الگوريتم بهينه سازي گروه گربه هاي بهبود يافته براي پيش بيني سرعت باد

optimal algorithm cats group well for foresight wind speed

بهينه‌سازي در بسياري از شاخه‌هاي علوم و مهندسي از اهميت بسيار زيادي برخوردار است. از نمونه‌هاي كاربردي بهينه‌سازي در دنياي واقعي مي‌توان به بهينه‌سازي توابع رياضي، طراحي و بهينه‌سازي مدارات چاپي، طراحي مدل‌هاي محاسباتي مخازن نفتي، مهندسي كنترل، اشاره كرد. طيف وسيعي از مسائل بهينه‌سازي با فن‌هاي رياضي دقيق قابل‌حل نيستند، ازاين‌رو روش‌هاي ديگري براي حل اين دسته از مسائل لازم است. در اين ميان، پژوهش‌ها حاكي از آن هستند كه الگوريتم‌هاي هوش جمعي قادرند تا با موفقيت به بهينه‌سازي اين دسته از مسائل بپردازند. بااين‌وجود، ازآنجاكه پيچيدگي مسائل دنياي واقعي به شكل فزاينده‌اي در حال افزايش است، بهبود روش‌هاي بهينه‌سازي نيز امري اجتناب‌ناپذير است. يكي از حوزه‌هايي كه بهينه‌سازي در آن كاربرد فراواني دارد هواشناسي است. يكي از عناصر بسيار مهم هواشناسي سرعت باد است كه تغييرات كوتاه‌مدت و بلندمدت آن بر خصوصيات اقليم جهاني و منطقه‌اي بسيار تأثيرگذار است. در مبحث بهينه‌سازي، الگوريتم‌هاي بسياري در اين چند سال اخير معرفي‌شده‌اند. برخي از اين الگوريتم‌ها مبتني بر رفتار حيوانات و شبيه‌سازي‌ رفتار ‌آن‌ها مي‌باشند. يكي از اين الگوريتم‌ها كه به تازگي معرفي شده¬است، الگوريتم بهينه‌سازي گروه گربه مي‌باشد كه با موفقيت در كاربردهاي مختلفي به‌كار رفته است. در اين مقاله سعي شده تا با تنظيم پارامتر نرخ ادغام (MR) در الگوريتم گربه‌، كارايي اين الگوريتم بهبود داده¬شود. روش پيشنهادي پس از آن با بردار پشتيبان رگرسيون تركيب شده است تا بعنوان ابزاري براي پيش‌بيني سرعت باد مورد استفاده قرار گيرد. نتايج آزمايشات انجام شده بر روي برخي از توابع رياضي معروف، و مسئله پيش‌بيني سرعت باد نشان‌دهنده كارايي روش پيشنهاد در مقايسه با الگوريتم پايه مي‌باشد.

Optimization is an important task in all branches of schience and engineering. Typical examples of optimization in real-world applications can be find in mathematical function optimization, design and optimization of digital circuits, designing computational model for oil tanks and control engineering. A wide range of optimization problems can not be solved using exact mathematical mrthods. Therefore, other numerical methods should be used to solve these problems. Swarm intelligence methods have been proven to work well on these problems. However, as the complexity of the real-world optimization problems increases, more sophisticated optimization methods are required. One of the common application of optimization is in the weather forcast. The wind speed is one of the key component in weather forcast which can affect the global and local climatic characteristics. Various optimization methods have been introduced by the researchrs in the recent years. Some of these algorithms are inspired by the collective behavior of animals. One the these recently proposed algorithms is cat swarm optimization (CSO) which mimics the behavior of cats. In this thesis, an improved version of CSO hase been proposed to tune the parameter mixture ration (MR). The proposed model has also been combined with support vector regression to improve its performance. Experinental results on some well-known mathematical function and wind speed prediction problem show the efficiency of the proposed algorithm.