مقدمه:
با توجه به یا فته های جدید در مورد یادگیری برخی از ناتوا ناییها که تبدیل به توانایی کامل نمی شود را می توان به اصلاح اختلالات یاد گیری به کار برد این گونه افراد ممکن ممکن است از نظر هوشی در حد متوسط یا با لا با شند. اما به دلایلی از جمله اشکلا تی که در برخی از فرایند های روانی پایه (ادراک دیداری – شنیداری – زبان شفا هی وکتبی) وجود دارد بین میزان پیشرفت تحصیلی و توانایی ایشان تفاوت زیادی به وجود آمده باشد. تا آنجا ئیکه نمی توانید کتابهای درسی علوم – ریاضی و ۰۰۰را بخواند در نتیجه با مشکلا تی رو به رو می شوند و متاسفا نه به بسیاری از این دانش آموزان بر چسب کودن – کم ذهن – عقب مانده و امثال آن زده شده میشوند که نه تنها مشکل این دانش آموزان را برطرف نمی کندبلکه موجب یاس و دلمردگی و سرخوردگی و از بین رفتن علاقه در دانش آموزان می گردد. برای آنکه تمرینهای پیشنهادی تاثیر بسیار زیادی را در حل مشکل دانش آموزان داشته باشد باید از طریق ((تشویق آنچه میدانند نه تنبیه آنچه نمی داند)) در ایشان ایجاد انگیزه کنیم تابا رغبتبه انجام این تکا لیف و تمرینها بپر دازد. امید است با کمک هم وبا استفاده از روشهای پیشنهادی که در ذیل گرد آوری شده بتوانیم بخشی از مشکلات آمو زشی این گروه را برطرف بسازیم. همچنین تمرینهای مؤثر در رابطه با یادگیری و تقویت املا دانشآموزان در شماره ی بعدی آورده خواهد شد
دسته: برق
حجم فایل: 778 کیلوبایت
تعداد صفحه: 17
روش الگوریتم جهش ترکیبی قورباغه برای حل مساله مشارکت واحد سودمحور با محدودسازی انتشار (آلایندهها) + نسخه انگلیسی 2013
SFLA approach to solve PBUC problem with emission limitation
چکیده
در این مقاله، برای حل مساله مشارکت واحد سودمحور در یک محیط تجدید ساختار یافته و محدودیت انتشار آلایندهها، الگوریتم جهش ترکیبی قورباغه ارائه میشود. مساله بهینهسازی تابع دو هدفه به صورت بیشینهسازی سود شرکتهای تولیدی و کمینهسازی آلایندههای جوی واحدهای حرارتی فرموله میشود، در عین حال که همه قیود باید ارضا شوند. این کار، برای اختصاص هزینههای ثابت و گذرا به ساعات زمانبندی، قید تقاضای نرمتری را در نظر میگیرد. برای شبیهسازی از برنامه متلب نسخه 10/7 و از یک سیستم نمونه 39 باس 10 واحد IEEE استفاده شده است. با توجه به نتایج بدست آمده، ملاحظه میشود که الگوریتم ارائه شده به بیشترین سود و کمترین سطح انتشار دست مییابد، و در عین حال در مقایسه با مشارکت واحدهای سنتی زمان محاسباتی بسیار کمتری هم دارد.
مشارکت واحد (UC) یک مساله بهینهسازی غیرخطی با اعداد صحیح ترکیبی است که در برنامهریزی عملکرد واحدهای تولیدی با کمترین هزینه اجرائی و در عین حال ارضای الزامات تقاضا و ذخیره، کاربرد دارد. در قدیم مساله مشارکت واحد باید بر اساس وضعیت روشن/ خاموش واحدهای تولیدی در هر ساعت از دوره برنامهریزی تعیین میشدند و به صورت بهینه بار و ذخیره را بین واحدهای مشارکتی توزیع میکردند. مشارکت واحد مهمترین مساله بهینهسازی در عملکرد سیستمهای قدرت است. پاسخ بهینه فرامحلی (جهانی) برای مساله مشارکت واحد را میتوان با شمارش کامل بدست آورد، که به علت نیازمندی به زمان محاسباتی زیاد برای سیستمهای قدرت بزرگ محدود شده است. برای حل مساله مشارکت واحد روشهای گوناگونی تاکنون ارائه شده است، مثل لیست اولویت (PL) ، برنامهنویسی پویا (DP) ، آزادسازی لاگرانژ (LR) ، الگوریتم ژنتیک (GA) و بهینهسازی گروه ذرات (PSO). روش لیست اولویت سریع است اما بسیار ابتکاری است و هزینههای عملکردی نسبتا بالائی برای برنامهریزی بدست میدهد. روش برنامهنویسی پویا نیز دارای قابلیت حل مسائل با اندازههای مختلف را دارد. اما اگر قیود در نظر گرفته شده باشند، ممکن است منجر به پیچیدگی ریاضی شده و زمان محاسبه افزایش یابد.
خلاصه
در سال 1997، کونو و همکارانش (به نام های توشیوکی کونو، هیساشی کوتاکموری، هیروشی نیکی) با بهبود روش گوس – سایدل برای ماتریس های Z، جبر خطی Appl. 267 (1997) ثابت کرد که نرخ همگرای روش گوس – سایدل با پیش شرط برای ماتریس های Z مسلط قطری ساده نشدنی با پیش شرط 1+sa برتر از نرخ روش تکرار پایه می باشد. در این مقاله، پیش شرط جدید ارائه می کنیم که متفاوت از پیش شرط ارائه شده توسط کونو و همکارانش (به نام های توشیوکی کونو، هیساشی کوتاکموری، هیروشی نیکی که به اصلاح روش روش گوس – سایدل برای ماتریس های Z، جبر خطی Appl. 267 (1997) پرداختند، می باشد و نظریه همگرایی در مورد دو روش تکراری پیش شرط دار را زمانیکه ماتریس ضریب یک ماتریس H می باشد، را ثابت می کنیم. در ضمن، دو شرط کافی جدید برای تضمین همگرایی روش های تکراری پیش شرط دار ارائه می شوند.
کلمات کلیدی: ماتریس H، پیش شرط، روش تکراری پیش شرط دار، روش گوس – سایدل، اشتقاق H
مقدمه
سیستم خطی زیر را در نظر می گیریم:
که در آن A یک ماتریس nxn می باشد و x و b بردارهای n بعدی می باشند. برای هر تجزیه، A=M-N با ماتریس ناویژه (ناتکین) ، روش تکراری پایه برای حل سیستم خطی (1) بصورت زیر می باشد:
برخی تکنیک های پیش شرطی که نرخ همگرایی این روش های تکراری را بهبود می بخشند، توسعه یافته اند.
خلاصه
زمانیکه تکرارهای ژاکوبی یا گاوس – سایدل همگرا می توانند برای حل سیستم های معادلات خطی مورد استفاده قرار گیرند، سوالی که مطرح می شود این است که چگونه نرخ های همگرایی تحت تاثیر قرار می گیرند در صورتیکه سیستم اصلی با اجرای حذف گوس اصلاح شود. ثابت می کنیم که در صورتیکه ماتریس تکرار اولیه نامنفی باشد، در اینصورت چنین حذف همگرایی را بهبود می بخشد. نتایج ما، نتایج موجود در مقاله [4] را بسط می دهند.
دسته: آمار
حجم فایل: 308 کیلوبایت
تعداد صفحه: 33
چکیده:
چون اطلاعات کمی (اطلاعاتی که به صورت اعداد و ارقام بیان شدند) قابل تفسیر نیستند و برای همه کس یک معنای واحد دارد، اما اطلاعات کیفی (توصیفی) این طور نیستند ممکن است شنونده برداشت های متفاوتی از آن داشته باشد.
اولین اقدام در رسیدن به اطلاعات عددی اندازه گیری است.
بیان مسئله به زبان ریاضی را مدل سازی ریاضی می گوییم. هر چقدر مفاهیم ریاضی به کار برده شد ساده تر و ابتدایی تر و نتیجه کار به پدیدة مورد نظر نزدیک تر باشد، مدل سازی، با ارزش تر است.