دانلود پروپوزال کاهش تلفات در موتور القایی با الگوریتم یادگیری تقویتی

این پروپوزال دارای یک مقاله بیس نیز می باشد که در انتهای همین صفحه می توانید به طور رایگان، اقدام به مشاهده و دریافت آن نمایید.

صرفه جویی انرژی، به یکی از اولویت های اصلی صنایع تبدیل شده و در سال های اخیر، مورد توجه بسیاری از کشورهای جهان قرار گرفته است. در این پروپوزال نیز به بررسی افزایش بهره وری و کاهش تلفات در موتورهای القایی پرداخته شده است. هدف این پژوهش نیز افزایش بازده با استفاده از کاهش تلفات بوده و از یادگیری تقویتی در این زمینه استفاده شده است. در ادامه به تشریخ مختصری از این الگوریتم می پردازیم و در این پروپوزال نیز به تشریح دقیق کاربرد این الگوریتم در کاهش تلفات موتور القایی پرداخته شده است.

یادگیری تقویتی (RL)، زمینه ای از یادگیری ماشینی است که با نحوه عمل کردن عامل های نرم افزاری در یک محیط برای به حداکثر رساندن یک مفهوم از پاداش تجمعی، سروکار دارد. یادگیری تقویتی، یکی از سه الگوی یادگیری ماشینی پایه، همراه با یادگیری نظارتی و یادگیری غیرنظارتی می باشد. از این نظر با یادگیری نظارتی تفاوت دارد که جفت های ورودی/خروجی برچسب دار نیاز ندارد و اقدامات غیربهینه نیاز نیست صریحاً تصحیح شوند. بجای آن، تاکید بر یافتن توازن بین اکتشاف (منطقه بدون نمودار) و بهره برداری (دانش فعلی)، می باشد. محیط معمولاً به صورت یک «فرآیند تصمیم مارکوف» (MDP) فرموله می شود، زیرا الگوریتم های یادگیری تقویتی بسیاری برای این زمینه، فنون برنامه نویسی پویا را بکار می گیرند. تفاوت اصلی بین روش های برنامه نویسی پویای کلاسیک و الگوریتم های یادگیری تقویتی این است که الگوریتم تقویتی، دانش یک مدل ریاضیاتی دقیق MDP را اتخاذ نمی کند و MDP های بزرگ که در آنها روش های دقیق غیرموجه می شوند را هدف قرار می دهند.

یادگیری تقویتی، بخاطر عمومیت خود، در بسیاری از رشته های دیگر، مانند نظریه بازی، نظریه کنترل، پژوهش عملیات ها، نظریه اطلاعات، بهینه سازی برپایه شبیه سازی، سیستم های چند عاملی، هوش جمعی، آمار و الگوریتم های ژنتیک، مورد مطالعه قرار گرفته است. در پژوهش های عملیات ها و ادبیات کنترل، یادگیری تقویتی، برنامه نویسی دینامیک تقریبی یا برنامه نویسی عصبی دینامیک نامیده می شود. مسائل مورد توجه در یادگیری تقویتی نیز در نظریه کنترل بهینه، که عمدتاً با وجود و مشخصه یابی جواب های بهینه، و الگوریتم ها برای محاسبه دقیق آنها و کمتر با یادگیری یا تقریب سروکار دارند، بخصوص در غیاب یک مدل ریاضیاتی از محیط، مورد مطالعه قرار می گیرند. در اقتصاد و نظریه بازی، یادگیری تقویتی را می توان برای تبیین اینکه چگونه تعادل تحت عقلانیت محدود بوجود آید، مورد استفاده قرار داد.

این پروپوزال برای پایان نامه ای تحت همین عنوان در مقطع کارشناسی ارشد رشته مهندسی برق آماده شده است. ساختارهای کلی پروپوزال نویسی در نگارش این محصول رعایت شده و مطالعه آن می تواند کمک شایان توجهی به دانشجویان در راستای یادگیری این ساختارها باشد. همچنین امید است که این پژوهش، الهام بخش موضوعات پژوهشی جدیدی برای دانشجویان در نیل به اهداف دانشگاهی خود باشد.

این پروپوزال در محیط ورد (WORD) انجام شده و در ادامه نیز بخشی از آن و نیز فایل مقاله بیس قرار داده شده است: