نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد مهندسی برق، دانشگاه علوم دریایی امام خمینی(ره)

2 استادیار دانشکده برق، دانشگاه علوم دریایی امام خمینی(ره)

چکیده

هدف از این مقاله انتخاب مجموعه‌ای از حسگرها در زیردریایی هوشمند بدون سرنشین به گونه‌ای است که علاوه بر کمینه کردن میزان انرژی مصرفی، بوسیله‌ی کم کردن پیچیدگی زمان پردازش اطلاعات نیز کاهش یابد. همواره یک تناظر یک به یک بین قابلیت کاری و منبع انرژی وجود دارد. از جمله چالش‌هایی که زیردریایی‌های هوشمند بدون سرنشین با آن روبرو هستند منابع انرژی محدود آن‌ها می‌باشد. تنها منبع انرژی در زیردریایی‌های هوشمند بدون سرنشین باتری‌ها هستند. با توجه به اینکه شارژ کردن باتری‌ها در اعماق دریا غیرممکن است، ناگزیر به صرفه جویی در مصرف انرژی می‌باشیم. موثرترین راه برای صرفه‌جویی در مصرف انرژی انتخاب هوشمندانه‌ی مجموعه‌ای از حسگرها به گونه‌ای می‌باشد که با کمترین تعداد حسگر، بیشترین کارآیی را بدست آوریم. از این رو از شبکه‌ی عصبی به عنوان تابع بهینه‌ساز و همچنین از الگوریتم اجتماع عنکبوت‌ها که در پیدا کردن بهینه عمومی و رسیدن به همگرایی بسیار قدرتمند است، استفاده می‌کنیم. خواهیم دید که این الگوریتم با پیدا کردن بهینه‌ عمومی و رسیدن سریع به همگرایی قادر است کمترین تعداد حسگر را در مجموعه‌ی حسگر انتخاب ‌کند. در پایان نتایج شبیه‌سازی با الگوریتم مبتنی بر جغرافیای زیستی، الگوریتم مبتنی بر جغرافیای زیستی بهینه شده با نقشه‌های آشفته، الگوریتم ازدحام ذرات، الگوریتم ژنتیک، الگوریتم، الگوریتم کرم شب‌تاب، الگوریتم فاخته ذرات مقایسه می‌شود. نتایج حاصله حاکی از آن است که عملکرد الگوریتم اجتماع عنکبوت‌ها در مقایسه با الگوریتم‌های دیگر و در حالت زیرسطحی کارآیی بهتری دارد و قادر است زمان پردازش را به 8/1 ثانیه برساند. همچنین مصرف انرژی را به میزان 1/7 کیلووات‌ساعت کاهش می‌دهد. این امر سبب می‌شود 5/106 دقیقه به زمان دریانوردی اضافه گردد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Intelligent sensors on unmanned submarine design selection system using neural networks and algorithms, spiders community

نویسندگان [English]

  • A Saffari 1
  • m aghababaie 2

چکیده [English]

Always a correspondence one by one between the power source is working. Including intelligent unmanned submarines challenges they face is their limited energy resources. The only source of energy in an intelligent unmanned submarines are batteries. Given that it is impossible to charge the batteries in the depths of the sea, we are forced to conserve energy. The most effective way to save energy is a smart choice set of sensors so that the minimum number of sensors to achieve maximum efficiency. The spider assembly algorithm in finding the global optimum and achieve convergence is very powerful, we use. At the end of the simulation results and algorithm-based biogeography, biogeography-based optimization algorithm with chaotic maps, particle swarm algorithm, genetic algorithm, algorithm firefly, particle Cuckoo compared algorithms

کلیدواژه‌ها [English]

  • sensor selection
  • function Optimizer
  • Neural network
  • algorithm spiders community

[1] Ono, M. and Huntsberger, T. "Safe Maritime Autonomous Path Planning in a High Sea State", IEEE Conference on American Control (ACC), pp.4727-4734, 2014.

[2] Kuwata, Y., Wolf, M. T., Zarzhitsky, D. and Huntsberger, T. L. "Safe Maritime Autonomous Navigation with Colregs", IEEE Journal on Using Velocity Obstacles Oceanic Engineering, Vol.39, pp.110-119, 2014.

[3] Zeng, X., Ito, M. and Shimizu, E.  "Collision Avoidance of Moving Obstacles for Ship with Genetic Algorithm", IEEE Conference on Advanced Motion Control, pp.513-518, 2000.

[4] Eiben, A. E. and Smith, J. E. "Introduction to Evolutionary Computing" Springer, pp.5-35، 2003.

[5] Yuan, B. and Gallagher, M. "Playing in Continuous Spaces: Some Analysis and Extension of Population-Based Incremental Learning", IEEE Evolutionary Computation, Vol.1, pp.443-450، 2003.

[6] Sharawi, M. "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.

[7] Ergiin, C. and Hacioglu, K. "Multiuser Detection Using a Genetic algorithm in CDMA Communications Systems", IEEE Transaction on Communications, Vol.48, pp.5-14, 2000.

[8] 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.                                                                                       

[9] 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.

[10] 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.

[11] Badamchizadeh, M., Nikdel, N. and Kouzehgar, 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.                       

[12] Cuevas, E., Zaldvar, D. and Cisneros, M.  "A Swarm Optimization Algorithm Inspired in the Behavior of the Social Spider", Expert Systems with Applications, Vol.40, No.16, pp.6374-6383, 2013.

[13] Wang, Y., Zhu, L., Wang, J. and Qiu, J. "An Improved Social Spider Algorithm for the Flexible Job-Shop Scheduling Problem" International Conference on Estimation, Detection and Information Fusion (ICEDIF), Vol.1, No.1, pp.1-9, 2015.

[14] Mirjalili, S. A., Mirjalili, S. M. and Lewis, A. "Let a Biogeography-based Optimizer Train your Multi-Layer Perceptron", Journal of Information Sciences, Vol.269, pp.188-209, June 2014.

[15] Abedifar, V., Eshghi, M., Mirjalili, S. A. and Mirjalili, S. M. "An Optimized Virtual Network Mapping Using PSO in Cloud Computing", Electrical Engineering 21st Iranian Conference on (ICEE), pp.1–6, 2013.

[16] Nguyen, L. S., Frauendorfer, D., Mast, M. and Gatica-Perez, D. "Hire me: Computational Inference of Hirability in Employment Interviews Based on Nonverbal Behavior" Multimedia, IEEE Transactions on, Vol.16, Issue.4, pp.1018–1031, 2014.

[17] Auer, P., Burgsteiner, H. and Maass, W. "A Learning Rule for Very Simple Universal Approximators Consisting of a Single Layer of Perceptrons" Neural Networks, Vol.21, Issue.5, pp.786–795, June 2008.

[18] Barakat, M., Khalil, M., Druaux, F. and Mustapha, O. "Parameter Selection Algorithm with Self Adaptive Growing Neural Network Classifier for Diagnosis Issues" Int. J. Machin Learning, Vol.3, pp.217–233, 2013.

[19] Kiranyaz, S., Ince, T., Yildirim, A. and Gabbouj, M. "Evolutionary Artificial Neural Networks by Multi-dimensional Particle Swarm", Neural Networks, Vol.22, No.10, pp.1448-1462, 2009.

[20] Mirjalili, S. M. and Sardroudi, H. M. "Training Feedforward Neural Networks Using Hybrid Particle Swarm Optimization and Gravitational Search Algorithm", Applied Mathematics and Computation, Vol.218, No.22, pp.11125-11137, 2012.

[21] Mirjalili, S. and Safa Sadiq, A. "Magnetic Optimization Algorithm for Training Multilayer Perceptron", IEEE 3rd International Conference on Communication Software and Networks (ICCSN), pp.42-46, 2011.