خویشه, محمد, آقابابایی, مجید, صفاری, عباس, گلدانی, افشین. (1395). انتخاب حسگرهای AUV با استفاده از الگوریتم ALO و شبکه‌های عصبی. فصلنامه علوم و فناوری دریا, 77(77), 59-69.
محمد خویشه; مجید آقابابایی; عباس صفاری; افشین گلدانی. "انتخاب حسگرهای AUV با استفاده از الگوریتم ALO و شبکه‌های عصبی". فصلنامه علوم و فناوری دریا, 77, 77, 1395, 59-69.
خویشه, محمد, آقابابایی, مجید, صفاری, عباس, گلدانی, افشین. (1395). 'انتخاب حسگرهای AUV با استفاده از الگوریتم ALO و شبکه‌های عصبی', فصلنامه علوم و فناوری دریا, 77(77), pp. 59-69.
خویشه, محمد, آقابابایی, مجید, صفاری, عباس, گلدانی, افشین. انتخاب حسگرهای AUV با استفاده از الگوریتم ALO و شبکه‌های عصبی. فصلنامه علوم و فناوری دریا, 1395; 77(77): 59-69.
انتخاب حسگرهای AUV با استفاده از الگوریتم ALO و شبکه‌های عصبی
1دانشجوی دکتری دانشکده مهندسی برق، دانشگاه علم و صنعت ایران
2استادیار دانشکده مهندسی برق، دانشگاه علوم دریایی امام خمینی (ره)
3دانشجوی کارشناسی ارشد دانشکده مهندسی برق، دانشگاه علوم دریایی امام خمینی (ره)
چکیده
محدود بودن منابع تامین انرژی در زیردریایی‌های بدون سرنشین یکی از مشکلاتی است که انجام ماموریت‌های طولانی را محدود می‌کند. از این رو می‌توان با انتخاب هوشمندانه‌ی حسگرها و در نتیجه صرفه‌جویی در منابع انرژی (باتری) به حل این مشکل کمک شایانی کرد. برای انتخاب حسگر باید تمامی حالات را بررسی کنیم که انجام این کار مستلزم صرف وقت زیادی است. به همین دلیل استفاده از روش‌های ابتکاری و فراابتکاری مورد توجه صنعتگران، محققان و پژوهشگران فعال این حوزه قرار گرفت. یکی از روش‌های فراابتکاری جدید و قدرتمند در بهینه‌سازی الگوریتم ALO می‌باشد. این الگوریتم با استفاده از ویژگی خاص خود و همگرایی سریع، قابلیت دستیابی به نتیجه مطمئن‌تر را داراست. آنچه بدست آمد ضمن تایید توانمندی این الگوریتم در بهینه‌سازی، مبین توانایی این الگوریتم در زمینه انتخاب حسگر می‌باشد.
AUV’s Sensor Selection by Using Ant-Lion Optimization Algorithm and Neural Networks
نویسندگان [English]
M Khisheh, M Aghababaei, A Saffari, A Goldani
چکیده [English]
Due to the Limited energy resources in AUVs, their Long missions have been limited. Smarter sensor selection leads to lower energy consumption. Therefore, it can solve the aforementioned problem. Check out all the scenarios is very time consuming. For this reason, the use of heuristic and meta-heuristic methods was considered by industrialists and researchers in the field. ALO is one of the most powerful methods in the optimization problem; therefore, this algorithm by using its unique capability can obtain the best result and the fastest convergence curve among other benchmark methods. As the results show, ALO is very efficient in the sensor selection problem.
کلیدواژه ها [English]
Select sensor, algorithm ALO, Smart submarine, Energy consumption
مراجع
[1] آقابابایی، مجید، خویشه، محمد، کاربرد الگوریتم ژنتیک و شبکه‌های عصبی در سامانه C4Iزیردریایی، فصلنامه علوم و فناوری دریا، دوره : 18 ، شماره : 62 ،صفحه:61 -72، 1391.
[2] Ono, M. Quadrelli, M. and Huntsberger T. L. "Safe Maritime Autonomous Path Planning in a High Sea State" IEEE conference on American Control (ACC), pp.4727-4734, 2014.
[3] kuwata, Y , wolf, M. T. "Safe Maritime Autonomous Navigation With COLREGS" IEEE Journal on Using Velocity Obstacles Oceanic Engineering, Vol.39, pp.110-119, 2014.
[4] Miah, S. Uus, A. and Liatsis, P. "Design Of Multidimensional Sensor Fusion System For Road Pavement Inspection" International Conference on Systems, Signals and Image Processing (IWSSIP), pp.304-308, 2015.
[5] Xiao, L. Boyd, S. and Lall, S. "A Scheme for Robust Distributed Sensor Fusion Based on Average Consensus" Fourth International Symposium on Information Processing in Sensor Networks, pp.63-70, 2005.
[6] Zhao, Y. "A Method of Multi-Sensor Data Fusion Based on Rough Set Theory and ART-2 Neural Network" Seventh International Symposium on Computational Intelligence and Design (ISCID), Vol.1, pp.238-240, 2014.
[7] Lee, M. F. R, Stanley, K. and Wu, Q. M. J. "Implementation of sensor selection and fusion using fuzzy logic" Joint 9th IFSA World Congress and 20th NAFIPS International Conference, Vol.1, pp. 328 - 333, 2001.
[8] Sharawi, M. S, Abdel-Aty-Zohdy H. S. "Optimal-weights sensors-measurement fusion using genetic algorithms" Proceedings of the 44th IEEE 2001 Midwest Symposium on Circuits and Systems, Vol.2, pp.537-542, 2001.
[9] Al Khatib, E. I, Jaradat, M. A. and Abdel-Hafez, M. "Multiple Sensor Fusion for Mobile Robot Localization and Navigation Using the Extended Kalman Filter" 10th International Symposium on Mechatronics and its Applications (ISMA), pp.1-5, 2015.
[10] Badamchizadeh, M. A. and Nikdel,Kouzehgar, N. M. "Optimization of Data Fusion Method Based on Kalman Filter Using Genetic Algorithm and Particle Swarm Optimization" The 2nd International Conference on Computer and Automation Engineering (ICCAE), Vol.5, pp.359-363, 2010.
[11] Raol, J. R. and Girija, G. "Sensor data fusion algorithms using square-root information filtering" IEE Proceedings Radar, Sonar and Navigation, Vol.149, pp.89-96, 2002.
[12] Coue, C. and Mazer, E. "Multi-Sensor Data Fusion Using Bayesian Programming: An Automotive Application,” IEEE Intelligent Vehicle Symposium, Vol.2, pp.442-447, 2002.
[13] S. Mirjalili, and A. Lewis, "Let a Biogeography-based Optimizer Train Your Multi-Layer Perceptron" Journal of Information Sciences, Vol.269, pp.188-209, 2014.
[14] Zhang, N. "An Online Gradient Method with Momentum for Two-Layer Feedforward Neural Networks" Mathematics and Computation, Vol.212, No.2, pp.488-498, 2009.
[15] Ng, S. C. and Luk, A. "Fast Convergence For Backpropagation Network with Magnified Gradient Function,” IEEE Conference On Neural Networks, pp.1903-1908, 2003.
[16] Mirjalili, S. M, Abedi, K. and Mirjalili, S. "Optical Buffer Performance Enhancement Using Particle Swarm Optimization In Ring-Shape-Hole Photonic Crystal Waveguide" Optik International Journal Of Light Electron Optics, Vol.124, No.23, pp.5989–5993, 2013.
[17] Guo, W, Wang, L. and Wu, Q. "An Analysis Of The Migration Rates For Biogeography-Based Optimization" Information Sciences, Vol.254, pp.111-140, 2014.
:justify;text-justify: inter-ideograph;text-indent:-18.0pt;mso-list:l0 level1 lfo1;direction:ltr; unicode-bidi:embed'>[19] Palafox, J. P.; Palacios, C. A. M. and Ross, L. G., The effects of salinity and temperature on the growth and survival rates of juvenile white shrimp, Penaeus vannamei, Aquaculture, 157, 2008, pp. 107-115.
ابتدای صفحه