عنوان مقاله :
حل مسايل هدايت گرمايي تصادفي معكوس با استفاده از الگوريتم‌هاي بهينه سازي ازدحام ذرات و ژنتيك
عنوان به زبان ديگر :
Solving random inverse heat conduction problems using PSO and genetic algorithms
پديد آورندگان :
ﺣﺴﯿﻦ زاده ﺷﺎه ﺑﻼﻗﯽ، ايرج دانشگاه دامغان - دانشكده رياضي و علوم كامپيوتر , پورقلي، رضا دانشگاه دامغان - دانشكده رياضي و علوم كامپيوتر , دانا مزرعه، حسن دانشگاه دامغان - دانشكده رياضي و علوم كامپيوتر، دامغان، ايران , طبسي، هاشم دانشگاه دامغان - دانشكده رياضي و علوم كامپيوتر
كليدواژه :
ﻣﻌﺎدﻟﻪدﯾﻔﺮاﻧﺴﯿﻞﺟﺰﻳﯽ ﺗﺼﺎدﻓﯽ , روش ﺗﻔﺎﺿﻼت ﻣﺘﻨﺎﻫﯽ , ﻣﺴﺎﯾﻞ ﻣﻌﮑﻮس , ﮔﺴﺴﺘﻪﺳﺎزي , اﻟﮕﻮرﯾﺘﻢﺑﻬﯿﻨﻪﺳﺎزي ازدﺣﺎم ذرات , اﻟﮕﻮرﯾﺘﻢ ژﻧﺘﯿﮏ
چكيده فارسي :
ﻫﺪف اصلي در اﯾﻦ ﻣﻘﺎﻟﻪ، ﺣﻞ ﯾﮏ ﻣﺴﺄﻟﻪ ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ ﺟﺰﻳﯽ ﺗﺼﺎدﻓﯽ ﻣﻌﮑﻮس ﺑﺎ اﺳﺘﻔﺎده از الگوريتم‌هاي تكاملي مي‌باشد. الگوريتم ازدحام ذرات و الگوريتم ژنتيك، دو الگوريتم مورد نظر مي‌باشند كه در اين مقاله از آن‌ها استفاده مي‌شود. در اين مقاله، ﺑﺮاي ﺣﻞ ﻣﺴﺎﻟﻪ ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ ﺟﺰﻳﯽ ﺗﺼﺎدﻓﯽ ﻣﻌﮑﻮس، اﺑﺘﺪا ﺑﺎ اﺳﺘﻔﺎده از روش ﮐﺮاﻧﮏ-ﻧﯿﮑﻠﺴﻮن ﻣﺴﺄﻟﻪ ﻣﻌﮑﻮس مورد نظر را ﮔﺴﺴﺘﻪ ﺳﺎزي مي‌كنيم، ﺳﭙﺲ ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ بهينه‌سازي ازدﺣﺎم ذرات و اﻟﮕﻮرﯾﺘﻢ ژﻧﺘﯿﮏ ﺑﻪ ﺣﻞ آن‌ها مي‌پردازيم. الگوريتم‌هايي كه در اين مقاله ارائه شده است، ﻧﺴﺒﺖ ﺑﻪ ساير روش‌هاي قديمي كه تا بحال ارائه شده است، مزيت‌هايي دارد. پياده‌سازي اين الگوريتم‌ها ساده‌تر است، زﻣﺎن اﺟﺮاي ﮐﻤﺘﺮي دارﻧﺪ و ﺗﻘﺮﯾﺐ ﺑﻬﺘﺮي توليد مي‌كنند. همچنين نتايج عددي بدست آمده در اين مقاله نشان مي‌دهند كه جواب‌هاي بدست آمده براي مثال‌هاي مطرح شده در بخش نتايج عددي، داراي دﻗﺖ ﺑﺎﻻيي هستند و خطاي كمتري دارند. همه الگوريتم‌هاي موجود در اين مقاله براي بدست آوردن نتايج عددي مورد نظر، بر روي پردازنده Pentium (R) Dual core E5700 با سرعت 3.00 گيگاهرتز پياده‌سازي شده است
چكيده لاتين :
The main purpose of this paper is to solve an inverse random differential equation problem using evolutionary algorithms. Particle Swarm Algorithm and Genetic Algorithm are two algorithms that are used in this paper. In this paper, we solve the inverse problem by solving the inverse random differential equation using Crank-Nicholson's method. Then, using the particle swarm optimization algorithm and the genetic algorithm, we solve them. The algorithms presented in this article have advantages over other old methods that have been presented so far. Implementing these algorithms is simpler, have less run time and produce better approximation. The numerical results obtained in this paper also show that the solutions obtained for the examples presented in the numerical results section are highly accurate and have less error. All of the algorithms in this paper to obtain the desired numeric results, have been implemented on the Pentium (R) Dual core E5700 processor at 3.00 GHz.
عنوان نشريه :
پژوهش هاي نوين در رياضي
