این عملگر شبیه به عملگر دو نقطه‌ای است، با این تفاوت که به جای دو نقطه، چند نقطه برای تقاطع انتخاب می‌گردد. تقاطع در بخش‌های شکسته شده دو کروموزوم به صورت یک در میان انجام می‌گیرد.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۴-۳-۶-۴) تقاطع یکنواخت:
براساس این عملگر، یک ژن از هر دو الد به طور مستقل از سایر ژن‌‌ها، شانس برابر برای حضور در کروموزوم یک فرزند را دارند. در این حالت، براساس یک توزیع تصادفی باینری مشخص می‌گردد که یگ ژن از کدام والد انتخاب گردد. مثلاً اگر توزیع باینری ۱ را نشان داد، آن ژن از والد اول و اگر ۰ بود از والد دوم انتخاب می‌گردد. این عمل برای تمامی ژن‌های یک فرزند انجام می‌گردد. در نتیجه، فرزندان ترکیبی از ژن‌های والدین خواهند بود. شکل ۴-۶ یک مثال از تولید فرزندان با بهره گرفتن از عملگر تقاطع یکنواخت را نشان می‌دهد. در این شکل، در صورتی که عدد تصادفی ۱ باشد، ژن فرزند از والد اول و در صورتی که صفر باشد، از والد دوم انتخاب می‌گردد. برای فرزند دوم، عکس فرزند اول در نظر گرفته شده است.

۱ ۰ ۱ ۱ ۰ ۰ ۱ ۱

والد ۱

۰ ۰ ۰ ۱ ۱ ۰ ۱ ۰

والد ۲

۱ ۱ ۰ ۱ ۰ ۱ ۱ ۰

مقدار تصادفی

۱ ۰ ۰ ۱ ۱ ۰ ۱ ۰

فرزند ۲

۰ ۰ ۱ ۱ ۰ ۰ ۱ ۱

فرزند ۱

شکل۴-۶: نمونه‌ای از عملگر تقاطع یکنواخت
۴-۳-۶-۷) تقاطع مرتب:^[۵۸]
از تقاطع دو نقطه‌ای مرتب زمانی استفاده می‌شود که مسأله مبتنی بر ترتیب (برای مثال، مسأله بالانس خط مونتاژ U شکل و غیره) باشد. با دو والد داده شده، دو نقطه تقاطع تصادفی انتخاب می‌‌گردد که آنها را به سه قسمت چپ، وسط و راست تقسیم می‌‌‌‌کند. عملگر به این ترتیب عمل می کند: فرزند ۱ سمت چپ و راست را از والد اول و قسمت وسط آن براساس ژن‌های قسمت وسط والد ۱ به نحوی که ترتیب آن براساس والد ۲ باشد تعیین می‌گردد. فرایند مشابه برای فرزند دوم صورت می‌گیرد. یک مثال از تقاطع مرتب در شکل ۴-۷ نمایش داده شده است.
Parent 1 : 4 2 | 1 3 | 6 5 Child 1 : 4 2 | 3 1 | 6 5
Parent 2 : 2 3 | 1 4 | 5 6 Child 2 : 2 3 | 4 1 | 5 6
شکل۴-۷: نمونه‌ای از عملگر مرتب [۱]
۴-۳-۷) جهش:
بعد از تقاطع، کروموزوم‌ها تحت اپراتور جهش قرار می‌گیرند. عملگر جهش از افتادن الگوریتم در بهینه محلی جلوگیری می‌‌نماید. اگر عملگر تقاطعی برای کاوش روی راه‌ حل ‌های اخیر در جهت یافتن راه‌حل بهتر به کار گرفته شده است، عملگر جهش برای کمک به جستجوی کل فضای جستو در نظر گرفته می‌شود. جهش موجبی می‌گردد که گوناگونی جمعیت حفظ شده و ساختار ژنتیکی جدیدی در جمعیت با تغییرات تصادفی بعضی از ژن‌ها به وجود آید. عملگر جهش با حفظ گوناگونی جمعیت موجب می‌گردد که از افتادن الگوریتم در بهینه محلی جلوگیری گردد.
شکل‌های متعددی از جهش برای انواع مختلف نمایش راه‌حل وجود دارد. برای یک نمایش باینری، یک جهش ساده می‌تواند به صورت عکس مقدار هر ژن با احتمال کوچکی تعریف گردد. احتمال جهش، معمولاً در حدود ۱ / L در نظر گرفته می‌شود که L طول کروموزوم است. در زیر بعضی از عملگرهای جهش شرح داده می‌شود.
۱) معکوس‌کردن:^[۵۹]
۲) تعویض:^[۶۰]
۴) احتمال جهش:
۴-۳-۸) جابه‌جایی:^[۶۱]
جابه‌جایی آخرین مرحله از چرخه تولیدمثل است. دو والد از یک جمعیت با اندازه ثابت، انتخاب شده و دو فرزند را به وجود آورده‌اند. نمی‌توان کل این چهار کروموزوم را به جمعیت برگرداند و در نتیجه باید دو کروموزوم حذف گردد. به عبارت دیگر، زمانی که فرزندان تولید شدند، باید روشی تعریف گردد که براساس آن مشخص گردد که کدام یک از اعضاء فعلی جمعیت باید حذف شده و چه فرزندانی باید جانشین آنها شود. این روش بر همگرایی الگوریتم ژنتیک تأثیر زیادی خواهد داشت. روش‌های مختلفی برای انتخاب جمعیت جدید وجود دارد که به طور مثال می‌توان از دو روش زیر نام برد.
تمام اعضای جمعیت جدید از میان کروموزوم‌های فرزندان انتخاب شوند.
تعدادی از افراد جمعیت مرحله بعد، همان افراد جمعیت مرحله قبل بوده و بقیه از میان فرزندان جدید انتخاب گردند. البته در هر مورد، شایسته‌ترین کروموزوم‌ها انتخاب می‌شود.
تحقیقات نشان داده است که حذف همه کروموزوم‌های جمعیت مرحله قبل و انتخاب جمعیت جدید از میان فرزندان، ممکن است بسیاری از جواب‌های مناسب را که در میان جمعیت مرحله قبل وجود دارد، حذف نماید.
۴-۳-۸) قاعده توقف:
قواعد توقف متعددی برای الگوریتم ژنتیک وجود دارد که در زیر خلاصه به بعضی از آنها اشاره می‌نماییم.
حداکثر تولیدنسل. با بهره گرفتن از این قاعده، الگوریتم ژنتیک زمانی متوقف می‌گردد که تعداد مشخصی از تولید نسل اتفاق افتاده باشد. مثلاًٌ شمارنده تولید نسل به عدد خاصی مثل ۱۰۰ برسد.
زمان سپری شده. زمانی که فرایند الگوریتم ژنتیک زمان خاصی را سپری کرد، الگوریتم متوقف می‌گردد.
۴-۳ الگوریتم حرکت جمعی پرندگان (pso)
فرض کنید شما و گروهی از دوستانتان به دنبال گنج می گردید. هر یک از اعضای گروه یک فلزیاب و یک بی سیم دارد که می تواند مکان و وضعیت کار خود را به همسایگان نزدیک خود اطلاع بدهد. بنابراین شما می دانید آیا همسایگانتان از شما به گنج نزدیکترند یا نه؟ پس اگر همسایه ای به گنج نزدیکتر بود شما می توانید به طرف او حرکت کنید. با چنین کاری شانس شما برای رسیدن به گنج بیشتر می شود و همچنین گنج زودتر از زمانی که شما تنها باشید، پیدا می شود.

تحقیقات و جستجوهایی انجام شده برای رسیدن به ساخت چنین ماشین‌هایی مرتبط با بسیاری از رشته‌های علمی دیگر می‌باشد، مانند علوم رایانه، روان‌شناسی، فلسفه، عصب شناسی، علوم ادراکی، تئوری کنترل، احتمالات، بهینه سازی و منطق.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

درک صحیح­تر از عملکرد مغز انسان باعث پیشرفت در این زمینه شده است. قابلیت مهم شبکه ­های عصبی مصنوعی از جمله حافظه، تحلیل سریع داده ­ها و تصمیم گیری­های سریع باعث کاربرد زیاد آن شده است. به طور خلاصه کاربردهای آن را می­توان در موارد زیر دانست

• • مهندسی برق

• • مهندسی کامپیوتر

• • رباتیک

• • دانش کامپیوتر

• • هوش مصنوعی

• • ریاضیات کاربردی

افراد زیادی در شاخه­ های مختلف علوم در این زمینه فعالیت داشته اند و هر یک توانسته ­اند که دریچه­ای جدید را بر سیر تکاملی آن بگشایند. شاید تاریخچۀ زیر روندی مناسب از پیشرفت در این شاخه از علوم را نشان بدهد.

• • فیزیک و فیزیولوژی عصبی: Ivan Pavlov , Ernest Mach , Herman Van Helmholtz (اواخر قرن ۱۹)

• • نظریۀ محاسبات توابع توسط نرون­های مصنوعی: Walter Pitts ,Warren McCulloch (1940)

• • روش یادگیری نرون­های بیولوژیک: Donald Herb (1945)

• • شبکه ­های عصبی مصنوعی به عنوان حافظه: Ted Hoff , Bernard Widrow (1972)

• • و . . . [۳۱].

اولین کاربردی که برای شبکه ­های عصبی مصنوعی مطرح گردید یک جبران ساز کانال تطبیقی در سال ۱۹۸۸ بود که در تلفن­های راه دور مورد استفاده داشت. پس از آن این دانش گسترش قابل توجهی در سایر شاخه­ها پیدا کرد، از جمله صنایع هوانوردی، خودرو، بانکداری، سرگرمی، پزشکی، نفت و گاز، و . . .[۲۹] .

الهام از بیولوژی

مغز انسان در حدود نرون که هر کدام حدود اتصال دارند تشکیل شده است.
سه جزء اصلی را می‌توان برای یک نرون در نظر گرفت؛ داندریت‌^[۱۴]ها، جسم سلول^[۱۵]، اکسن^[۱۶].
داندریت‌ها شبکه‌های گیرنده درخت مانند شناخته شده از فیبرهای عصبی هستند که سیگنال الکتریکی را به جسم سلول می‌برند. در جسم سلولی این سیگنال‌ها با هم جمع شده و با یک سطح آستانه مقایسه می‌شود. اکسن یک فیبر بلند و منفرد است که سیگنال را از جسم سلولی نرون به نرون‌های دیگر ارسال می‌کند. نقطه تماس اکسن یک نرون با دنداریت نرون دیگر را سیناپس^[۱۷] می‌نامند.
شکل ‏۳٫۱- شماتیک ساده شده دو نرون بیولوژیکی
دو شباهت کلیدی بین شبکه‌های عصبی مصنوعی و بیولوژیکی وجود دارد.

1. 1. هر دو از عناصر محاسبه‌گر و ساده تشکیل شده‌اند که دارای اتصالات فراوان می‌باشند.

1. 1. اتصالات بین نرون ها وظیفه شبکه را مشخص می‌کنند.

مدل نرون

مدل نرون در سال ۱۹۵۸ در [۱۸] ارائه شد که در شکل زیر آمده است.
شکل ‏۳٫۲- ساختار نرون

معماری شبکۀ چند لایه

بطور معمول یک نرون حتی با تعداد ورودی زیاد برای حل یک مسئله کافی نیست و احتیاج به تعداد بیشتری نرون داریم. نرون‌هایی که بصورت موازی کار می‌کنند یک لایه را تشکیل می‌دهند.
شبکۀ چند لایۀ عصبی (MLP) اولین بار توسط Minsky و Papert در سال ۱۹۶۹ در [۱۸] ارائه شد. ساختار این بیان در شکل زیر آمده است.

شکل ‏۳٫۳- ساختار چند لایۀ شبکۀ نرونی با یک و دو لایۀ مخفی
روابط ریاضی شبکۀ عصبی مصنوعی ارائه شدند که می‌توان برای مطالعه به [۱۸] مراجعه کرد. همچنین مدل‌های مختلف و پیشرفته‌ای نیز به مرور زمان برای شبکه‌های عصبی در کاربردهای گوناگون معرفی شد که می‌توان در [۱۸] با آن‌ها دقیق‌تر آشنا شد. از جمله از این موارد می‌توان به موضوعات زیر اشاره کرد.
روش خود تنظیم کهونن^[۱۸]، شبکه‌های هاپفیلد^[۱۹]، ماشین بولتزمان^[۲۰] و تابع بنیادی شعاعی (RBF)^[21] که همگی در مرجع معرفی شده آمده‌اند.

کنترل فازی

مقدمه

واژۀ فازی در فرهنگ لغت آکسفورد به صورت مبهم ، گنگ ، نادقیق ، گیج ، مغشوش ، در هم و نامشخص، تعریف شده است. سیستم‌های فازی ، سیستم‌هایی هستند با تعریف دقیق و کنترل فازی نیز نوع خاصی از کنترل غیرخطی می‌باشد که آنهم دقیقاً تعریف می‌گردد . این مطلب مشابه کنترل و سیستم های خطی می باشد که واژه خطی یک صفت فنی بوده که حالت و وضعیت سیستم و کنترل را مشخص می‌کند . چنین چیزی در مورد واژۀ فازی نیز وجود دارد. اساساً گرچه سیستم‌های فازی پدیده‌های غیرقطعی و نامشخص را توصیف می‌کنند ، با این حال خود تئوری فازی یک تئوری دقیق می‌باشد . در این‌جا دو نوع توجیه برای تئوری سیستم‌های فازی وجود دارد:

• • دنیای واقعی ما بسیار پیچیده‌تر از آن است که بتوان یک توصیف و تعریف دقیق برای آن بدست آورد بنابراین باید یک توصیف تقریبی یا همان فازی که قابل قبول و قابل تجزیه و تحلیل باشد ، برای یک مدل معرفی شود .

• • با حرکت ما بسوی عصر اطلاعات ، دانش و معرفت بشری بسیار اهمیت پیدا می‌کند. بنابراین ما به فرضیه ای نیاز داریم که بتواند دانش بشری را به شکلی سیستماتیک فرموله کرده و آنرا به همراه سایر مدل‌های ریاضی در سیستم‌های مهندسی قرار دهد.

تئوری فازی به وسیلۀ پروفسور لطفی­زاده در سال ۱۹۶۵ در مقاله­ای به نام “مجموعه­های فازی” معرفی گردید. یسیاری از مفاهیم بنیادی تئوری فازی به وسیلۀ پروفسور لطفی­زاده در اواخر دهۀ ۶۰ و اوایل دهۀ ۷۰ مطرح گردید. او در سال ۱۹۷۳ با انتشار مقاله­ای به نام “طرح یک راه حل جدید برای تجزیه و تحلیل سیستم­های پیچیده و فرایند تصمیم گیری” اساس کنترل فازی را بنا نهاد. در سال ۱۹۷۵ ممدانی و آسیلیان چارچوب اولیه را برای کنترل کنندۀ فازی مشخص کردند. در سال ۱۹۷۸ هولمبلاد^[۲۲] و اوسترگارد^[۲۳] اولین کنترل کنندۀ فازی را برای یک فرایند صنعتی کامل به کار بردند، کنترل فازی کورۀ سیمان. سوگنو^[۲۴] در سال ۱۹۸۰کنترل فازی سیستم تصفیۀ آب فوجی و در سال ۱۹۸۷ ماشینی را که از راه دور کنترل میشد و خودش عمل پارک را انجام می­داد را توسط کنترل فازی طراحی نمود. در ۱۹۹۲ اولین کنفرانس بین ­المللی IEEE در زمینۀ فازی برگزار شد و در سال ۱۹۹۳ بخش سیستم­های فازی IEEE گشایش یافت. تا به امروز مقالات پرشماری در زمینۀ فازی و همچنین ترکیبات آن با سایر علوم خصوصاً شاخۀ کنترل به چاپ رسیده است و این پیشرفت کماکان ادامه دارد [۲۵,۲۶].

مفاهیم اولیه و تعاریف مقدماتی

تعریف ۱. فرض کنید X یک مجموعه مرجع دلخواه باشد. تابع مشخصه هر زیر مجموعه معمولی A از X به {۰,۱} است.
حال اگر بردار تابع مشخصه را از مجموعه دو عضوی {۰,۱} به بازه [۰,۱] توسعه دهیم، یک تابع خواهیم داشت که به هر x از X عددی را از بازه [۰,۱] نسبت می‌دهد. این تابع را تابع عضویت^[۲۵] A می‌نامیم.

که یک بردار با مولفه­های صفر است که بجز برای مولفه­ای متناظر با اندازه­ ولتاژ باس STATCOM برابر ۱ است. با افزودن متغیر حالت به بردار حالت y مربوط به STATCOM، بردار کنترل فیدبک حالت برای کنترلر PI بصورت زیر در می ­آید :

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

(۲‑۳۳)

که یک بردار با مولفه­های صفر است که بجز برای مولفه­ی متناظر با حالت انتگرالی برابر ۱ می­باشد.
۲-۲-۲-۱-۲- روش جایابی قطب
پاسخ دینامیکی یک سیستم خطی بوسیله محله قرار گرفتن ریشه ­های معادله مشخصه و هم­چنین قطب­های سیستم کنترل می­ شود. شناسایی محل قطب­های سیستم و اعمال کنترلرهای مناسب که اثر آن قطب­ها را تضعیف می­ کند و یا بهبود می­بخشد، از روش های شناخته شده کنترلی است. پاسخ یک سیستم ممکن است تحت تأثیر جابجایی تمامی و یا برخی از قطب­ها قرار گیرد. در این روش کنترل بر پایه مدل دینامیکی می­باشد. به­واسطه­ کنترل مکان قطب­ها، می­توانیم با جا­بجا کردن یک یا چند قطب از سمت راست ناحیه مختلط، به سمت چپ آن، باعث پایدار شدن سیستم­های ناپایدر شویم. هم­چنین با افزایش دامنه برخی از قطب­ها می­توانیم باعث افزایش میرایی پاسخ سیستم شویم. از طرفی با تنظیم قسمت مختلط قطب­ها می­توانیم باعث تغییر در فرکانس نوسانات شویم. در بسیاری از موارد، تعیین دقیق محل قطب­ها امکان­ پذیر نیست. بنابراین کنترلر با تغییر در ریشه ­های معادله مشخصه باعث تاثیر قابل توجه بر روی بهبود دینامیک سیستم می­ شود [۳۳].
در طراحی کنترلر به این روش می­بایست ابتدا معادلات فضای حالت STATCOM را استخراج نماییم. این معادلات را در بخش قبل به­دست آوردیم. در طراحی کنترلر به این روش، قطب­های جدید می­بایست شرایط زیر را ایفا کنند.
-نوسانات سیگنال های ، و در پاسخ، می­بایست کمتر از یک دوره در سیکل ولتاژ باشد. چرا که فرکانس سیستم قدرت ۵۰HZ می­باشد.
-بهبود over shoot سیگنال­های و .
-ولتاژ خازن لینک DC می­بایست ثابت باقی بماند.
-اندازه سیگنال در خروجی می­بایست صفر شود. چرا که نشان دهنده تلفات اکتیو در STATCOM می­باشد.
محل جدید قطب­ها باید طوری انتخاب شود که شرایط و حالات گفته شده در بالا را محقق نماید. شکل (۲-۱۸) نشان دهنده بلوک دیاگرام کنترلر به روش جابجایی قطب برای STATCOM می­باشد. این شکل شامل معادله فضای حالت STATCOM به همراه یک حلقه فیدبک (بلوک KP) است که نشان دهنده گین فیدبک کنترلر به هنگام یافتن محل جدید قطب­ها می­باشد. این گین فیدبک هم­چنین برای کاهش سیگنال خطا بین مقادیر مرجع و مقادیر نمونه برداری شده خروجی نیز استفاده می­ شود. محل جدید قطب­ها براساس برنامه M-file که در نرم­افزار MATLAB نوشته شده است، به­دست می­آیند. این برنامه با تصمیم ­گیری بر روی مقادیر خروجی ، و شرایطی را ایفا می­ کند که تمامی حالات گفته شده به هنگام انتخاب محل جدید قطب­ها برآورده شود.
شکل ۲‑۱۸- بلوک دیاگرام کنترل به روش جایابی قطب [۳۳]
۲-۲-۲-۱-۳-رگولاتور درجه دوم خطی ^[۱۵](LQR)
روش LQR مشابه روش جایابی قطب است با این تفاوت که در این روش قطب­های سیستم، مستقیما توسط کمینه کردن “اندیکس اجرایی” J، تعیین می­گردد. بعلاوه این روش پایداری سیستم کنترل را نیز تعیین می­ کند. در یک سیستم خطی در جایی که متغیر حالت، ورودی سیستم و خروجی آن باشد، معادله حالت را می­توانیم به صورت زیر بیان کنیم.

(۲‑۳۴)

هدف از این طراحی این است که با بهره گرفتن از فیدبک حالت K- = باعث کمینه شدن “اندیکس اجرایی” J، شویم. رابطه زیر مقدار J را نشان می­دهد.

(۲‑۳۵)

J=

در این روش کنترلی، اثر بخشی و کارایی کنترل، بواسطه انتخاب ماتریس R و Q می­باشد. بنابراین در انتخاب آن­ها باید دقت کرد. یک روش مناسب انتخاب Q بدین صورت است که این ماتریس قطری تعریف شود و عناصر آن به­عنوان وزن­های متغیرهای حالت­ STATCOM در شاخص عملکرد عمل کنند. ماتریس نیز بصورت قطبی انتخاب می­ شود. مقادیر عناصر R باید بدقت انتخاب شوند، زیرا مقادیر بسیار کم به سیگنال کنترلی ورودی نسبتا بزرگ و مقادیر بسیار بزرگ به عملکرد کند سیستم منجر می­ شود. بهترین بازه­ی مقادیر به سیستم مورد بررسی و نقطه­ی کار مورد نظر بستگی دارند. گین فیدبک K با به­دست آوردن ماتریس P مشخص می­ شود و خود ماتریس P نیز از حل کردن معادله زیر بدست می آید:

(۲‑۳۶)

P +PA – PBP +Q =0

در این بخش مقایسه مدل STATCOM با یک مدل SVC که دارای مقدار ۱۰۰ مگاوات آمپر است، ارائه می شود. SVC مثل STATCOM به شبکه برق متصل بوده و هر دو سیستم از قطع کننده سری خطا و یک امپدانس خطا تشکیل شده اند. در ابتدا باید بلوک پله ای را غیر فعال کرده و به جای آن از بردار زمان ۱۰۰ استفاده نماییم. در ادامه بریکر خطا با انتخاب پارامتر سویــچ های A ، B و C در زمان ۰٫۲ ثانیه بــرای حدود ۱۰ سیکل برنامه ریزی می‌شود. باید دقت نمود که بریکر قطع کننده خطــا در داخل سیستم قدرت SVC همان پارامترهای یکسان را داشته باشد. سپس OMSTATC دوباره در همان مقدار پایه ۰٫۰۳ پریونیت پایه تنظیم می‌شود. در شکل (۲-۱۰) ولتاژ اندازه گیری شده در هر دو سیستم مشاهده می‌شود. نمودار دوم نشان دهنده توان راکتیو تولید شده که SVC با خط کم رنگ و STATCOM با خط پر رنگ نشان داده شده است. در طول ۱۰ سیکل، تفاوت کلیدی بین SVC و STATCOM به صورت زیر مشاهده می‌شود. توان راکتیو SVC در ۴۸/۰- پریونیت تولید شده در حالیکه توان راکتیو MSTATCO در ۷۱/۰- پریونیت تولید می‌شود.

شکل ۲-۱۰- نتیجه شبیه سازی اسیلوسکوپ [۲]
می‌توان مشاهده کرد که حداکثر توان خازنی تولید شده توسط SVC متناسب است با مجذور ولتاژ سیستم در حالیکه حداکثر توان خازنی تولیدی توسط STATCOM بصورت خطی با ولتاژ تغییر می‌کند. پس یکی از برتری های STATCOM نسبت به SVC آن است که هنگام خطا می‌تواند توان خازنی بیشتری را تولید کند. می‌توان اضافه نمود که STATCOM به طور نرمال دارای سرعت پاسخ دهی سریعتری نسبت به SVC می باشد.
۲-۲- بررسی روش های کنترل STATCOM
مهم­ترین بخش در تجهیزات الکترونیک قدرت بهبود کیفیت توان (از قبیل فیلترهای اکتیو و ادوات جبران­ساز توان راکتیو و عدم تعادل) واحد کنترل است. این بخش نقش تعیین کننده‌ای در عملکرد و کارایی کل سیستم ایفا می‌کند و مطابق شکل(۲-۱۱) مشتمل بر دو بخش است:
– کنترل­ کننده داخلی
کنترل­ کننده داخلی یا کنترل­ کننده سیستم، محاسبه سیگنال‌های مرجع با هدف کنترلی مورد نظر را بر عهده دارد. این مراجع عمدتا به فرم مراجع جریان می‌باشند. طراحی کنترل­ کننده داخلی بر مبنای دینامیک‌های مابین سیستم AC و STATCOM انجام می‌پذیرد. در ادوات جبران­ساز توان راکتیو و عدم تعادل که با هدف تنظیم ولتاژ در شبکه‌های توزیع نصب می‌گردند به دلیل کوچک بودن توان جبران­ساز در مقایسه با شبکه قدرت اساساً مسئله دینامیک و نوسانات میان سیستم AC و جبران­ساز مطرح نیست. اما در مواردی که هدف از بکارگیری ادوات FACTS پایدارسازی سیستم قدرت، میرا نمودن نوسانات الکترومکانیکی و نوسانات فرکانس پایین باشد، مسئله طراحی کنترل­ کننده داخلی از اهمیت بسیاری برخوردار است ]۳۱[و]۱۵[.
-کنترل­ کننده خارجی (کنترل­ کننده جریان)
کنترل­ کننده خارجی یا کنترل­ کننده جریان، عهده دار تعقیب مراجع جریان محاسبه شده توسط کنترل­ کننده داخلی است. کنترل­ کننده جریان اساسی‌ترین بخش در واحد کنترل است و تنها به شرط عملکرد صحیح کنترل­ کننده جریان می‌توان به بررسی مسائلی همچون پایداری سیستم در تعامل با شبکه قدرت یا تنظیم ولتاژ پرداخت.
شکل ۲‑۱۱- بلوک دیاگرام سیستم کنترل STATCOM [31]
برای دستیابی به عملکرد مطلوب سیستم در حالت‌های گذرا نظیر خطاهای اتصال کوتاه در شبکه یا تغییرات ناگهانی بار، پاسخ دینامیکی سریع کنترل­ کننده جریان از درجه اهمیت بسیار بالایی برخوردار می‌باشد. این بخش، کنترل وضعیت سوئیچ‌های اینورتر را با هدف تعقیب مراجع جریان، در سریع‌ترین زمان و با خطای حالت دائمی صفر، بر عهده دارد.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

برای پیاده­سازی واحد کنترل، کنترل کننده­ های بسیاری معرفی شده است. از جمله این کنترل کننده­ها می­توان به نمونه­هایی که برای مدل خطی شده در نقاط کار خاص طراحی شده ­اند اشاره نمود. سایر موارد شامل کنترل کننده­ های پیشرفته­ای می­باشند که برای در نظر گرفتن تغییرات نقطه کار سیستم طراحی می­شوند. کنترل مقاوم و کنترل فازی از جمله روش­هایی هستند که برای این منظور مورد استفاده قرار می­گیرند[۱۵] و [۳۲].
کارایی یک روش کنترلی، مستلزم این نکته است که اثرات قابل ملاحظه­ای را در پایداری سیستم، با توجه به دینامیک سیستم ایجاد نموده و براساس سیگنال­های قابل پیش ­بینی و قابل رویت کار نماید. از طرفی اکثر تحلیل­ها براساس حالت دائمی طراحی می­گردند، اما عناصر قدرت همواره در برابر تنش­های دینامیکی قرار دارند و بایستی نسبت به این شرایط نیز از خود عکس­العمل مناسبی نشان دهند. به طور یقین، کنترل دینامیکی نیازمند شناخت خوب از انواع دینامیک سیستم قدرت و چگونگی و چرایی آنهاست، اما نکته­ای که نباید فراموش شود، این است که تمام تحلیل­هایی که برای کنترل ارائه می­گردد، نسبی هستند. بنابراین برای طراحی یک کنترل میراکننده مناسب، باید مواردی از قبیل موثرترین انتخاب برای اندازه ­گیری سیگنال ورودی سودمند، استراتژی طراحی و ارزیابی کارایی کل سیستم مورد توجه قرار گیرد. عملکرد کنترل میراکننده باید به حداقل زمان لازم محدود شود تا ریسک اثرات معکوس جانبی را به حداقل برساند. کنترل میراکننده می­بایست به صورت یک سیگنال کنترل تکمیلی برای کنترل کننده اصلی اعمال شود، این عمل باعث می‌شود که کنترل کننده اصلی بر کنترل میراکننده نظارت داشته و از به ­وجود آمدن شرایط کاری خطرناک (آسیب زننده) جلوگیری کند.
باید توجه نمود که کنترل کننده STATCOM موازی که اساسا ولتاژ باس را کنترل می­ کند، ممکن است به شکل قابل ملاحظه میرایی سیستم را بهبود نبخشد یا در مواردی میرایی منفی ایجاد کند. به هر حال برای ایجاد میرایی مطلوب، STATCOM باید بوسیله یکسری از سیگنال­های کمکی که به حلقه ولتاژ اضافه می­شوند کنترل شود.
برای کنترل کردن STATCOMبایستی عناصر کنترل پذیر در این ابزار قدرت، شناسایی شوند. با توجه به شکل(۲-۴) متوجه می­شویم که خازن (لینک DC) و کلیدهای به کار رفته تنها عناصری هستند که تولید کننده خواسته­ های ما در جبران­سازی هستند. از این رو کنترل باید روی این دو عنصر صورت پذیرد. بنابراین تعیین ولتاژ DC برای خازن و تعیین میزان دوره انجام وظیفه کلیدها^[۱۰] از جمله کنترل­های مطرح در این قسمت است. حال با توجه به شناخت عناصر کنترل پذیر در STATCOM می­توان طرح­های مختلف کنترلی جبران­ساز استاتیکی سنکرون را بیان کرد.
۲-۲-۱- طرح­های کنترلی جبران­ساز استاتیکی سنکرون (STATCOM)
فرض کنیم که سیگنال مرجع، توان راکتیو دلخواهی است که باید توسط جبران­ساز تولید شود. بنابراین با توجه به عناصر کنترل پذیر در STATCOM، دو روش کنترلی برای این جبران­ساز میتوان به کار برد. این طرح­های کنترلی عبارتند از [۲۷]
۲-۲-۱-۱- کنترل با ولتاژ DC ثابت
در یک اتصال سنکرون، جایی­که دو منبع AC با فرکانس یکسان، بوسیله یک اندوکتانس سلفی، به یکدیگر متصل شده ­اند، توان اکتیو از باس پیشفاز به سمت پسفاز جاری می­ شود و توان راکتیو از منبعی که اندازه ولتاژ آن بزرگتر است به سمت منبعی که اندازه ولتاژ آن کوچکتر است سیلان پیدا می­ کند. اگر دو منبع با زاویه صفر و با زاویه α، توسط یک امپدانس سلفی (R + j x) به هم متصل شوند و اگر توان جاری شده به سمت صفر فرض شود، توان تولید شده توسط منبع صفر نبوده و برابر توان جذب شده توسط مقاومت این لینک خواهد بود. هم­چنین توان راکتیو جاری شده در لینک توسط منبع از رابطه­(۲-۵) بدست می ­آید.

(۲‑۵)

این رابطه نشان می­دهد که توان راکتیو با اختلاف اندازه ولتاژها متناسب است. در یک جبران­ساز استاتیکی، ولتاژ سیستم قدرت در نقطه اتصال و ولتاژ خروجی اینورتر است. اگر فرض کنیم که α بسیار کوچک و (R معادل تلفات در جبرانساز است)، آن­گاه می­توان رابطه­ (۲-۶) را برای α نوشت.

(۲‑۶)

ولتاژ با تبدیل یک ولتاژ DC در ورودی اینورتر تولید می­گردد. این ولتاژ DC توسط یک خازن تأمین می­گردد. اگر توان اکتیو که از شبکه به داخل اینورتر می ­آید، برای همه تلفات کافی نباشد، سمت DC مجبور به تأمین آن خواهد بود، و سریعا دشارژ می­ شود. اما اگر توان کشیده شده از شبکه، برای همه تلفات کافی باشد، ولتاژ سمت DC کنترل شده خواهد بود. تحت این شرایط معادله (۲‑۷) را می­توان برای ولتاژ خازن به کار برد:

(۲‑۷)

که در آن k ضریبی است که اندیس مدولاسیون فرایند PWM را در اینورتر در بر می­گیرد. در این طرح کنترلی، ولتاژ سمت DC را با کنترل زاویه α ثابت نگه می­داریم و توان راکتیو را با تغییر مستقیم مقدار توسط کنترل اندیس مدولاسیون (ضریبی که ولتاژ dc را به اندازه ولتاژ خروجی اینورتر در فرکانس اصلی، مرتبط می­ کند) کنترل می­کنیم. در این روش زاویه α و اندیس مدولاسیون دو متغیر کنترلی هستند که در آن، دینامیک ولتاژ سمت DC باید آهسته باشد. از آنجا که سیلان توان راکتیو با کنترل مستقیم اندیس مدولاسیون اینورتر کنترل می­ شود، می­توان دینامیک سریعی در این قسمت داشت. اجزائی هم­چون مقاومت معادل تلفات، مقدار اندوکتانس اتصال دهنده و برخی پارامترهای سیستم کنترل روی دینامیک این روش تأثیر دارند. شکل (۲-۱۲) بلوک دیاگرام جبران­ساز با روش کنترل ولتاژ ثابت سمت DC با بهره گرفتن از کنترلر PI را نشان می­دهد. در این روش دو حلقه کنترلی مجزا برای کنترل ولتاژ DC و اندیس مدولاسیون خواهیم داشت. در حلقه کنترل ولتاژ DC، ابتدا ولتاژ خازن DC اندازه ­گیری شده و با مقدار مرجع خود مقایسه می­ شود. خطای حاصل در یک کنترلر PI پردازش می­ شود؛ خروجی کنترلر PI تبدیل به یک پالس نشانگر زمان^[۱۱] می­ شود که از لحاظ زمانی نسبت به محل گذر از صفر ولتاژ فاز سیستم، شیفت یافته است. مقدار این شیفت متناسب با ولتاژ خروجی کنترلر PI است. این پالس، شمارنده­ای را در یک مولد موج سینوسی فاز قفل شده^[۱۲] بازنشانی^[۱۳] می­ کند و شیفت فاز را در سیگنال مرجع مدولاسیون اینورتر تأثیر می­دهد. خروجی حاصل یک موج سینوسی با دامنه ثابت خواهد بود که پس از تبدیل شدن به یک سیگنال آنالوگ به ورودی یک ضرب کننده اعمال می­ شود.
شکل ۲‑۱۲- بلوک دیاگرام جبران­ساز استاتیکی سنکرون با طرح کنترلی ولتاژ DC ثابت با بهره گرفتن از کنترلر PI[27]

۴-۱ مقدمه
ماهیت بسیاری از مسائل بهینه سازی مهم نظری و کاربردی شامل جستجوی بهترین پیکربندی برای مجموعه ای از متغیرها به منظور دستیابی به یک یا چند هدف خاص می باشد]۶۴[ این نوع مسائل به دودسته کلی تقسیم می شوند: در دسته اول جواب مسئله به صورت متغیرهای با ارزش واقعی کدگذاری می شوند ودر دسته دوم این متغیرها دارای ساختار گسسته می باشند.مسائل بهینه سازی ترکیب کلاس مهمی از مسائل دارای متغیرهای گسسسته می باشند که هدف آنها یافتن یک جواب بهینه سراسری در میان تمامی جوابهای موجود در فضای جستجو مسئله می باشد.مسائل زمانبندی از جمله مهمترین مسائل بهینه سازی ترکیبی محسوب می شوند.با توجه به اهمیت فراوان این مسائل الگوریتمهای مختلفی به منظور بهینه سازی این مسائل ارائه گردیده است. دو دسته کلی از روش‌های حل مسایل بهینه‌سازی شامل روش‌های دقیق^[۳۲] و روش‌های تقریبی^[۳۳] وجود دارد

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

روش‌های دقیق، الگوریتم‌هایی می‌باشند که جواب‌های بهینه را پیدا نموده و شرط بهینگی را تضمین می‌نمایند. بعضی از این الگوریتم‌ها عبارتند از برنامه‌ریزی پویا و الگوریتم‌های خانواده شاخه و کران. روش‌‌های دقیق برای ابعاد کوچک بعضی از مسایل بهینه‌سازی دشوار نیز قابل به کارگیری می‌باشند
در طبقه روش‌های تقریبی دو زیر طبقه از الگوریتم‌ها شامل الگوریتم‌های تقریب‌زنی و الگوریتم‌های هیوریستیکی، وجود دارد. برخلاف هیوریستیک‌ها، که معمولاً به دنبال راه‌ حل ‌های خوب در زمان معقولی می‌باشند، الگوریتم‌های تقریب‌زنی حدود قابل اثباتی برای زمان اجرا و کیفیت جواب، ارائه می‌نمایند.
هیوریستیک‌ها راه‌ حل ‌های خوب را برای مسایل با اندازه‌های بزرگ جستجو می‌نمایند. آنها عملکرد قابل قبولی را، همراه با هزینه قابل قبولی برای حوزه وسیعی از مسایل به همراه دارند. هیوریستیک‌ها به دو خانواده تقسیم‌بندی می‌شوند: هیوریستیک‌های خاص و متاهیوریستیک‌ها. هیوریستیک‌های خاص برای حل یک مسأله خاص طراحی شده‌اند. متاهیوریستیک‌ها، الگوریتم‌های عمومی می‌باشند که برای حل اغلب مسایل بهینه‌سازی قابل استفاده می‌باشند. آنها را می‌توان به عنوان متدولوژی‌های سطح بالای عمومی دید که به عنوان استراتژی راهنما برای طراحی هیوریستیک‌های خاص، برای حل مسایل بهینه‌سازی خاص، به کار روند.
در بخشهای آتی این فصل ابتدا به تشریح مبانی الگوریتم های فراابتکاری بکار رفته در این تحقیق شامل الگوریتم ژنتیک و الگوریتم توده ذرات pso پرداخته می شود.در ادامه یک رویکرد ترکیبی با بهره گرفتن از این الگوریتم ها به منظور حل مسئله مورد بررسی این تحقیق ارائه می گردد و در نهایت نتایج محاسباتی الگوریتم ارزیابی می شود.
۴-۲ الگوریتم ژنتیک
نظریه تکامل چارلز داروین^[۳۴] که در سال ۱۸۵۹ ارائه گردید، جایگاه ویژه‌ای را در مسایل بهینه‌سازی به خود اختصاص داد. این نظریه براساس تکامل بهترین‌ها^[۳۵] ارائه گردید و آن را می‌توان به عنوان نقطه شروعی برای محاسبات تکاملی دانست. بررسی وضعیت موجودات زنده، رفتاری پیچیده و بهینه‌ای را در تمامی سطوح شامل یک سلول، یک عضو، یک شخص و یک جمعیت نشان می‌دهد. به عبارت دیگر، در دنیای طبیعی، گونه‌های زیادی از تکامل یا بهبود و حرکت به سمت بهینه‌شدن مشاهده می‌گردد. این گونه‌ها در رفتار داخل یک سلول تا رفتار جمعیتی از موجودات زنده دیده می‌شود. نگرش‌های تکاملی برای حل مسایل بهینه‌سازی از این پدیده طبیعی، الگو گرفته شده است.
براساس تئوری انتخاب طبیعی، گیاهان و موجودات زنده‌ای که در حال حاضر وجود دارند، نتیجه میلیون‌ها سال تطابق با تقاضاهای محیط می‌باشند. در هر زمانی، تعدادی از جانداران^[۳۶] مختلف، ممکن است که با همدیگر در یک اکوسیستم^[۳۷] زندگی نمایند و برای دستیابی به منابع مشترک با همدیگر به رقابت بپردازند. موجوداتی که توانایی بیشتری در دستیابی به منابع و تولیدمثل داشته‌اند، در طبیعت نیز بیشتر مشاهده می‌شده‌اند. موجوداتی که توانایی کمتری داشته‌اند، به دلایل مختلف، به مرور، تعداد آنها کم و کمتر شده و حتی به نابودی کشیده شده‌اند. در این حالت، گفته می‌شود که گونه‌های اول (با توانایی بیشتر) نسبت به گونه‌های بعدی (گونه‌های دارای توانایی کمتر) شایسته‌تر^[۳۸] می‌باشند و مشخصه‌هایی که موجب شده است تا بعضی گونه‌ها شایسته‌تر باشند، مشخصه‌ های ارجح می‌باشند. در طول زمان، گفته می‌شود که کل جمعیت اکوسیستم دچار تکاملی^[۳۹] شده است به طور متوسط، شامل موجوداتی شده است که شایسته‌تر از موجودات قبلی آن می‌باشند، زیرا این موجودات مشخصاتی داشته‌اند که منجر به بقای بیشتر آنها شده است.
تکنیک محاسبات تکاملی (EC) این قواعد تکامل را در الگوریتم‌هایی برای جستجوی راه‌ حل ‌های بهینه مسایل به کار می‌گیرد. در اصل، تکنیک محاسبات تکاملی، توسعه علوم تکامل بیولوژیکی به حوزه علوم محاسباتی و کامپیوتر بوده است. در یک الگوریتم جستجو، تعدادی از راه‌ حل ‌های ممکن از یک مسأله در اختیار بوده و هدف یافتن بهتری راه‌حل ممکن در زمان محدود می‌باشد. تفاوت اصلی الگوریتم‌های تکاملی نسبت به الگوریتم‌های دیگر این است که این الگوریتم‌ها مبتنی بر جمعیت^[۴۰] عمل می‌نمایند. در این الگوریتم‌‌ها، معمولاً یک جمعیت اولیه ایجاد و سپس تکامل داده می‌شود.
مشهورترین تکنیک در تحقیقات محاسبات تکاملی، الگوریتم ژنتیک است. در الگوریتم ژنتیک، معمولاً از یک رشته با طول ثابت^[۴۱] برای نمایش راه ‌حل ‌ها استفاده می‌گردد. در این الگوریم فرض می‌گردد که هر موقعیت (نقطه) در رشته معرف یک ویژگی خاص از یک فرد (راه‌حل یا عضو جمعیت) است و مقدار مشخص شده برای آن موقعیت، نشان‌دهنده نحوه بیان آن ویژگی در راه‌حل است.
اصول اولیه الگوریتم ژنتیک توسط هالند و همکارانش در طول تحقیقات آنها در زمینه مدل سازی فرایند سازگاری سیستم های طبیعی در قالب سیستمهای مصنوعی ارائه شد و نتیجه این تحقیقات پیدایش الگوریتم زنتیک بود.
الگوریتم ژنتیک کار خود را با جامعه ای از جوابها که از طریق یک فرایند تصادفی ایجاد شده اند آغاز می کند.جامعه جوابها توسط یک تابع برازش ارزشیابس می شود. هر بار که ارزشیابی اعضای جامعه صورت می پذیرد،تعدادی از آنها با توجه به میزان برازش محاسبه شده به عنوان والدین انتخاب می شوند.به طور طبیعی اعضایی که میزان برازش بیشتری دارند از احتمال بیشتری برای انتخاب برخوردارند.با بکارگیری عملیات ژنتیک بر روی والدین، فرزندان آنها تولید می شوند و پس از آن از میان اعضای جامعه فعلی و این فرزدان جامعه جدید تولید می شود. تا این مرحله الگوریت یک تکرار یا یک نسل را طی نموده است و پس از طی چندین نسل به تدریج به سمت جواب بهینه همگرا می شود.
الگوریتم ژنتیک دو ویژگی مهم را در بر دارد. اولین ویژگی رفتار تصادفی این الگوریتم است که نقش مهمی را در الگوریتم بر عهده دارد. رویه‌های انتخاب و تولیدمثل بر پایه روش‌های تصادفی عمل می‌نمایند. ویژگی مهم دوم این است که الگوریتم ژنتیک براساس جمعیتی از راه ‌حل ‌ها عمل می کند. استفاده از یک جمعیت در هر تکرار، به جای یک نقطه تکی، مزایای زیادی را به همراه دارد. این الگوریتم می‌تواند راه‌حل‌‌های مختلف را به منظور تولید راه‌حل بهتر با همدیگر ترکیب نموده و می‌تواند از مزایای طبقه‌بندی راه‌حل سود ببرد. یک الگوریتم مبتنی بر جمعیت، قابلیت بیشتری برای موازی‌سازی^[۴۲] دارد. با موفقیت الگوریتم ژنتیک، الگوریتم‌های دیگری از قبیل استراتژی تکاملی و برنامه‌نویسی ژنتیک، از قواعد تکامل طبیعی استفاده نمودند.
۴-۲-۱ شمای کلی الگوریتم ژنتیک
مراحل الگوریتم ژنتیک استاندارد به صورت زیر می‌باشند:
[شروع] تولید جمعیت اولیه. در این مرحله، یک جمعیت اولیه شامل n کروموزوم تولید می‌گردد.
[برازندگی] مقدار برازندگی (x) f هر کروموزوم x از جمعیت ارزیابی می‌گردد.
[جمعیت جدید] ایجاد یک جمعیت جدید با تکرار مراحل زیر تا زمانی که جمعیت جدید کامل گردد:
– [انتخاب] انتخاب دو کروموزوم از جمعیت مطابق با مقدار برازندگی آنها (افراد با برازندگی بیشتر؛ شانس بیشتری برای انتخاب دارند).
– [عملگر تقاطعی]^[۴۳] با بهره گرفتن از عملگر تقاطغی احتمالی روی والدین انتخاب شده، فرزندان^[۴۴] جدید تولید می‌گردند. اگر عملگر تقاطع انجام نگردد، فرزندان همان والدین خود خواهند بود.
– [جهش] با بهره گرفتن از یک عملگر جهش احتمالی، فرزندان جدید تحت عمل جهش قرار می‌گیرند. در این حالت، جهش روی هر لوکوس (موقعیت هر کروموزوم) صورت می‌گیرد.
– [پذیرش] فرزند جدید در جمعیت جدید قرار داده می‌شود.
[جابه‌جایی] جمعیت جدید (فرزندان) با جمعیت قبلی (والدین) با همدیگر تشکیل یک نسل جدید را می‌دهند. در این حالت، بعضی از والدین حذف شده و بعضی از فرزندان جانشین آنها می‌شوند و دو جمعیت تبدیل به یک جمعیت شده و اندازه جمعیت نیز ثابت می‌ماند.
[شرط توقف] اگر شرط توقف برآورده شده است، توقیف کنید و بهترین راه‌حل در جمعیت جاری (آخرین جمعیت) را گزارش دهید.
[تکرار] در صورت عدم برآورده شدن شرط توقف، به قدم دوم که برازندگی است، برگردید.
۴-۳) اجزای الگوریتم ژنتیک:
در ساختار استاندارد الگوریتم ژنتیک بحث شده در قسمت قبلی، اجزایی به کار گرفته شده است که در زیر بعضی از آنها مورد بحث قرار می‌گیرد.
۴-۳-۱) کروموزوم:
رشته یا دنباله‌ای از بیت‌ها که به عنوان شکل کد شده یک جواب ممکن (مناسب یا نامناسب) از مسأله موردنظر می‌باشد، کروموزوم نام دارد. در حقیقت، بیت‌های یک کروموزوم، نقش ژن‌ها را در طبیعت بازی می‌کنند. هر بیت، متغیری گسسته است که از یک مجموعه Q یا آلل عضوی انتخاب می‌شود. چنانچه از کدگذاری باینری استفاده شود،هر بیت یکی از دو مقدار ۰ یا ۱ را می‌پذیرد و بنابراین در این حالت Q=2 می‌باشد.
۴-۳-۲) جمعیت:^[۴۵]
مجموعه‌ای از کروموزوم‌ها را جمعیت گویند. یکی از ویژگی‌های ژنتیک این است که به جای تمرکز بر روی یک نقطه از فضای جستجو یا یک کروموزوم، بر روی جمعیتی از کروموزوم‌ها تمرکز می‌کند. بدین‌ترتیب در هر مرحله، الگوریتم دارای جمعیتی از کروموزوم‌ها بوده که خواص موردنظر را بیشتر از جمعیت مرحله قبل دارا می‌باشد. هر جمعیت یا یک نسل از کروموزوم‌ها، دارای یک اندازه می‌باشد که به اندازه جمعیت^[۴۶] معروف است. اندازه جمعیت معرف تعداد کروموزوم‌های موجود در جمعیت یا یک نسل است. اگر تعداد کروموزوم‌های خیلی کم باشد، امکان شکل‌گیری عملیات جابه‌جایی توسط الگوریتم ژنتیک بسیار کم خواهد بود و تنها قسمت کمی از فضای جستجو مورد کاوش قرار خواهد گرفت. براساس تحقیقات، جمعیت‌های با اندازه حدود ۲۰ تا ۳۰ کروموزوم، مناسب‌تر می‌باشند. البته، گاهی اوقات جمعیت با اندازه ۵۰ تا ۱۰۰ بهترین جواب‌ها را داده‌اند. بعضی تحقیقات نیز نشان می‌دهد که اندازه جمعیت باید براساس نوع مسأله و کدینگ آن تعریف شود و افزایش بیشتر آن بی‌فایده خواهد بود و هرگز به حل سریع‌تر مسأله کمک نمی‌کند
۴-۳-۳) مقدار برازندگی:^[۴۷]
مناسب‌بودن یا نبودن جواب، با معیاری که از تابع هدف به دست می‌آید، سنجیده می‌شود. جواب هرچه مناسب‌تر باشد، به همان اندازه مقدار برازندگی بزرگتری دارد. برای آنکه شانس بقای چنین جوابی بیشتر شود، احتمال بقای آن، متناسب با مقدار برازندگی آن در نظر گرفته می‌شود. بنابراین، کروموزومی که برازنده‌تر است با احتمال بیشتری در تولید فرزندان شرکت می‌کند و دنباله‌های بیشتری از آن به وجود می‌آید. به عنوان مثال، چنانچه هدف بیشینه‌کردن یک تابع باشد، مقدار برازندگی، یک تابع صعودی از تابع هدف در نظر گرفته می‌شود و اگر هدف یافتن مقدار کمینه یک تابع باشد، عدد برازندگی، یک تابع نزولی از آن قرار داده می‌شود. معمولاًً در مواردی که امکان دارد و مناسب باشد، تابع برازندگی را در فاصله [۰و۱] نرمال می‌کنند.
۶-۳-۴) کدگذاری:
کدگذاری، فرایندی است که به واسطه آن، راه ‌حل ‌ها در فضای فیزیکی مسأله تبدیل به راه‌ حل‌ هایی با کدهایی می‌گردد که قابل فهم برای کامپیوتر و محاسبات است. به عبارت دیگر، راه‌حل واقعی با بهره گرفتن از ژن‌های او بیان می‌گردد. البته، ژن‌ها نیز به زبان کامپیوتری بیان می‌گردند. کدگذاری تأثیر زیادی روی کیفیت الگوریتم خواهد داشت و طراحی مناسب یک ساختار کدگذاری، از اهمیت بالایی در الگوریتم ژنتیک برخوردار است. روش‌های مختلفی برای کدگذاری یک راه‌حل وجود دارد که در فصل دوم مورد بحث قرار گرفتند و در این قسمت به آنها پرداخته نمی‌شود. راه‌ حل ‌های ارائه شده در آن فصل برای کدگذاری راه ‌حل ‌ها در الگوریتم ژنتیک نیز کاربردی می‌باشند. همچنین، خصوصیات یک کدگذاری مناسب نیز در آن فصل بحث گردید که در ارتباط با الگوریتم ژنتیک نیز مورد استفاده می‌باشند.
۴-۳-۵) انتخاب:
انتخاب، فرایند انتخاب دو والد از جمعیت برای عمل تقاطع است. در این مرحله، باید در ارتباط با نحوه انتخاب والدین برای عمل تقاطع، نحوه تولید فرزندان و تعداد فرزندان تصمیم‌گیری گردد. هدف انتخاب این است که والدین شایسته‌تر انتخاب شده که منجر به تولید فرزندانی با برازندگی بالا گردد. کروموزوم‌هایی که از جمعیت اولیه برای تولیدمثل انتخاب می‌گردند، والدین نام دارند. انتخاب، نحوه تعیین این والدین را مشخص می کند. براساس نظریه کامل داروین، بهترین‌ها باید شانس بیشتری برای تولیدمثل و بقا داشته باشند.
انتخاب روشی است که به طور تصادفی کروموزوم‌هایی را از جمعیت، برای تولیدمثل بیرون می‌آورد. کروموزوم با تابع برازندگی بالاتر، شانس بیشتری برای انتخاب دارد. فشار رویه انتخاب^[۴۸] به معنای درجه توجه به والدین بهتر در رویه انتخاب است که توسط گلدبرگ و دب^[۴۹] در سال ۱۹۹۱ تعریف گردید. فشار بالای رویه انتخاب منجر به تأکید بیشتر در انتخاب والدین با شایستگی بیشتر می‌گردد.
همگرایی الگوریتم ژنتیک وابستگی بالایی به دامنه و شدت فشار رویه انتخاب دارد. فشار بالای رویه انتخاب منجر به افزایش نرخ همگرایی الگوریتم می‌‌گردد. الگوریتم ژنتیک قادر به یافتن جواب بهینه یا نزدیک به بهینه، تحت دامنه معقولی از فشار رویه انتخاب می‌‌باشد. با این وجود، اگر فشار رویه انتخاب خیلی کم باشد، نرخ همگرایی خیلی کند خواهد شد و الگوریتم ژنتیک نیاز به زمان بسیار طولانی و غیرضروری برای رسیدن به جواب بهینه خواهد داشت. در صورتی که فشار رویه انتخاب خیلی زیاد باشد، موجب می‌گردد که الگوریتم ژنتیک به طور نابهنگام به بهینه تقریبی همگرا گردد. از طرفی، در هنگام طراحی برنامه انتخاب، باید دقت گردد که گوناگونی جمعیت حفظ گردد که از همگرایی زودرس الگوریتم جلوگیری گردد.
به‌طور کلی، دو نوع از برنامه انتخاب وجود دارد، رویه مبتنی بر تناسب^[۵۰] و رویه مبتنی بر ترتیب.^[۵۱] رویه مبتنی بر تناسب، والدین را براساس مقدار برازندگی آنها نسبت به مقدار برازندگی سایر والدین جمعیت انتخاب می‌کند. برنامه انتخاب مبتنی بر ترتیب، والدین را نه بر اساس مقدار خام برازندگی آنها، بلکه براساس رتبه آنها در جمعیت انتخاب می‌کند. در این حالت، فشار رویه انتخاب مستقل از توزیع مقدار برازندگی جمعیت در نظر گرفته شده و مقدار ترتیب (رتبه) آنها در جمعیت به جای مقدار برازندگی آنها، در نظر گرفته می‌شود. چند روش برای رویه انتخاب در زیر آمده است.
۴-۳-۵-۱) روش چرخ رولت:^[۵۲]
روش چرخ رولت، یکی از روش‌های سنتی انتخاب در الگوریتم ژنتیک است. در این حالت یک کروموزوم از استخر تولیدمثل^[۵۳] براساس احتمالی متناسب با مقدار شایستگی‌اش انتخاب می‌گردد. در این مدل، سطح چرخ به بخش‌هایی تقسیم می‌‌شود که تعداد آنها برابر با تعداد اعضای جمعیت و سطح هر بخش متناسب با مقدار برازندگی هر کروموزوم است. سپس چرخ به گردش در می‌آید تا در نقطه‌ای به تصادف متوقف گردد. این نقطه، کروموزوم انتخاب شده را مشخص می‌سازد. شکل ۴-۱۳ شمایی از چرخ رولت را نشان می‌دهد. در این شکل، کروموزوم‌های ۱ و ۲ دارای برازندگی بیشتری نسبت به کروموزوم‌های ۳ و ۴ می‌باشند و بنابراین در مرحله انتخاب، شانس بیشتری دارند. این شیوه انتخاب سبب می‌شود که با گذشت زمان، تعداد کروموزوم‌های مطلوب در جمعیت افزایش یابد به طوری که میانگین مقدار برازندگی جمعیت، در مقایسه با جمعیت مرحله قبل، بیشتر می‌شود.

شکل۴-۱: چرخ رولت [۱]
شکل ۴-۲ نمونه‌ای از محاسبات در چرخ رولت را نشان می‌دهد. همان‌طور که در این شکل مشاهده می‌گردد، ۷ فرد (راه‌حل) با مقدار شایستگی مشخص شده، وجود دارند. سطح چرخ رولت متناسب با مقدار شایستگی آنها تنظیم شده است. دو نوع چرخ رولت در این شکل مشاهده می‌گردد. در چرخ سمت چپ، با هر بار چرخش یک کروموزوم انتخاب می‌گردد. در این حالت، پس از چرخاندن چرخ، در هنگام توقف چرخ، کروموزوم مقابل نشانه انتخاب می‌گردد. در چرخ سمت راست، چهار نشانه وجود دارد و در هر بار چرخش، چهار فرد یا کروموزوم انتخاب می‌گردد.

شکل۴-۲: نمونه‌ای از انتخاب در چرخ رولت [۱]
پیاده‌سازی مدل چرخ رولت در کامپیوتر، می‌تواند شامل مراحل زیر باشد:
کروموزوم‌های جمعیت به شکل دنباله در آورده شده و سپس مجموع مقدار برازندگی هر کروموزوم با مقدار برازندگی تمام کروموزوم‌های قبل از آن محاسبه می‌گردد. سپس مقدار برازندگی نسبی تجمعی کروموزوم‌ها محاسبه می‌گردد. یک عدد تصادفی n بین صفر و یک ایجاد می‌شود. از بین کروموزوم‌ها، اولین کروموزومی که مقدار برازندگی تجمعی نسبی آن، بیشتر از n باشد، انتخاب می‌گردد. جدول ۴-۱ نمونه‌ای از انتخاب کروموزوم‌ها با استفاد از مدل چرخ رولت، را نشان می‌دهد.