جلسه دفاع از پايان نامه

کارشناسی ارشد رشته  مهندسی برق کنترل

 

موضوع پايان نامه :

پیاده سازی الگوریتم سیستم های ایمنی مصنوعی جهت آموزش شبکه های عصبی کوانتومی به منظور کنترل یک  پلنت تحت کنترل

 

ارائه دهنده:

محمد امین مهدی یار

 

استاد راهنما:

دکتر سهیل گنجه­فر

اساتید داور:

دکتر علیرضا حاتمی – دکتر عباس رمضانی

 

زمان :  11/7/95  ساعت  17

مکان:
سمینار 2 گروه برق

 

چكيده:

امروزه کنترل هوشمند نقش مهمی در سیستم های کنترل ایفا می کند که با توسعه ی سیستم های کامپیوتری و امکان انجام محاسبات پیچیده، روش ها و الگوریتم های سیستم های هوشمند نیز روز به روز درحال توسعه می باشند. سیستم های ایمنی مصنوعی ( AIS ) به عنوان سیستم های محاسباتی الهام گرفته شده از تئوری ایمنی شناسی شناخته می شوند که از مکانیزم ها، اصول و عملکردهای سیستم ایمنی در جهت حل مسائل استفاده می کند. سیستم های ایمنی مصنوعی همانند سایر سیستم های هوشمند مانند شبکه های عصبی مصنوعی، الگوریتم ژنیتک و سیستم های فازی رو به توسعه می باشد و حوزه های کاربردی آن بسیار گسترده می باشد. هر چند، AIS قدمت کمتری نسبت به سایر سیستم های هوشمند نام برده شده دارد و از همین نظر تا سال های اخیر هنوز قالب مشخصی برای آن معرفی نشده بود.

ایده اصلی این پژوهش بر مبنای مدل سازی مکانیزم تقسیم و تکثیر سلولی جانداران شکل گرفت. این مدل سازی در حدود 15 سال پیش با عنوان سیستم های ایمنی مصنوعی توسط محققان علوم کامپیوتر و شبکه ارائه شده بود و در سال های بعد تحقیقات بیشتری در این زمینه به انجام رسید که موجب توسعه ی الگوریتم های آن و همچنین ارائه ی روش های جدید گردید که به پتانسیل های سیستم های ایمنی مصنوعی افزود. در ابتدا از این سیستم ها در شناسایی فایل های مخرب، نفوذ به شبکه و سایر کارهای شناسایی در سیستم های کامپیوتری استفاده می شد. در سال های بعد محققان مقالاتی را منتشر کردند که قابلیت سیستم های ایمنی مصنوعی در بحث بهینه سازی را به اثبات می رساند و از آن زمان به بعد، این سیستم ها به تدریج مورد توجه محققان در حوزه ی کنترل قرار گرفتند. در این پژوهش تلاش شده است که از یکی از الگوریتم های بهینه ساز سیستم های ایمنی مصنوعی که با نام Opt-aiNet شناخته می شود، جهت آموزش شبکه عصبی کوانتومی چندلایه بهره ببریم، به گونه ای که وزن های شبکه عصبی را در راستای کنترل یک پلنت تحت کنترل تنظیم نماید. نتایج کار با حالتی که آموزش شبکه عصبی از طریق الگوریتم ژنتیک انجام شده است مقایسه شده است. تا پیش از این پژوهش هایی در مورد پیاده سازی الگوریتم های سیستم های ایمنی مصنوعی بر روی پلنت های کنترلی به انجام رسیده بود که تعیین بهینه ضرایب PID و طراحی کنترل کننده های تلفیقی از مهم ترین این کارها می باشد. در این کار سعی شده است که از الگوریتم ایمنی مصنوعی به عنوان رکن اصلی حلقه ی کنترلی استفاده گردد که نشان دهنده ی پتانسیل های بیشتر این سیستم ها برای بکارگیری در علوم کنترل می باشد.

واژه‌­های کلیدی: سیستم های ایمنی مصنوعی، الگوریتم Opt-aiNet، شبکه عصبی کوانتومی

Abstract:

 

Nowadays, intelligent control plays a key role in control systems which is developing in methods and theory by the progress of computer systems and computational power of those. Artificial Immune Systems (AIS) as computational systems are known to be conceptualized from immunity theories which employs mechanisms, rules and functionality of immune systems in order to do problem solving. AIS as an example of intelligent systems such as artificial neural networks, genetic algorithm and fuzzy systems are in development and covers a broad span of applications, although it is a bit younger topic compared to other intelligent systems and did not have an introduced specific framework even in recent years.

The principal idea of this research was developed based on biological-inspired modeling of division and reproduction of cells. This modeling was proposed about 15 years ago by computer and network scientists as AIS and was evolved in algorithms and new methods proposals in next years with further research and study which has incorporated AIS potentials and applications. At the beginning, these systems were employed in malware files detection, network penetrations and other identification purposes in computer networks. Later, researchers published papers which proved the potential of such systems in optimization and since then, these systems have become under the scope of control engineering researcher’s attention. In this study, we have attempted to use one of the optimization algorithms of AIS, known as Opt-aiNet, toward the learning phase of a multi-layer quantum neural network in a sense that it adjusts the neural network weights in a plant control settings. The results of our study are compared with the genetic-algorithm-learned neural networks.  In the literature, there are pieces of research regarding the implementation of AIS neural networks on control plants including focusing on PID coefficient adjustments or adaptive controller design. In this study, we have attempted to utilize AIS as a main element of control loop which can illustrate the capabilities and potentials of this system in the control theory applications.

 

Key Words: Formation Control, Leader-Follower Formation, Nonholonomic Mobile Robot, Robust Control, Integral Sliding Mode Control, Backstepping