‫ﻓﻀﺎي ﻣﺴﺎﻟﻪ را ﺟﺴﺘﺠﻮ ﻣﻲﻛﻨﻨﺪ‪ .‬ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ‪ ،‬آﻧﻬـﺎ‬
‫ﭘﺘﺎﻧﺴﻴﻞ ﻳﺎﻓﺘﻦ راه ﺣﻞﻫﺎي ﺑﻬﻴﻨﻪ ﭘﺮﺗـﻮ ﭼﻨﺪﮔﺎﻧـﻪ را ﺑـﺎ‬
‫ﻳﻚ ﺑﺎر اﺟﺮاي اﻟﮕﻮرﻳﺘﻢ دارﻧﺪ‪ .‬اﻛﺜﺮ اﻳﻦ روش ﻫـﺎ ﺑـﻪ‬
‫ﺻﻮرت ﺟﻤﻌﻴﺘﻲ ﻋﻤﻞ ﻛﺮده و ﺑﺮاي ﻫـﺪاﻳﺖ ﺟﺴـﺘﺠﻮ‬
‫از ﺗﺎﺑﻊ ﺑﺮازﻧﺪﮔﻲ اﺳﺘﻔﺎده ﻣﻲﻛﻨﻨﺪ‪ .‬اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻫﺎ ﻣﻲ‬
‫ﺗﻮاﻧﻨﺪ ﻫﻢ در زﻣﺎن ﺻﺮﻓﻪ ﺟﻮﻳﻲ ﻛﻨﻨﺪ و ﻫﻢ ﺑﺎ اﺳـﺘﻔﺎده‬
‫از ﺗﺪاﺑﻴﺮي ﺧﺎص از ﺑﻬﻴﻨﻪﻫﺎي ﻣﺤﻠـﻲ ﺑﮕﺮﻳﺰﻧـﺪ و ﺑـﻪ‬
‫ﺑﻬﻴﻨﻪ ﺳﺮاﺳﺮي ﻫﻤﮕﺮا ﺷﻮﻧﺪ‪ .‬از آﻧﺠﺎ ﻛﻪ اﻟﮕﻮرﻳﺘﻢﻫـﺎي‬
‫اﺑﺘﻜﺎري ﺑﺎ روﻳﻜﺮد ﻣﻮازي ﺑـﻪ ﺣـﻞ ﻣﺴـﺎﺋﻞ ﭘﺮداﺧﺘـﻪ‪،‬‬
‫ﻫﻤﻮاره ﻣﺠﻤﻮﻋـﻪاي از ﭘﺎﺳـﺦﻫـﺎ را اﻳﺠـﺎد ﻣـﻲﻛﻨﻨـﺪ‪،‬‬
‫اراﺋﻪ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﺪدي اﺳﺘﺎﻧﺪارد و ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ﺟﺒﺮان ﻛﻨﻨﺪه ﺗﻮان راﻛﺘﻴﻮ ‪  61/‬‬

‫• 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

‫ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬ ‫ﻫﺪف ﺑﻪ ﺗﺒﺪﻳﻞ آن ﻳﻚ ﻫﺪف و ﺳﭙﺲ ﺑﻬﻴﻨﻪ ﻛـﺮدن آن‬

‫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

‫اﺳﺖ‪:‬‬ ‫اﻫﺪاف ﺳـﻪ ﮔﺎﻧـﻪ ﭘﺎﻳـﺪاري وﻟﺘـﺎژ‪ ،‬ﻛـﺎﻫﺶ ﺗﻠﻔـﺎت و‬

‫)‪(2‬‬ ‫ﻛﺎﻫﺶ ﻫﺰﻳﻨﻪ ادوات ﻣﺼﺮﻓﻲ ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﻣﻲﺷﻮد‪.‬‬

‫)‪(3‬‬ ‫ﺳﺎزﻣﺎﻧﺪﻫﻲ ﻣﻘﺎﻟﻪ ﺑﻪ اﻳﻦ ﻃﺮﻳﻖ اﺳﺖ ﻛﻪ در ﺑﺨـﺶ‬

‫)‪(4‬‬ ‫دوم ﻣﺮوري ﺑﺮ ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﻨﺪ ﻫﺪﻓـﻪ ﺻـﻮرت ﻣـﻲ‬

‫راﺑﻄﻪ ‪ 2‬ﻧﺸﺎن دﻫﻨـﺪه آن اﺳـﺖ ﻛـﻪ دو ﺑـﺮدار ﻫـﺪف‬
‫ارزش ﻳﻜﺴﺎﻧﻲ دارﻧـﺪ در ﺣـﺎﻟﻲ ﻛـﻪ راﺑﻄـﻪ ‪ 4‬ﺑﻴـﺎﻧﮕﺮ‬
‫ﺑﺮﺗﺮي ﻛﺎﻣﻞ ﺑﺮدار ﻫﺪف ‪ u ‬ﺑﺮ ﺑﺮدار ﻫﺪف ‪ v‬اﺳﺖ؛ ﺑﻪ‬
‫ﻋﺒﺎرت دﻳﮕﺮ‪ ،‬اﻳﻦ ﺑﺮدار را ﻣﻐﻠﻮب ﻣـﻲﻛﻨـﺪ‪ .‬از ﺳـﻮي‬
‫دﻳﮕﺮ راﺑﻄﻪ ‪ 3‬ﺑﻴﺎﻧﮕﺮ ﺑﺮﺗﺮي ﺿﻌﻴﻒ ﺑﺮدار ﻫﺪف ‪ u‬ﺑـﺮ‬
‫ﺑﺮدار ﻫﺪف ‪ v‬اﺳﺖ‪.‬‬
‫در ﻣﺴﺎﺋﻞ ﭼﻨﺪ ﻫﺪﻓﻪ‪ ،‬دو ﺑﺮدار ﺗﺼـﻤﻴﻢ ‪x1,x2 x‬‬
‫ﻣﻲﺗﻮاﻧﻨﺪ ﺳﻪ ﺣﺎﻟﺖ ﻧﺴﺒﺖ ﺑﻪ ﻳﻜﺪﻳﮕﺮ داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪:‬‬
‫)‪(5‬‬
‫اﻳﻦ راﺑﻄﻪ ﺑﻴﺎﻧﮕﺮ آن اﺳـﺖ ﻛـﻪ ﺑـﺮدار ﺗﺼـﻤﻴﻢ ‪،x1‬‬
‫ﺑﺮدارﺗﺼﻤﻴﻢ ‪ x2‬را ﻣﻐﻠﻮب ﻣـﻲﻛﻨـﺪ؛ اﮔـﺮ و ﺗﻨﻬـﺎ اﮔـﺮ‬
‫را ﻣﻐﻠﻮب ﻛﻨﺪ‪.‬‬ ‫‪ ،‬ﺑﺮدار ﻫﺪف‬ ‫ﺑﺮدار ﻫﺪف‬
‫)‪(6‬‬
‫ﻣﺠﻤﻮﻋﻪ اي از ‪ k‬ﺗﺎﺑﻊ ﻫﺪف اﺳﺖ‪ .‬اﻫﺪاف ﺗـﻮاﺑﻌﻲ از‬
‫ﮔﻴﺮد‪ .‬در ﺑﺨﺶ ﺳﻮم‪ ،‬اﻟﮕـﻮرﻳﺘﻢ ﺟﺴـﺘﺠﻮي ﮔﺮاﻧﺸـﻲ‬
‫ﺗﻮﺿــﻴﺢ داده ﻣــﻲ ﺷــﻮد‪ .‬در ﺑﺨــﺶ ﭼﻬــﺎرم‪ ،‬ﻧﺴــﺨﻪ‬
‫ﭘﻴﺸﻨﻬﺎدي اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸـﻲ ﭼﻨـﺪ ﻫﺪﻓـﻪ‬
‫ﻣﻌﺮﻓﻲ و ﺗﻮاﻧﺎﻳﻲ آن در ﺣﻞ ﺗﻮاﺑﻊ اﺳـﺘﺎﻧﺪارد ﺑﺮرﺳـﻲ‬
‫ﻣﻲﺷﻮد‪ .‬ﺑﺨﺶ ﭘﻨﺠﻢ ﺑﻪ ﭼﮕﻮﻧﮕﻲ ﺣﻞ ﻣﺴﺎﻟﻪ ﺟﺎﻳـﺎﺑﻲ‬
‫ﺑﻬﻴﻨﻪ ‪) SVC‬ﺑﻌﻨﻮان ﻳـﻚ ﻣﺴـﺄﻟﻪ ﻧﻤﻮﻧـﻪ ﻣﻬﻨﺪﺳـﻲ( ﺑـﺎ‬
‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي ﻣﻲﭘﺮدازد‪ .‬ﺑﺨﺶ ﺷﺸـﻢ‬
‫ﺑﻪ ﺗﺤﻠﻴﻞ ﻧﺘﺎﻳﺞ ﻣﻲﭘﺮدازد و در ﻧﻬﺎﻳﺖ در ﺑﺨﺶ ﻫﻔﺘﻢ‪،‬‬
‫ﺟﻤﻊ ﺑﻨﺪي و ﻧﺘﻴﺠﻪ ﮔﻴﺮي آورده ﻣﻲ ﺷﻮد‪.‬‬
‫‪ -2‬ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﻨﺪ ﻫﺪﻓﻪ‬
‫ﻳــﻚ ﻣﺴــﺄﻟﻪ ﺑﻬﻴﻨــﻪ ﺳــﺎزي ﭼﻨــﺪ ﻫﺪﻓــﻪ‪ ،‬ﺷــﺎﻣﻞ ﻳــﻚ‬
‫ﻣﺠﻤﻮﻋــﻪ ‪ n‬ﭘــﺎراﻣﺘﺮي از ﻣﺘﻐﻴﺮﻫــﺎي ﺗﺼــﻤﻴﻢﮔﻴــﺮي و‬
‫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

‫ﭘﺮﺗﻮ‪ ،16‬اﺳﺘﻔﺎده ﻣﻲﻛﻨﻨﺪ؛ ﻣﺎﻧﻨﺪ ﺗﻌﺪاد اﻓﺮادي ﻛﻪ ﺑﺮ ﻳﻚ‬ ‫‪ ‬‬ ‫)‪(7‬‬

‫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

‫ﺣﺪي را ﺗﻀﻤﻴﻦ ﻣﻲ ﻛﻨﺪ‪.‬‬ ‫ﻋﺒﺎرﺗﻨﺪ از‪:‬‬

‫اﻟــﻒ‪ -‬ﺑﺮﻧﺎﻣــﻪ ﺗﺨﺼــﻴﺺ ﺑﺮازﻧــﺪﮔﻲ‪ :‬ﺗﺨﺼــﻴﺺ‬
‫ﺷﺎﻳﺴﺘﮕﻲ ﺑﺮاي ﻫﺮ ﻓﺮد ﺑﺮ اﻳﻦ اﺳﺎس اﺳـﺖ ﻛـﻪ ﭼـﻪ‬
‫(؛‬ ‫‪ -1‬ﺗﻌﻴﻴﻦ ﭘﺎراﻣﺘﺮﻫﺎي ﺳﻴﺴﺘﻢ و ﻣﻘﺪار دﻫﻲ اوﻟﻴﻪ ﭘﺎراﻣﺘﺮﻫﺎ )آرﺷﻴﻮ اوﻟﻴﻪ ﺧﺎﻟﻲ اﺳﺖ‬
‫‪.‬؛‬ ‫و ﻗﺮار ﺑﺪه‬ ‫‪ -2‬ﺗﻮﻟﻴﺪ ﺟﻤﻌﻴﺖ اوﻟﻴﻪ ﺑﻪ ﺻﻮرت اﺗﻔﺎﻗﻲ‬
‫‪ -3‬اﻧﺘﺨﺎب ﺗﺼﺎدﻓﻲ ﭼﻨﺪﻳﻦ ﻋﻀﻮ از آرﺷﻴﻮ‪ ،‬ﺑﺮاي ﺗﺎﺛﻴﺮ ﮔﺬاري روي ﺳﺎﻳﺮ اﺟﺮام ﺟﻤﻌﻴﺖ؛‬
‫‪ -4‬ﻣﺤﺎﺳﺒﻪ ﺷﺘﺎب‪ ،‬ﺳﺮﻋﺖ و ﻣﻜﺎن ﺟﺪﻳﺪ ﻫﺮ ﺟﺮم؛‬
‫‪ -5‬ﺗﺮﻛﻴﺐ ﺟﻤﻌﻴﺖ و آرﺷﻴﻮ؛‬
‫‪ -6‬ارزﻳﺎﺑﻲ ﺟﻤﻌﻴﺖ ﺗﺮﻛﻴﺒﻲ؛‬
‫؛‬ ‫‪ -7‬ﺗﻮﻟﻴﺪ آرﺷﻴﻮ ﻧﺴﻞ ﺑﻌﺪ‬
‫ﺑﺎ اﻧﺘﺨﺎب ﺗﺼﺎدﻓﻲ ‪ N‬ﺟﺮم از‬ ‫‪ -8‬ﺳﺎﺧﺖ ﺟﻤﻌﻴﺖ ﺟﺪﻳﺪ‬
‫؛‬ ‫ﻣﻴﺎن ﺟﻤﻌﻴﺖ‬
‫؛‬ ‫‪ -9‬ﺟﻬﺶ ﺗﻤﺎم اﺟﺮام ﺟﻤﻌﻴﺖ و‬
‫‪ -10‬در ﺻﻮرﺗﻲ ﻛﻪ ﺷﺮط ﺗﻮﻗﻒ ﺑﺮآورده ﻧﺸﺪه‪ ،‬ﺑﺮو ﺑﻪ ﻣﺮﺣﻠﻪ ‪ 3‬در ﻏﻴﺮ اﻳﻦ ﺻﻮرت آرﺷﻴﻮ ﺑﻪ ﺧﺮوﺟﻲ ﻣﻨﺘﻘﻞ ﺷﺪه و ﺗﻮﻗﻒ اﻟﮕﻮرﻳﺘﻢ‪.‬‬
‫ﺷﻜﻞ)‪ :(1‬ﺷﺒﻪ ﻛﺪ ﻣﺮﺑﻮط ﺑﻪ اﻟﮕﻮرﻳﺘﻢ ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ ﭘﻴﺸﻨﻬﺎدي‬

‫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

‫ﺟﺪول)‪ :(1‬ﺗﻮاﺑﻊ ﻣﺤﻚ اﺳﺘﺎﻧﺪارد ﻣﻴﻨﻴﻤﻢ ﺷﻮﻧﺪه‬

‫ﺗﻮاﺑﻊ ﻫﺪف و ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺴﺎﻟﻪ‬

‫‪: KUR,‬ﻧﺎم ﺗﺎﺑﻊ‬ ‫‪n=3,Range: [-5,5], Non-convex,‬‬

‫‪Non-connected‬‬

‫‪..‬‬

‫‪: FON,‬ﻧﺎم ﺗﺎﺑﻊ‬ ‫‪n=3, Range: [-5,5], Non-convex,‬‬ ‫‪Connected,‬‬

‫‪: POL,‬ﻧﺎم ﺗﺎﺑﻊ‬ ‫‪n=2, Range: [-π,π],‬‬

‫‪Non-convex, Non-connected‬‬
‫‪…..‬‬
‫‪...‬‬
‫‪.. .‬‬
‫‪.. ..‬‬

‫‪: ZDT2,‬ﻧﺎم ﺗﺎﺑﻊ‬ ‫‪n=30, Rang: [0,1], Non-convex, Connected‬‬

‫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
‫اﻏﺘﺸﺎﺷﺎت ﺑﺰرگ ﺗﻘﺴﻴﻢ ﻣﻲﺷـﻮد‪ .‬ﭘﺎﻳـﺪاري وﻟﺘـﺎژ در‬
‫ﺑﺮاﺑﺮ اﻏﺘﺸﺎﺷﺎت ﻛﻮﭼﻚ ﻣﺮﺑـﻮط ﺑـﻪ ﻗﺎﺑﻠﻴـﺖ ﺳﻴﺴـﺘﻢ‬
‫ﺑﺮاي ﻛﻨﺘﺮل وﻟﺘـﺎژ در اﻏﺘﺸﺎﺷـﺎت ﻛﻮﭼـﻚ‪ ،‬ﻫﻤﭽـﻮن‬
‫ﺗﻐﻴﻴﺮات در ﺑﺎر ﺳﻴﺴﺘﻢ اﺳﺖ؛ در ﺣـﺎﻟﻲ ﻛـﻪ ﭘﺎﻳـﺪاري‬
‫وﻟﺘﺎژ در ﺑﺮاﺑﺮ اﻏﺘﺸﺎﺷﺎت ﺑـﺰرگ ﻣﺮﺑـﻮط ﺑـﻪ ﻗﺎﺑﻠﻴـﺖ‬
‫ﺳﻴﺴﺘﻢ ﺑﺮاي ﻛﻨﺘﺮل وﻟﺘﺎژ در ﺣﻀﻮر اﻏﺘﺸﺎﺷﺎت ﺑﺰرگ‪،‬‬
‫ﻣﺎﻧﻨﺪ از دﺳﺖ دادن ژﻧﺮاﺗﻮر ﻣﻔﻬﻮم ﻣﻲ ﻳﺎﺑﺪ‪ .‬در ﻫﻨﮕـﺎم‬
‫ﺑﺮوز ﺧﻄﺎ ﺑـﺎ ﺗـﺪاﺑﻴﺮي ﻣﺜـﻞ وارد ﻛـﺮدن ﻳـﻚ ﺳـﺮي‬
‫‪ (SVC‬در ﺷﺒﻜﻪ ﻫﺎي ﻗﺪرت‬
‫در ﻫﺮ ﺳﻴﺴﺘﻢ ﻗﺪرت ﻣﻬﻤﺘﺮﻳﻦ ﻫﺪف‪ ،‬ﺗﺎﻣﻴﻦ ﺗـﻮان‬
‫ﻣﻮرد ﻧﻴﺎز ﻣﺼﺮف ﻛﻨﻨـﺪه‪ ،‬ﺗﺤـﺖ وﻟﺘـﺎژ ﺛﺎﺑـﺖ‪ ،‬ﺑـﺪون‬
‫ﻫﺎرﻣﻮﻧﻴﻚ و ﺑﺎ ﻓﺮﻛﺎﻧﺲ ﻣﻌﻴﻦ اﺳﺖ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ‪ ،‬ﭘﺎﻳﺪاري‬
‫وﻟﺘﺎژ از ﻣـﻮارد ﻣﻬـﻢ در ﺷـﺒﻜﻪ ﻫـﺎي ﻗـﺪرت اﺳـﺖ‪.‬‬
‫ﭘﺎﻳﺪاري وﻟﺘﺎژ ﻗﺎﺑﻠﻴﺘﻲ از ﺳﻴﺴﺘﻢ اﺳﺖ ﻛـﻪ در ﺷـﺮاﻳﻂ‬
‫ﻛﺎر ﻋﺎدي و ﻧﻴﺰ در ﺣﺎﻟﺖ ﺑﺮوز ﺧﻄﺎ در ﺷـﺒﻜﻪ‪ ،‬وﻟﺘـﺎژ‬
‫آن در ﻣﺤﺪوده ﻣﺠﺎز ﺑﺎﻗﻲ ﻣﻲ ﻣﺎﻧﺪ‪.‬‬
 ‫‪ /70‬ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﻣﻬﻨﺪﺳﻲ ﺑﺮق‪ ،‬ﺳﺎل اول‪ ،‬ﺷﻤﺎره اول‪ ،‬زﻣﺴﺘﺎن ‪  1389‬‬
‫ﺑﮕﺬارد‪ .‬در اﻳﻦ ﻣﻮرد‪ ،‬دو ﭘﺎراﻣﺘﺮ ﻣﻮرد ﺟﺴﺘﺠﻮ‪ ،‬ﺑـﺎس‬
‫ﻣﻨﺎﺳﺐ و اﻧﺪازه ‪ SVC‬ﻫﺴﺘﻨﺪ‪.‬‬
‫ﻣﺴﺎﻟﻪ ﺟﺎﻳﺎﺑﻲ ‪ SVC‬ﻣﻲ ﺗﻮاﻧﺪ ﺑـﺎ در ﻧﻈـﺮ ﮔـﺮﻓﺘﻦ‬
‫ﺗﻌﺪاد ﺗﻮاﺑﻊ ﻫﺪف ﻣﺘﻔﺎوت ﻃﺮاﺣﻲ ﺷـﻮد]‪ .[23-18‬در‬
‫اﻳﻦ ﻣﻘﺎﻟﻪ ‪ SVC‬ﺑﻪ ﻃﻮر ﺑﻬﻴﻨـﻪ ﺑـﺮ اﺳـﺎس ﺳـﻪ ﻫـﺪف‬
‫ﺟﺎﻳﺎﺑﻲ ﻣﻲﺷﻮد‪ .‬اﻳﻦ اﻫﺪاف ﺷﺎﻣﻞ‪ :‬اﻟﻒ( ﺣﺪاﻗﻞ ﻛﺮدن‬
‫ﺗﻠﻔﺎت ﺗﻮان اﻛﺘﻴﻮ؛ ب( ﻛﺎﻫﺶ ﻫﺰﻳﻨـﻪ ﻧﺼـﺐ ‪ SVC‬و‬
‫ج( ﺣﺪاﻗﻞ ﻛﺮدن اﻧﺤﺮاف وﻟﺘﺎژ ﻫﺴﺘﻨﺪ‪:‬‬
‫‪ .[18‬ﻗﺎﺑﻠﻴﺖ ﺗﺤﻠﻴﻞ ﻣـﺪال‪ 32‬ﺟﻬـﺖ ﺟﺎﻳـﺎﺑﻲ ‪ SVC‬در‬
‫اﻟﻒ( ﺣﺪاﻗﻞ ﺷﺪن ﺗﻠﻔﺎت ﺗﻮان اﻛﺘﻴﻮ‪ :‬ﻃﺒﻖ اﻳﻦ‬
‫ﻫﺪف‪ ،‬ﺗﻠﻔﺎت ﻛﻞ ﺗﻮان اﻛﺘﻴﻮ ﺳﻴﺴﺘﻢ ﺑﺎﻳﺪﺣﺪاﻗﻞ ﺑﺎﺷﺪ‪:‬‬
‫)‪(23‬‬
‫داﻣﻨـﻪ و زاوﻳـﻪ وﻟﺘـﺎژ ﺑـﺎس‬ ‫و‬ ‫ﻛﻪ در آن‬
‫داﻣﻨﻪ و زاوﻳﻪ ادﻣﻴﺘـﺎﻧﺲ ﺧـﻂ ﺑـﻴﻦ‬ ‫و‬ ‫اﺳﺖ و‬
‫ﺑﺎس و اﺳﺖ‪.‬‬
‫اﺳﺖ‪ .‬از اﻳﻦرو‪ ،‬ﻟﺰوم ﺑﻜﺎرﮔﻴﺮي اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺑﻬﻴﻨـﻪ‬
‫ب( ﺑﻴﺸﺘﺮﻳﻦ اﻧﺤﺮاف وﻟﺘﺎژ‪ :‬اﻧﺤﺮاف وﻟﺘﺎژ در ﻫـﺮ‬
‫ﺑﺎﺳﺒﺎر ﺑﺎﻳﺪ در ﺣﺪاﻗﻞ ﻣﻘﺪار ﻣﻤﻜﻦ ﺑﺎﺷﺪ‪.‬‬
‫)‪(24‬‬
‫‪ Ω‬ﻣﺠﻤﻮﻋﻪ ﺗﻤﺎم ﺑﺎسﻫﺎي ﺳﻴﺴﺘﻢ ﺑﻮده‪ Vk ،‬داﻣﻨﻪ‬
‫وﻟﺘﺎژ در ﺑﺎﺳﺒﺎر ‪ k‬ام و ‪ Vrefk‬وﻟﺘﺎژ ﻣﺮﺟﻊ در ﺑﺎﺳـﺒﺎر ‪k‬‬
‫ام اﺳﺖ‪.‬‬
‫ج( ﺗﺎﺑﻊ ﻫﺰﻳﻨﻪ ‪ :SVC‬ﺗﺎﺑﻊ ﻫﺰﻳﻨـﻪ ﺑـﺮاي ‪ SVC‬در‬
‫واﺣﺪ )‪ (US$ / k-VAr‬ﺑﻮده و ﺑﺎ ﻣﻌﺎدﻟﻪ زﻳـﺮ ﺑﺪﺳـﺖ‬
‫ﻇﺮﻓﻴﺖ ﻣﮕﺎواري ‪ SVC‬اﺳﺖ‪.‬‬ ‫ﻣﻲ آﻳﺪ‪.‬‬
‫)‪(25‬‬
‫در اداﻣﻪ ‪ ،‬ﺑﻪ ﭼﮕـﻮﻧﮕﻲ ﺣـﻞ ﭼﻨـﺪ ﻫﺪﻓـﻪ ﻣﺴـﺄﻟﻪ‬
‫ﺟﺎﻳﺎﺑﻲ ‪ SVC‬ﺑﺎ اﻟﮕـﻮرﻳﺘﻢ ﺟﺴـﺘﺠﻮي ﮔﺮاﻧﺸـﻲ ﭼﻨـﺪ‬
‫ﻫﺪﻓﻪ)‪ (MOGSA‬ﭘﺮداﺧﺘﻪ ﻣﻲﺷﻮد‪.‬‬
‫ﻋﻨﺎﺻــﺮ ﺟﺒــﺮان ﻛﻨﻨــﺪه ﻫﻤﺎﻧﻨــﺪ‪ ، SVC2‬ﻣــﻲ ﺗــﻮان از‬
‫ﺑﺴﻴﺎري ﺣﻮادث ﻧﺎﺧﻮاﺳﺘﻪ ﻛﻪ ﺑﺎﻋﺚ ﺑـﻪ وﺟـﻮد آﻣـﺪن‬
‫ﺧﺎﻣﻮﺷﻲ در ﺷﺒﻜﻪ ﺧﻮاﻫﻨﺪ ﺷﺪ‪ ،‬ﻣﺎﻧﻨﺪ ﻓﺮوﭘﺎﺷﻲ وﻟﺘـﺎژ‬
‫ﺟﻠﻮﮔﻴﺮي ﻛﺮد‪ .‬اﻳﻦ ﻋﻨﺎﺻﺮ اﮔﺮ در ﻣﺤﻞ ﻣﻨﺎﺳﺐ و ﺑـﻪ‬
‫ﻣﻘﺪار ﻣﻌﻴﻦ اﻋﻤﺎل ﺷﻮﻧﺪ‪ ،‬ﺗـﺎﺛﻴﺮ ﻣﻨﺎﺳـﺒﻲ در ﻋﻤﻠﻜـﺮد‬
‫ﺳﻴﺴﺘﻢ ﻣﻲ ﮔﺬارﻧﺪ‪ .‬ﺗـﺎﻛﻨﻮن ﺗـﻼش ﻫـﺎﻳﻲ در ﺟﻬـﺖ‬
‫ﻛﺸﻒ روش ﻫﺎﻳﻲ ﺑﺮاي اﻃﻤﻴﻨﺎن از اﻣﻨﻴﺖ ﺳﻴﺴـﺘﻢ در‬
‫ﺧﺼﻮص ﭘﺎﻳﺪاري وﻟﺘﺎژ ﺻـﻮرت ﮔﺮﻓﺘـﻪ اﺳـﺖ] ‪-23‬‬
‫]‪ [19‬ﺑﺮرﺳﻲ ﺷﺪه اﺳﺖ ﻛﻪ ﺑﺎ اﻳﻦ روش ﻣﺴﺎﻟﻪ ﺟﺎﻳﺎﺑﻲ‬
‫‪ SVC‬ﺑﺎ ﻣﺸﻜﻼﺗﻲ ﻣﻮاﺟﻪ ﻣﻲ ﺷﻮد؛ از ﺟﻤﻠﻪ ﻧﻤﻲ ﺗﻮان‬
‫ﻇﺮﻓﻴﺖ ﺑﻬﻴﻨﻪ را ﺑﺮاي ‪ SVC‬ﭘﻴﺪا ﻛـﺮد‪ .‬از آﻧﺠـﺎﻳﻲ ﻛـﻪ‬
‫ﺑﻪ ﻛﺎرﮔﻴﺮي ‪ SVC‬در ﺷﺒﻜﻪ ﻫﺰﻳﻨﻪﺑﺮ اﺳـﺖ‪ ،‬ﺑﻨـﺎﺑﺮاﻳﻦ‪،‬‬
‫ﺑﻬﻴﻨــﻪ ﻛــﺮدن ﻫﺰﻳﻨــﻪ ‪ SVC‬از ﻃﺮﻳــﻖ اﺳــﺘﻔﺎده آن در‬
‫ﺑﻬﺘﺮﻳﻦ ﻣﻜﺎن و ﺑﺎ ﺑﻬﺘﺮﻳﻦ ﻇﺮﻓﻴﺖ در ﺷﺒﻜﻪ ﺑﺴﻴﺎر ﻣﻔﻴﺪ‬
‫ﺳﺎز ﻧﻤﻮد ﺑﻴﺸﺘﺮي ﺧﻮاﻫﺪ ﻳﺎﻓﺖ‪ .‬در اﻳﻦ راﺳﺘﺎ ﻗﺎﺑﻠﻴـﺖ‬
‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺑﻬﻴﻨﻪ ﺳﺎز ﻣﺘﻔﺎوﺗﻲ در ] ‪-23‬‬
‫‪[18‬ارزﻳﺎﺑﻲ ﺷﺪه اﺳﺖ‪.‬‬
‫‪ -1-5‬ﻓﺮﻣﻮل ﺑﻨﺪي ﻣﺴﺎﻟﻪ‬
‫ﺟﺎﻳﺎﺑﻲ ‪ SVC‬ﺑﺮ اﺳﺎس وﻳﮋﮔﻲ ﻛﻨﺘﺮﻟﻲ اﺑﺘـﺪاﻳﻲ آن‬
‫ﻛﻪ ﻛﻨﺘﺮل وﻟﺘﺎژ اﺳﺖ اﻧﺠﺎم ﻣﻲ ﺷﻮد‪ .‬از ﻃﺮﻓﻲ‪ ،‬ﺑﻬـﺮه‪-‬‬
‫ﮔﻴــﺮي از وﻳﮋﮔــﻲﻫــﺎي ﻛﻨﺘﺮﻟــﻲ اﻳــﻦ ادوات ارﺗﺒــﺎط‬
‫ﻧﺰدﻳﻜﻲ ﺑﺎ ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ )ﻣﺤﻞ و ﻇﺮﻓﻴﺖ ﻣﻨﺎﺳﺐ( اﻳﻦ‬
‫ادوات دارد‪ .‬اﮔﺮ ‪ SVC‬در ﻣﻜﺎن ﻣﻨﺎﺳﺐ و ﺑﺎ ﻇﺮﻓﻴـﺖ‬
‫ﺑﻬﻴﻨﻪ در ﺳﻴﺴﺘﻢ ﻗﺪرت ﺟﺎﻳﮕﺬاري ﺷﻮد‪ ،‬ﻣﻲﺗﻮاﻧﺪ ﺗﺎﺛﻴﺮ‬
‫ﻓﺮاواﻧﻲ ﺑﺮ ﻋﻤﻠﻜـﺮد ﺳﻴﺴـﺘﻢ و ﻛـﻢ ﻛـﺮدن ﻫﺰﻳﻨـﻪﻫـﺎ‬
‫اراﺋﻪ ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ در ﺣﻞ ﻣﺴﺎﺋﻞ ﻋﺪدي اﺳﺘﺎﻧﺪارد و ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ﺟﺒﺮان ﻛﻨﻨﺪه ﺗﻮان راﻛﺘﻴﻮ ‪  71/‬‬
‫ﻋﺒﺎرت دﻳﮕﺮ‪ ،‬در اﻟﮕﻮرﻳﺘﻢ اﺑﺘﻜﺎري ﭼﻨـﺪ ﻫﺪﻓـﻪ ﺑﺎﻳـﺪ‬
‫ﻣﻘــﺎدﻳﺮي را ﺑــﺮاي ﻣﻜــﺎن و ﻇﺮﻓﻴــﺖ ‪ SVC‬در ﻳــﻚ‬
‫ﺳﻴﺴﺘﻢ ﻗـﺪرت ﺟﺴـﺘﺠﻮ ﻛﻨـﺪ ﻛـﻪ ﻣﺼـﺎﻟﺤﻪاي ﻣﻴـﺎن‬
‫اﻫﺪاف ﺳﻪ ﮔﺎﻧﻪ ﻓﻮق ﺑﺎﺷﻨﺪ ﻛﻪ ﻫﻤﺎن ﺑﻬﻴﻨﻪﻫـﺎي ﭘﺮﺗـﻮ‬
‫ﻫﺴﺘﻨﺪ‪ .‬اراﺋﻪ ﻣﺠﻤﻮﻋﻪاي از ﺑﻬﻴﻨﻪ ﻫﺎي ﭘﺮﺗﻮ ﺑـﻪ ﻛـﺎرﺑﺮ‬
‫اﻳﻦ اﻣﻜﺎن را ﻣﻲدﻫﺪ ﺗـﺎ ﺑـﺎ ﺗﻮﺟـﻪ ﺑـﻪ داﻧﺸـﻲ ﻛـﻪ در‬
‫ﺧﺼﻮص ﻣﺴﺎﻟﻪ ﻣﺬﻛﻮر دارد‪ ،‬ﻳﻚ ﻳﺎ ﭼﻨـﺪ راه ﺣـﻞ را‬
‫ﻛﻪ ﻋﻤﻠﻲﺗﺮ و ﻣﻨﻄﻘﻲﺗﺮ ﺑﻪ ﻧﻈﺮ ﻣﻲرﺳﻨﺪ‪ ،‬اﻧﺘﺨﺎب ﻛﻨﺪ‪.‬‬
‫اﻛﻨﻮن ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻌﺮﻳﻒ ﻓﻀﺎي ﺗﺼﻤﻴﻢ و ﻓﻀـﺎي‬
‫اﻫﺪاف ﺑﻪ راﺣﺘﻲ ﻣﻲﺗﻮان ﻋﺎﻣﻠﻬﺎ را ﺑـﺮاي ﻳـﻚ ﻣﺴـﺎﻟﻪ‬
‫ﺧﺎص ﺗﻌﺮﻳﻒ و روﻧﺪ اﺟﺮاي اﻟﮕﻮرﻳﺘﻢ را ﺑﺮاي ﻳـﺎﻓﺘﻦ‬
‫ﺑﻬﻴﻨﻪ دﻧﺒﺎل ﻛﺮد‪.‬‬
‫‪ -6‬آزﻣﺎﻳﺶ ﻫﺎ و ﻧﺘﺎﻳﺞ‬
‫ﺳﻴﺴﺘﻢ ﻣﻮرد ﻣﻄﺎﻟﻌـﻪ‪ ،‬ﻣـﺪل ﻓﺸـﺮده ﺷـﺪه اﺗﺼـﺎل‬
‫ﺷﺒﻜﻪ ﻧﻴﻮﻳﻮرك و ﻧﻴﻮاﻧﮕﻠﻨـﺪ اﺳـﺖ ﻛـﻪ در ﺷـﻜﻞ )‪(3‬‬
‫آورده ﺷﺪه اﺳﺖ]‪ .[24‬ﺳﻴﺴـﺘﻢ ﻓـﻮق از ‪ 16‬ﻣﺎﺷـﻴﻦ و‬
‫‪ 68‬ﺑﺎس ﺗﺸﻜﻴﻞ ﺷﺪه اﺳﺖ‪ 9 .‬ﻣﺎﺷﻴﻦ اول ﻣﺮﺑـﻮط ﺑـﻪ‬
‫ﺳﻴﺴﺘﻢ ﻣﻮﻟﺪ ﻧﻴﻮاﻧﮕﻠﻨﺪ اﺳـﺖ‪ .‬ﻣﺎﺷـﻴﻦﻫـﺎي ‪ 10‬ﺗـﺎ ‪13‬‬
‫ﻣﺮﺑﻮط ﺑﻪ ﺳﻴﺴﺘﻢ ﻗﺪرت ﻧﻴﻮﻳﻮرك و ‪ 3‬ژﻧﺮاﺗﻮر ﺑﻌـﺪي‬
‫ﻣﺮﺑﻮط ﺑﻪ ﺳﻪ ﻫﻤﺴﺎﻳﻪ ﺑﺰرگ ﻣﺘﺼﻞ ﺑﻪ ﺳﻴﺴﺘﻢ ﻗـﺪرت‬
‫ﻧﻴﻮﻳﻮرك ﻣﺮﺑﻮط ﻫﺴﺘﻨﺪ‪.‬‬
‫ﺑﺮاي اﺛﺒﺎت ﻛﺎراﻳﻲ اﻟﮕﻮرﻳﺘﻢ ‪ MOGSA‬در ﺟﺎﻳﺎﺑﻲ‬
‫‪ SVC‬ﻧﺘــﺎﻳﺞ ﺣﺎﺻــﻞ ﺑــﺎ ﻧﺘــﺎﻳﺞ اﻟﮕــﻮرﻳﺘﻢ ﺗﻜــﺎﻣﻠﻲ‬
‫‪ SPEA2‬ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﺷﻮد‪ .‬در ﻫﺮ دو اﻟﮕـﻮرﻳﺘﻢ ﻣـﻮرد‬
‫ﺑﺮرﺳﻲ‪ ،‬ﺗﻌﺪاد اﻋﻀﺎي ﺟﻤﻌﻴﺖ ﺑﺮاﺑـﺮ ‪ 100‬ﻋﻀـﻮ در‬
‫ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ‪ .‬ﺟﺰﺋﻴﺎت اﻟﮕﻮرﻳﺘﻢﻫﺎي ﺑﺮرﺳـﻲ‬
‫ﺷﺪه ﺑﻪ ﺷﺮح زﻳﺮ آورده ﺷﺪه اﺳﺖ‪.‬‬
‫‪ -2-5‬ﺣﻞ ﭼﻨـﺪ ﻫﺪﻓـﻪ ﻣﺴـﺄﻟﻪ ﺟﺎﻳـﺎﺑﻲ ‪ SVC‬ﺑـﺎ‬
‫اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي‬
‫ﺑﺮاي ﻳﺎﻓﺘﻦ ﻣﻜﺎن و ﻣﻴـﺰان ﻇﺮﻓﻴـﺖ ﺧـﺎزﻧﻲ ﺑﻬﻴﻨـﻪ‬
‫‪، SVC‬اﺑﺘﺪا‪ ،‬ﺗﻤﺎم ﺑﺎرﻫﺎ را ﺑﻪ ﺗﺪرﻳﺞ اﻓﺰاﻳﺶ ﻣﻲ دﻫـﻴﻢ‬
‫ﺗﺎ ﺳﻴﺴﺘﻢ ﺑﻪ ﻧﻘﻄﻪ ﻓﺮوﭘﺎﺷﻲ وﻟﺘﺎژ ﺑﺮﺳﺪ‪.‬‬
‫در اﻋﻤﺎل اﻟﮕﻮرﻳﺘﻢ ﻫﺎي اﺑﺘﻜﺎري‪ ،‬اﺑﺘﺪا ﻻزم اﺳـﺖ‬
‫ﻋﺎﻣﻠﻬﺎ )ﻛﺮوﻣـﻮزوم ﻫـﺎ‪ /‬ذرات‪ /‬اﺟـﺮام ﺑـﻪ ﺗﺮﺗﻴـﺐ در‬
‫اﻟﮕــﻮرﻳﺘﻢﻫــﺎي وراﺛﺘــﻲ‪ /‬ﺟﻤﻌﻴــﺖ ذرات‪ /‬ﮔﺮاﻧﺸــﻲ(‬
‫ﺗﻌﺮﻳﻒ ﺷﻮﻧﺪ‪ .‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻦ ﻛﻪ ﺟﺎﻳﺎﺑﻲ ﺑﻬﻴﻨﻪ ﺷـﺎﻣﻞ‬
‫دو ﻣﺘﻐﻴﺮ ﻣﻜﺎن ‪ SVC‬و ﻇﺮﻓﻴﺖ آن اﺳﺖ ﻛﻪ ﺑﺎﻳﺪ ﺑﻬﻴﻨﻪ‬
‫ﺷــﻮﻧﺪ‪ ،‬در ﻫــﺮ ﻛﺮوﻣــﻮزوم‪ /‬ذره‪ /‬ﺟــﺮم دو ژن )ﺑﻌــﺪ(‬
‫ﺗﻌﺮﻳﻒ ﻣﻲﺷﻮد‪.‬‬
‫ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ‪ ،‬ﻣﻮﻗﻌﻴﺖ ﻋﺎﻣـﻞ ام در اﻟﮕـﻮرﻳﺘﻢ‬
‫ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ ﭘﻴﺸﻨﻬﺎدي ﺑﻪ ﺻﻮرت‬
‫ﺑـﻪ ﻣﻜـﺎن ﭘﻴﺸـﻨﻬﺎدي‬ ‫ﻧﺸﺎن داده ﻣﻲﺷﻮد ﻛﻪ در آن‬
‫ﺑـﻪ ﻇﺮﻓﻴـﺖ‬ ‫ﺗﻮﺳﻂ ﻋﺎﻣﻞ‪ i‬ام ﺑـﺮاي ﻣﻜـﺎن‪ SVC‬و‬
‫ﭘﻴﺸﻨﻬﺎدي ﺗﻮﺳﻂ اﻳﻦ ﻋﺎﻣﻞ اﺷﺎره دارد‪ .‬از ﺳﻮي دﻳﮕﺮ‪،‬‬
‫از آﻧﺠﺎ ﻛﻪ در اﻳﻦ ﻣﺴﺎﻟﻪ ﺳﻪ ﻫﺪف ﻣﻮﺟﻮد اﺳـﺖ ﻛـﻪ‬
‫ﺑﺎﻳﺪ ﻛﻤﻴﻨﻪ ﺷﻮﻧﺪ‪ ،‬ﺗﺎﺑﻊ ﻫـﺪف ﺑـﻪ ﺻـﻮرت ﺑـﺮداري از‬
‫اﻫﺪاف ﺳﻪ ﮔﺎﻧﻪ ذﻛﺮ ﺷﺪه در ﺑﺨﺶ ‪ 1-5‬اراﺋﻪ ﻣﻲﺷﻮد‪.‬‬
‫ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ‪:‬‬
‫ﻛﻪ در آن‪:‬‬
‫و‬ ‫‪،‬‬
‫ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ‪ ،‬ﺑﺎ ﺣﻞ ﭼﻨـﺪ ﻫﺪﻓـﻪ ﻣﺴـﺎﻟﻪ ﺟﺎﻳـﺎﺑﻲ‬
‫ﺑﻬﻴﻨﻪ ‪ SVC‬ﺑﻪ دﻧﺒﺎل ﻳـﺎﻓﺘﻦ ﻣﺠﻤﻮﻋـﻪاي از ﺟﻮاﺑﻬـﺎي‬
‫ﺑﻬﻴﻨﻪ ﭘﺮﺗﻮ ﺑﺮ ﻣﺒﻨﺎي اﻫﺪاف ﺳﻪ ﮔﺎﻧﻪ ﻓـﻮق ﻫﺴـﺘﻴﻢ‪ .‬ﺑـﻪ‬
 ‫‪ /72‬ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﻣﻬﻨﺪﺳﻲ ﺑﺮق‪ ،‬ﺳﺎل اول‪ ،‬ﺷﻤﺎره اول‪ ،‬زﻣﺴﺘﺎن ‪  1389‬‬

‫‪G14‬‬ ‫‪G1‬‬ ‫‪G8‬‬

‫‪66‬‬ ‫‪53‬‬ ‫‪60‬‬
‫‪40‬‬ ‫‪48‬‬ ‫‪47‬‬ ‫‪29‬‬
‫‪41‬‬ ‫‪2‬‬ ‫‪26‬‬
‫‪25‬‬ ‫‪28‬‬
‫‪61‬‬
‫‪1‬‬ ‫‪24‬‬ ‫‪G9‬‬
‫‪27‬‬

‫‪31‬‬ ‫‪30‬‬ ‫‪21‬‬

‫‪3‬‬
‫‪G11‬‬ ‫‪18‬‬ ‫‪17‬‬
‫‪62‬‬
‫‪63‬‬ ‫‪16‬‬ ‫‪22‬‬
‫‪G10‬‬
‫‪15‬‬
‫‪46‬‬ ‫‪38‬‬ ‫‪32‬‬ ‫‪58‬‬
‫‪33‬‬ ‫‪9‬‬ ‫‪19‬‬
‫‪4‬‬ ‫‪14‬‬ ‫‪G6‬‬
‫‪12‬‬ ‫‪56‬‬
‫‪49‬‬
‫‪42‬‬ ‫‪34‬‬ ‫‪5‬‬ ‫‪20‬‬
‫‪G4‬‬
‫‪35‬‬ ‫‪6‬‬ ‫‪11‬‬
‫‪8‬‬ ‫‪13‬‬ ‫‪57‬‬ ‫‪23‬‬
‫‪67‬‬

‫‪G15‬‬ ‫‪51‬‬ ‫‪45‬‬ ‫‪36‬‬ ‫‪G5‬‬ ‫‪59‬‬

‫‪7‬‬
‫‪44‬‬ ‫‪64‬‬ ‫‪10‬‬
‫‪50‬‬ ‫‪37‬‬ ‫‪54‬‬ ‫‪G7‬‬
‫‪G2‬‬ ‫‪55‬‬
‫‪65‬‬
‫‪52‬‬ ‫‪G3‬‬
‫‪39‬‬ ‫‪G13‬‬
‫‪68‬‬

‫‪G16‬‬

‫ﺷﻜﻞ)‪ :(3‬دﻳﺎﮔﺮام ﺗﻚ ﺧﻄﻲ ﺳﻴﺴﺘﻢ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ]‪[24‬‬

‫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

‫ﺟﺪول)‪ :(2‬دﺳﺘﻪ ﭘﺮﺗﻮ ذﺧﻴﺮه ﺷﺪه در آرﺷﻴﻮ ﺗﻮﺳﻂ اﻟﮕﻮرﻳﺘﻢ ‪MOGSA‬‬

‫ﻣﺤﻞ ‪SVC‬‬ ‫ﻇﺮﻓﻴﺖ‬ ‫ﺑﻴﺸﺘﺮﻳﻦ اﻧﺤﺮاف‬ ‫ﺗﻠﻔﺎت‬ ‫ﻫﺰﻳﻨﻪ‬

‫‪47‬‬ ‫‪230‬‬ ‫‪0.0516‬‬ ‫‪435‬‬ ‫‪1.68*107‬‬
‫‪48‬‬ ‫‪208‬‬ ‫‪0.0517‬‬ ‫‪441‬‬ ‫‪1.60*107‬‬
‫‪48‬‬ ‫‪213‬‬ ‫‪0.0517‬‬ ‫‪440‬‬ ‫‪1.62*107‬‬
‫‪47‬‬ ‫‪240‬‬ ‫‪0.0515‬‬ ‫‪433‬‬ ‫‪1.71*107‬‬
‫‪48‬‬ ‫‪206‬‬ ‫‪0.0517‬‬ ‫‪442‬‬ ‫‪1.59*107‬‬
‫‪1‬‬ ‫‪540‬‬ ‫‪0.0506‬‬ ‫‪397‬‬ ‫‪2.70*107‬‬
‫‪47‬‬ ‫‪247‬‬ ‫‪0.0515‬‬ ‫‪432‬‬ ‫‪1.73*107‬‬
‫‪47‬‬ ‫‪341‬‬ ‫‪0.0515‬‬ ‫‪414‬‬ ‫‪1.98*107‬‬
‫‪1‬‬ ‫‪430‬‬ ‫‪0.0622‬‬ ‫‪411‬‬ ‫‪2.22*107‬‬
‫‪47‬‬ ‫‪279‬‬ ‫‪0.0514‬‬ ‫‪425‬‬ ‫‪1.83*107‬‬
‫‪47‬‬ ‫‪310‬‬ ‫‪0.0512‬‬ ‫‪420‬‬ ‫‪1.91*107‬‬
‫‪1‬‬ ‫‪563‬‬ ‫‪0.0533‬‬ ‫‪394‬‬ ‫‪2.85*107‬‬
‫‪1‬‬ ‫‪546‬‬ ‫‪0.0506‬‬ ‫‪396‬‬ ‫‪2.73*107‬‬
‫‪48‬‬ ‫‪211‬‬ ‫‪0.0517‬‬ ‫‪441‬‬ ‫‪1.61*107‬‬
‫‪1‬‬ ‫‪530‬‬ ‫‪0.0506‬‬ ‫‪398‬‬ ‫‪2.65*107‬‬
‫‪1‬‬ ‫‪537‬‬ ‫‪0.0506‬‬ ‫‪397‬‬ ‫‪2.69*107‬‬
‫‪47‬‬ ‫‪185‬‬ ‫‪0.0653‬‬ ‫‪446‬‬ ‫‪1.50*107‬‬
‫‪1‬‬ ‫‪450‬‬ ‫‪0.0599‬‬ ‫‪408‬‬ ‫‪2.29*107‬‬
‫‪1‬‬ ‫‪596‬‬ ‫‪0.0601‬‬ ‫‪391‬‬ ‫‪3.11*107‬‬
 ‫‪ /74‬ﺳﻴﺴﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﻣﻬﻨﺪﺳﻲ ﺑﺮق‪ ،‬ﺳﺎل اول‪ ،‬ﺷﻤﺎره اول‪ ،‬زﻣﺴﺘﺎن ‪  1389‬‬

‫ﺟﺪول )‪ :(3‬دﺳﺘﻪ ﭘﺮﺗﻮ ذﺧﻴﺮه ﺷﺪه در آرﺷﻴﻮ ﺗﻮﺳﻂ اﻟﮕﻮرﻳﺘﻢ ‪SPEA2‬‬

‫ﻣﺤﻞ ‪SVC‬‬ ‫ﻇﺮﻓﻴﺖ‬ ‫ﺑﻴﺸﺘﺮﻳﻦ اﻧﺤﺮاف‬ ‫ﺗﻠﻔﺎت‬ ‫ﻫﺰﻳﻨﻪ‬

‫‪1‬‬ ‫‪679‬‬ ‫‪0.0778‬‬ ‫‪383‬‬ ‫‪3.97*107‬‬

‫‪1‬‬ ‫‪652‬‬ ‫‪0.0721‬‬ ‫‪385‬‬ ‫‪3.65*107‬‬
‫‪48‬‬ ‫‪237‬‬ ‫‪0.0517‬‬ ‫‪435‬‬ ‫‪1.070*107‬‬
‫‪1‬‬ ‫‪533‬‬ ‫‪0.0506‬‬ ‫‪398‬‬ ‫‪2.66*107‬‬
‫‪47‬‬ ‫‪327‬‬ ‫‪0.0512‬‬ ‫‪416‬‬ ‫‪1.95*107‬‬
‫‪48‬‬ ‫‪212‬‬ ‫‪0.0517‬‬ ‫‪440‬‬ ‫‪1.61*107‬‬
‫‪1‬‬ ‫‪193‬‬ ‫‪0.0993‬‬ ‫‪450‬‬ ‫‪1.53*107‬‬
‫‪1‬‬ ‫‪280‬‬ ‫‪0.0857‬‬ ‫‪434‬‬ ‫‪1.83*107‬‬
‫‪47‬‬ ‫‪294‬‬ ‫‪0.0513‬‬ ‫‪422‬‬ ‫‪1.87*107‬‬
‫‪40‬‬ ‫‪175‬‬ ‫‪0.0522‬‬ ‫‪455‬‬ ‫‪1.45*107‬‬
‫‪40‬‬ ‫‪168‬‬ ‫‪0.0522‬‬ ‫‪457‬‬ ‫‪1.42*107‬‬
‫‪1‬‬ ‫‪552‬‬ ‫‪0.0513‬‬ ‫‪395‬‬ ‫‪2.78*107‬‬
‫‪48‬‬ ‫‪163‬‬ ‫‪0.0541‬‬ ‫‪452‬‬ ‫‪1.39*107‬‬
‫‪40‬‬ ‫‪160‬‬ ‫‪0.0522‬‬ ‫‪459‬‬ ‫‪1.38*107‬‬
‫‪1‬‬ ‫‪548‬‬ ‫‪0.0509‬‬ ‫‪396‬‬ ‫‪2.75*107‬‬
‫‪1‬‬ ‫‪546‬‬ ‫‪0.0506‬‬ ‫‪396‬‬ ‫‪2.73*107‬‬
‫‪47‬‬ ‫‪385‬‬ ‫‪0.0746‬‬ ‫‪407‬‬ ‫‪2.09*107‬‬
‫‪1‬‬ ‫‪615‬‬ ‫‪0.0642‬‬ ‫‪389‬‬ ‫‪3.28*107‬‬

‫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

‫‪internal bus number‬‬

‫ﺷﻜﻞ )‪ :(5‬داﻣﻨﻪ وﻟﺘﺎژ ﺑﺎس ﻫﺎي ﺳﻴﺴﺘﻢ ﻗﺒﻞ از ﺟﺎﻳﮕﺬاري ‪SVC‬‬

‫‪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

‫ﺷﻜﻞ )‪ :(6‬داﻣﻨﻪ وﻟﺘﺎژ ﺑﺎس ﻫﺎي ﺳﻴﺴﺘﻢ ﭘﺲ از ﺟﺎﻳﮕﺬاري ‪SVC‬‬

‫ارزﻳﺎﺑﻲ ﺷﺪه اﺳﺖ‪ ،‬اﻣﺎ اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻫﺎ ﺑﺮاي اﻧﺘﺨـﺎب‬
‫ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﺑﻬﻴﻨﻪ از روش وزﻧﻲ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨـﺪ‪.‬‬
‫در ﻧﺘﻴﺠﻪ اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻫﺎ ﺗﻨﻬﺎ ﻗﺎدر ﺑﻪ ﻳﺎﻓﺘﻦ راه ﺣﻠّـﻲ‬
‫ﺑﻪ ﻋﻨﻮان ﺟﻮاب ﺑﻬﻴﻨﻪ ﻫﺴﺘﻨﺪ‪ ،‬در ﺣﺎﻟﻲ ﻛـﻪ اﻟﮕـﻮرﻳﺘﻢ‬
‫‪ MOGSA‬ﺑﺎ اﺳﺘﻔﺎده از ﻣﻔﻬﻮم ﭘﺮﺗﻮ‪ ،‬ﺗﻮاﻧﺴﺖ ﻣﺠﻤﻮﻋﻪ‬
‫اي از ﺟﻮاب ﻫﺎي ﺑﻬﻴﻨﻪ را در ﻳﻚ آرﺷﻴﻮ ﻗـﺮار دﻫـﺪ‪.‬‬
‫در واﻗــﻊ‪ ،‬ﺣــﻞ اﻳــﻦ ﻣﺴــﺎﻟﻪ ﺑــﺎ اﺳــﺘﻔﺎده از اﻟﮕــﻮرﻳﺘﻢ‬
‫‪ MOGSA‬اﻳﻦ ﻗﺎﺑﻠﻴﺖ را دارد ﻛﻪ آزادي ﻋﻤـﻞ ﻣـﺎ را‬
‫در اﻧﺘﺨﺎب ﺑﻬﺘﺮﻳﻦ ﺟﻮاب ﺑﻬﻴﻨﻪ ﺑﺎﻻ ﻣﻲ ﺑﺮد و ﻣﺎ ﻋﻼوه‬
‫ﺑﺮاي اﺛﺒﺎت ﻛﺎراﻳﻲ اﻟﮕﻮرﻳﺘﻢ ‪ MOGSA‬در ﺟﺎﻳﺎﺑﻲ‬
‫‪ SVC‬ﻧﺘﺎﻳﺞ ﺑﻪ دﺳﺖ آﻣﺪه ﺑﺎ ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از اﻟﮕﻮرﻳﺘﻢ‬
‫وراﺛﺘﻲ ‪ SPEA2‬ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﺷﻮد‪.‬‬
‫ﺟﻮاب ﺑﻬﻴﻨﻪ ﻳﺎﻓﺘﻪ ﺷـﺪه ﺗﻮﺳـﻂ ﻫـﺮ دو اﻟﮕـﻮرﻳﺘﻢ‬
‫‪ MOGSA‬و ‪ SPEA2‬ﻳﻜﺴﺎن اﺳـﺖ‪ .‬ﺑـﺎس ﺑﻬﻴﻨـﻪ در‬
‫ﺑــﺎس ﺷــﻤﺎره ‪ 1‬و ﻣﻘــﺪار ‪ SVC‬ﺑﺮاﺑــﺮ ‪ 546‬ﻣﮕــﺎوار‬
‫ﺗﺸﺨﻴﺺ داده ﺷـﺪ‪ .‬ﺗـﺎﻛﻨﻮن ﻣﺴـﺎﻟﻪ ﺟﺎﻳـﺎﺑﻲ ‪ SVC‬در‬
‫ﺷﺒﻜﻪ ﻫـﺎي ﻗـﺪرت‪ ،‬ﺗﻮﺳـﻂ اﻟﮕـﻮرﻳﺘﻢ ﻫـﺎﻳﻲ‪ ،‬ﭼـﻮن‬
‫‪ 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
‫ﺧﺼـــﻮص روش ﭘﻴﺸـــﻨﻬﺎدي از ﻫﻤﮕﺮاﻳـــﻲ ﺧـــﻮﺑﻲ‬
‫ﺑﺮﺧﻮردار اﺳﺖ و ﻗﺎدر ﺑﻪ ﻳﺎﻓﺘﻦ راه ﺣﻞ ﻫـﺎي ﺣـﺪي‬
‫اﺳــﺖ‪ .‬ﻫﻤﭽﻨــﻴﻦ‪ ،‬در اﻳــﻦ ﻣﻘﺎﻟــﻪ ﺗﻮاﻧــﺎﻳﻲ اﻟﮕــﻮرﻳﺘﻢ‬
‫ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸـﻲ ﭼﻨـﺪ ﻫﺪﻓـﻪ در ﺟﺎﻳـﺎﺑﻲ ﺟﺒـﺮان‬
‫ﻛﻨﻨﺪه ﻫﺎي اﺳﺘﺎﺗﻴﻚ ﺗﻮان راﻛﺘﻴﻮ در ﺷﺒﻜﻪ ﻫﺎي ﻗﺪرت‬
‫ﺑـﻪ اﺛﺒـﺎت رﺳـﻴﺪ‪ .‬ﺷــﺎﻳﺎن ذﻛـﺮ اﺳـﺖ ﺟﺎ‪‬ﻳــﺎﺑِﻲ ادوات‬
‫‪ FACTS‬ﺑﺮ اﺳﺎس وﻳﮋﮔﻲ ﻛﻨﺘﺮﻟﻲ اﺑﺘﺪاﻳﻲ آﻧﻬـﺎ اﻧﺠـﺎم‬
‫ﻣﻲ ﺷﻮد و ﺳﭙﺲ ﺗﻮاﻧﺎﻳﻲ آﻧﻬﺎ در ﻣﻴﺮا ﻛﺮدن ﻧﻮﺳﺎنﻫـﺎ‬
‫ﺑﺮرﺳﻲ ﻣﻲ ﮔﺮدد‪ .‬ﻣﺜﻼ ﺑﺮاي ‪ SVC‬ﺟﺎﻳﺎﺑﻲ ﺑـﺮ اﺳـﺎس‬
‫ﻛﻨﺘﺮل وﻟﺘﺎژ ﺻﻮرت ﻣ‪‬ﻲ ﭘﺬ‪‬ﻳﺮد و ﺳﭙﺲ ﻗﺎﺑﻠ‪‬ﻴـﺖ آن را‬
‫در ﻣﻴﺮا ﻛﺮدن ﻧﻮﺳﺎن ﻫـﺎ ﺑـﺎ اﺳـﺘﻔﺎده از ﻛﻨﺘـﺮل ﻛﻨﻨـﺪه‬
‫ﻣﻜﻤﻞ ﻣﻮرد ﺑﺮرﺳ‪‬ﻲ ﻗﺮار ﻣـﻲ ﮔﻴـﺮد‪ .‬ﻃﺮاﺣـﻲ ﻛﻨﺘـﺮل‬
‫ﻛﻨﻨﺪه ﻣﻜﻤـﻞ ﺑـﺮ اﺳـﺎس اﻫـﺪاﻓﻲ دﻳﮕـﺮ‪ ،‬ﻣﺘﻔـﺎوت از‬
‫اﻫﺪاف ﺟﺎﻳﺎﺑﻲ؛ ﻣﺜﻼ ﻣﻴـﺰان ﺟﺎﺑﺠـﺎﻳﻲ ﺑـﺪﺗﺮﻳﻦ ﻣﻘـﺪار‬
‫وﻳﮋه و اﻧﺘﻘﺎل آن ﺑﻪ ﻧﻴﻤﻪ ﭼﭗ ﺻـﻔﺤﻪ ‪ s‬ﺻـﻮرت ﻣـﻲ‬
‫ﭘﺬﻳﺮد‪ .‬از آﻧﺠﺎﻳﻲ ﻛﻪ ﻃﺮاﺣﻲ ﻛﻨﺘـﺮل ﻛﻨﻨـﺪه ﻣﻜﻤـﻞ از‬
‫ﺣﻮﺻﻠﻪ اﻳﻦ ﻣﻘﺎﻟﻪ ﺧﺎرج اﺳﺖ‪ ،‬ﻋﻼﻗﻪ ﻣﻨﺪان ﻣﻲ ﺗﻮاﻧﻨﺪ‬
‫ﺑﻪ ﻣﺮﺟﻊ]‪ [25‬ﻣﺮاﺟﻌﻪ ﻛﻨﻨﺪ ﻛﻪ ﻣﺴـﺎﻟﻪ ﭘﺎﻳـﺪاري را در‬
‫ﺷﺒﻜﻪ ﻣـﻮرد ﻧﻈـﺮ ﺑﺮرﺳـﻲ ﻛـﺮده‪ ،‬ﺑـﻪ ﺑﻴـﺎن ﺟﺰﻳﻴـﺎت‬
‫ﻣﻲﭘﺮدازد‪.‬‬
‫ﺑﻬﻴﻨﻪ ﺳﺎزي ﭼﻨﺪ ﻫﺪﻓﻪ‪ ،‬روش ﺟﺪﻳﺪي ﻣﺒﺘﻨﻲ ﺑـﺮ اﻳـﻦ‬
‫ﻣﻨﺎﺑﻊ‪:‬‬
‫]‪[1‬‬ ‫‪Zitzler, E. and Thiele, L., "Multiobjective‬‬
‫‪Evolutionary Algorithms: A Comparative‬‬
‫‪Case Study and the Strength pareto‬‬
‫‪approach", IEEE Transactions on‬‬
‫‪Evolutionary Computation, 1999, vol.3 ,‬‬
‫‪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
‫‪Perelson, A.S., " The immune system,‬‬
‫ﺑﺮ اﻧﺘﺨﺎب ﺑﻬﺘﺮﻳﻦ ﺟﻮاب‪ ،‬ﺣﻖ اﻧﺘﺨﺎب ﺟـﻮاب ﻫـﺎي‬
‫ﺑﻬﻴﻨﻪ دﻳﮕﺮي را ﻧﻴﺰ ﺧﻮاﻫﻴﻢ داﺷﺖ‪.‬‬
‫‪ -7‬ﻧﺘﻴﺠﻪﮔﻴﺮي‬
‫اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸـﻲ اﻟﮕـﻮرﻳﺘﻢ ﺷـﻬﻮدي‬
‫ﺟﺪﻳﺪي اﺳﺖ ﻛﻪ ﺑﺎ ﺑﻬـﺮه ﮔﻴـﺮي از ﻗـﺎﻧﻮن ﺟﺎذﺑـﻪ در‬
‫ﻃﺒﻴﻌﺖ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﺗﻚ ﻫﺪﻓﻪ ﭘﺎﻳـﻪ رﻳـﺰي ﺷـﺪه‬
‫اﺳﺖ‪ .‬اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺑﺎ اﻟﻬﺎم از ﻗﺎﻧﻮن ﺟﺎذﺑـﻪ و ﻧﻴـﺮوي‬
‫ﮔﺮاﻧﺶ ﻣﻌﺮﻓﻲ و ﭘﺎراﻣﺘﺮﻫﺎي آن ﺑﻪ ﺻـﻮرت ﺷـﻬﻮدي‬
‫ﺗﻨﻈﻴﻢ ﺷﺪه اﺳﺖ‪ .‬ﻋﺎﻣﻞ ﻫﺎي ﺟﺴﺘﺠﻮ ﻛﻨﻨﺪه ﻣﺠﻤﻮﻋـﻪ‬
‫اي از اﺟﺮام ﻫﺴﺘﻨﺪ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑـﻪ ﺻـﻮرت ﺳـﻴﺎره‬
‫ﻫﺎي ﻳﻚ ﻣﻨﻈﻮﻣﻪ ﺗﺼﻮر ﺷﻮﻧﺪ‪ .‬اﻃﻼﻋـﺎت ﻣﺮﺑـﻮط ﺑـﻪ‬
‫ﺑﺮازﻧﺪﮔﻲ ﻫﺮ ﺟـﺮم در ﻗﺎﻟـﺐ ﺟـﺮم ﻫـﺎي ﮔﺮاﻧﺸـﻲ و‬
‫اﻳﻨﺮﺳﻲ ذﺧﻴﺮه ﻣﻲ ﺷﻮد‪ .‬ﺗﺒﺎدل اﻃﻼﻋﺎت و اﺛﺮ ﮔـﺬاري‬
‫اﺟﺮام روي ﻳﻜﺪﻳﮕﺮ ﺗﺤﺖ ﺗﺎﺛﻴﺮ ﻧﻴﺮوي ﮔﺮاﻧﺶ اﻧﺠـﺎم‬
‫ﻣﻲ ﺷﻮد‪.‬‬
‫ﺑﺴﻴﺎري از ﻣﺴﺎﺋﻞ دﻧﻴﺎي واﻗﻌﻲ ﺑـﺎ ﭼﻨـﺪﻳﻦ ﻫـﺪف‬
‫ﻣﺘﻀﺎد ﺳﺮو ﻛـﺎر دارﻧـﺪ ﻛـﻪ ﺑﺎﺗﻮﺟـﻪ ﺑـﻪ ﺑـﺪﻳﻊ ﺑـﻮدن‬
‫اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮي ﮔﺮاﻧﺸﻲ‪ ،‬ﺗﺎ ﻛﻨـﻮن روﺷـﻲ ﺑـﺮاي‬
‫ﺣﻞ ﻣﺴﺎﺋﻞ ﭼﻨﺪ ﻫﺪﻓﻪ ﺑﺎ اﺳﺘﻔﺎده از اﻳﻦ اﻟﮕﻮرﻳﺘﻢ اراﺋﻪ‬
‫ﻧﺸﺪه اﺳﺖ‪ .‬در اﻳﻦ ﻣﻘﺎﻟﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻔﺎﻫﻴﻢ اﺳﺎﺳـﻲ‬
‫اﻟﮕﻮرﻳﺘﻢ‪ ،‬ﺑﺎ ﻧﺎم اﻟﮕـﻮرﻳﺘﻢ ﺟﺴـﺘﺠﻮي ﮔﺮاﻧﺸـﻲ ﭼﻨـﺪ‬
‫ﻫﺪﻓﻪ )‪ (MOGSA‬ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﭼﻨﺪ ﻫﺪﻓـﻪ اراﺋـﻪ‬
‫ﺷﺪ‪ .‬ﺑﺮاي ﻣﻘﺎﻳﺴﻪ ﻛﺎراﻳﻲ اﻟﮕﻮرﻳﺘﻢ ﮔﺮاﻧﺸﻲ ﭼﻨﺪ ﻫﺪﻓﻪ‬
‫ﺑﺎ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي وراﺛﺘﻲ و ﺟﻤﻌﻴـﺖ ذرات از ﭼﻨـﺪﻳﻦ‬
‫اﻛﺜﺮ ﺗﻮاﺑﻊ اﺳﺘﺎﻧﺪارد ﻋﻤﻠﻜﺮد ﻣﻨﺎﺳﺒﻲ از ﻧﻈﺮ ﻫﻤﮕﺮاﻳﻲ‬
  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.,
Fonseca, C.M., "performance assessment
of multi-objective optimization: An
analysis and review", Technical Report
139, Computer Engineering and
Networks Laboratory(TIK) , 2002.
[15] Silverman, B.W. (1986), "Density
estimation for statistics and data
analysis", Chapman and Hall, London,
1986.
[16] Horn, J., Nafpliotis, N., Goldberg, D.E.,
"A niched pareto genetic algorithm for
multi-objective optimization", In
proceeding of the first conference on
evolutionary computation, IEEE world
congress on computational computation,
vol. 1, pp. 82-87. Piscataway, Nj, 1994.
[17] Tripathi, P.K., Bandyopadhyay, S., Pal,
S.K., "Multi- Objective Particle Swarm
Optimization with time variant inertia and
acceleration coefficients", Information
Science 177, pp. 5033-5049, 2007.
[18] Gerbex, S., Cherkaoui, R. and Germond,
A.J., “Optimal location of Multi-type
FACTS devices in a power system by
means of genetic Algorithms”, IEEE
Trans. Power Syst., vol. 16, No. 3,
pp.537-544, 2001.
[19] Ebrahimi, S., Farsangi, M. M.,
Nezamabadi-Pour, H. and lee, K. Y.,
“Optimal Allocation of STATIC VAR
COMPENSATORS using modal analysis,
simulated annealing and Tabu search”, in
Proc. 2006 IFAC Symposium on Power
Plants and Power Systems, Calgary,
Canada, July, 2006.
[20] Farsangi, M M., Nezamabadi-Pour, H.
and Lee, K. Y., "Multi-objective VAr
planning with SVC for a large power
system using PSO and GA," in Proc. 2006
IEEE PES power systems conference and
Wxposition (PSE), Atlanta, USA, 2006.
[21] Saravanan, M., Slochanal, S., Venkatesh,
P. and Abraham, A., “Application of
particle swarm optimization technique for
optimal location of FACTS devices
considering cost of installation and
system loadability” , Electric Power
system research, vol. 77, pp. 276-283,
2007.
[22] Farsangi, M.M., Nezamabadi-pour, H.
and lee, K. Y., "Implementation of
GCPSO for Multi-objective VAr Planning
adaptation, and machine learning",
Physica D 22, pp. 187–204. 1986.
[4] Dorigo, M., Maniezzo, V. and Colorni,
A., "The Ant System: optimization by a
colony of cooperating agents", IEEE
Transaction on systems, Man, and
Cybernetics-part B, vol. 26, no.1, pp. 1-
13, 1996.
[5] Kennedy, J. and Eberhart, R.C., "Particle
swarm optimization", Proceedings of
IEEE International Conference on Neural
Networks, vol. 4, pp. 1942–1948, 1995.
[6] Rashedi, E. and Nezamabadi, H. and
Saryazdi, S., "A Gravitational Search
Algorithm", Information Sciences, pp.
2232-2248,vol. 179, no. 13, 2009.
[7] Zitzler, E., "Evolutionary Algorithms for
Multiobjective Optimization: methods
and aplications", Ph.D. thesis, Shaker
Verlag, Aachen, Germany, 1999.
[8] Hajela, E. P. and lin, C.Y., "Genetic
Search Strategies in Multicriterion
Optimal Design", Structural
Optimization, vol.4, pp. 99-107 , 1992.
[9] Shaffer, J.D., "Multiple Objective
Optimization with vector evaluated
genetic algorithms", International
Conference on Genetic Algorithm and
their application, pp. 93-100, Pittsburgh,
PA, 1985.
[10] Kursawe, F., "A variant of evolution
strategies for vector optimization", In H.-
p. Schawefel and R. Manner, editors,
Parallel Problem Solving fro Nature, pp.
193-197,Berlin, Springer , 1991.
[11] Goldberg, D., "Genetic Algorithm in
Search, Optimization, and Machine
Learning". Addison-Wesley, Reading,
Massachusetts, 1989.
[12] Fonseca, C.M. and Fleming, P.J.,
""Genetic Algorithms for Multi-objective
Optimization: Formulation, discussion
and generalization", In S. Forest (Editor)
Proc. of the fifth International
Conference on Genetic Algorithms, pp.
416-423, 1993.
[13] Sirinivas, N. and Deb, K., "Multi-
objective optimization using non
dominated sorting in genetic algorithms",
Evolutionary Computation, pp. 221-248 ,
1994.
   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