آموزش بهینه‌ سازی در MATLAB (هوافضا)

اساسا بهینه سازی یا بهینه یابی یکی از موضوعات جذاب در علوم و مهندسی است. روش های تئوری و کلاسیکی برای این روش ها معرفی شده است. برای مثال می توان به یکی از روش های کلاسیک اشاره کرد که شرط یافتن مینیمم و ماکزیمم در توابع درجه دو، قراردهی مشتق برابر با صفر است.

این علم توسعه فراوانی یافته تا آنجا که در برخی از دانشگاهها کورس های سه واحدی با عنوان روش های بهینه سازی تدریس میگردد.

در کنار روش های ریاضی، الگوریتم های هوشمندی نیز برای انجام بهینه سازی معرفی شده اند که در قالبی دیگر به الگوریتم های فرا ابتکاری معروف می باشند.

شاید مشهورترین این روش ها، الگوریتم ژنتیک می باشد که در اوایل 1970 توسط جان هالند معرفی گردید. معروفیت و مشهوریت این روش تا بدان جاست که برخی الگوریتم های فراابتکاری را با نام الگوریتم ژنتیک می شناسند در حالیکه روش های دیگری چون PSO، AntColony و ... نیز وجود دارد.

برای درک بهتر این الگوریتم مثالی میزنیم. فرض کنید به دنبال مینیمم یابی تابع y=fx می باشید که متغیر x می تواند یک میلیون ورودی بگیرد. روش سرچ عمومی بدین شکل عمل میکند که هر یک میلیون ورودی را وارد تابع f کرده و خروجی ها چک شده و مینیمم یا ماکزیمم پیدا میگردد.

اما روش های فراابتکاری (برای نمونه الگوریتم ژنتیک) اینگونه عمل نمیکنند. آنها ایجاد شده اند که به جای ارزیابی یک میلیون ورودی، برای مثال با ارزیابی 500 ورودی به نقطه مینیمم یا ماکزیمم برسند.

کاربردهای متنوع و متفاوت این الگوریتم ها را در هر علمی میتوان یافت. برای مثال:

بهینه سازی شکل آیرودینامیکی خودرو برای کاهش مصرف سوخت یا افزایش سرعت!

بهینه سازی دماغه شاتل های فضایی برای کاهش حرارت در فاز ورود به جو!

بهینه سازی مکانی سنسورهای تشخیص عیب در هر وسیله ای!

بهینه سازی شرایط اقتصادی برای ایجاد کمترین تورم!

و قس علی هذا !

در این ورکشاپ جامع بر مفاهیم اصلی، تئوری و کاربرد الگوریتم ژنتیک (تک هدفه و چند هدفه) الگوریتم ازدحام ذرات (PSO) و الگوریتم کلونی مورچگان (ACO) در مسائل بهینه سازی و نحوه پیاده سازی آن در نرم افزار متلب تمرکز خواهد بود.