دی اکسید کربن

^۴-۱۰×۶۰/۰

دی اکسید نیتروژن

^۵-۱۰×۵۴/۰

۲-۵ الگوریتم ژنتیک
ایده الگوریتم ژنتیکی یا GA از دو اصل انتخاب و تولید نسل در طبیعت بهره برده است. با گذشت زمان ساختار ژنتیکی موجودات تغییرکرده و نسل­های جدیدتر با محیط سازگاری بیشتری دارند. بدین طریق که امکان زنده ماندن و تولید مثل موجودات قوی­تر بیشتر از موجودات ضعیف می­باشد. در نسل­های جدیدتر ساختار ژنتیکی موجودات قوی تکرار می­ شود و موجودات ضعیف از بین می­روند. در بعضی موارد نیز جهش بوجود می ­آید بدین معنی که از آمیزش دو موجود، موجودی متولد می­ شود که بر اثر جهش ژنتیکی خیلی بهتر یا بدتر از والدین خود می­باشد و به تعبیری یک نابغه یا یک عقب مانده متولد می­ شود و در نسل­های بعدی تأثیر می­ گذارد. طبیعت تضمین می­ کند که این نوع زاد و ولد موجب تولید موجودات بهتر شود.
الگوریتم ژنتیکی بر این اساس ابزاری ساده، ولی قدرتمند است. یک روش بهینه سازی بر اساس جستجو است که توسط جان هولند و شاگردانش در دانشگاه میشیگان ارائه شد. بعضی مسایل دارای راه حل­های مشخص می­باشند: برای حل مسائل خطی با محدودیت­های خطی، معمولاً از روش­های حل LP(برنامه ریزی خطی) استفاده می­ شود و همچنین برای حل مسائل غیر خطی با محدودیت­های غیرخطی از NLP (برنامه ریزی غیر خطی) استفاده می­ شود. در حقیقت به این دلیل که بسیاری از روش­ها در محدوده مسائل خاص کاربرد دارند، پیدا کردن روش مناسب برای حل یک مسئله نیز خود مشکل دیگری است. بعضی روش­ها به دلیل محدودیت برای حل مسائل خاص خود نیز دچار مشکل می­شوند. مثلاً برای بدست آوردن بیشینه یا کمینه یک تابع مشتق­پذیر می­توان از مشتق­گیری استفاده کرد. اما اگر این تابع مشتق­پذیر نباشد و یا تعریف صریحی نداشته باشد، چه باید کرد؟

یکی از روش­های حل این گونه مسائل، الگوریتم ژنتیکی است که به دلیل استفاده از جستجو و همچنین مقدار تابع در نقاط مختلف فضای جستجو هیچ گونه عملیاتی بر روی تابع انجام نمی­دهد. بعضی روش­ها مانند نیوتن کواسی، گرادیان کانجوگیت برای شروع حل مسئله نیاز به داشتن جواب نزد یک به جواب بهینه می­باشند و این خود در بعضی مواقع موجب نیازمندی آنها به روش­های دیگری است که جوابی نزدیک به جواب بهینه تولید کنند، اما در الگوریتم ژنتیکی و روش­هایی مانند جستجوی تصادفی شروع حل مسئله از نقاط تصادفی در فضای جستجو صورت می­گیرد.
البته لازم به ذکر است که سرعت رسیدن به جواب در روش­هایی مانند الگوریتم ژنتیکی و جستجوی تصادفی کمتر از سیمپلکس، نیوتن کواسی و… می­باشد.
۲-۵-۱ مفاهیم الگوریتم ژنتیک
هدف الگوریتم ژنتیکی به دست آوردن جواب بهینه یا نزدیک به بهینه می­باشد, برای این کار:
با پارامترهای کد شده کار می­ کند نه با خود پارامتر.
جستجو را بوسیله جمعیتی از نقاط انجام می­دهد، نه یک نقطه. فقط به ذکر این نکته بسنده می­کنیم که تعداد این نقاط نیز مهم است، به این صورت که تعداد جمعیت زیاد محاسبات را بسنده می­کنیم که تعداد این نقاط نیز مهم است، به این صورت که تعداد جمعیت زیاد محاسبات را پوشش نداده و ممکن است الگوریتم در یک جواب محلی گیر کند.
از مقدار تابع در نقاط مختلف فضای جستجو استفاده می­ کند و نیازی به دانستن مشتق تابع یا اطلاعات دیگری از تابع ندارد.
الگوریتم ژنتیک از قوانین آماری استفاده می کند نه از قوانین محاسباتی.
برخی مفاهیم که در پیاده سازی الگوریتم­های ژنتیک به آن­ها برخورد می­کنیم در زیر آورده شده است:
ژن و کروموزوم: ژن کوچکترین واحد سازنده GA می­باشد. در حقیقت ژن­ها برای نمایش شکل کد شده پارامترها می­باشد. به رشته ای از ژن­ها، کروموزوم می­گویند. برای مثال وقتی متغیر X را به صورت باینری کد می­کنیم، هر "۰” و “۱” یک ژن محسوب می­ شود و به رشته­ای از این “۰” و “۱” ها که متغیر X را می­سازند و در حقیقت شکل کد شده متغیرند، کروموزوم می­گوییم.
تابع معیار: تابع معیار تابعی است که قرار است بهینه شود و وسیله لازم برای ارزیابی هر کروموزوم را فراهم می ­آورد. تابع معیار به هر کروموزوم یک عدد نسبت می­دهد که مقدار این عدد میزان خوب بودن یا مناسب بودن آن کروموزوم را نشان می­دهد. برای مثال وقتی می­خواهیم خطای یک سیستم پیوسته به پاسخ پله را کمینه کنیم تابع معیارهای زیر مناسب می­باشند :
و که e(t) مقدار خطا در هر لحظه می­باشد.
جمعیت و نسل: جمعیت تعداد نقاطی از فضای جستجو است که GA با آن­ها به سمت جواب بهینه می­رود. برای این کار عملگرهای مختلفی بر روی جمعیت اعمال می­­شوند و جمعیتی به وجود می ­آید که جایگزین جمعیت قبل می­ شود و با اعمال دوباره عملگرها این روند ادامه می­یابد. این تکرارها نسل­های GA را بوجود می­آورند.
والدین و فرزندان: در هر نسل افراد جمعیت به صورت جفت جفت و براساس احتمالی متناسب با تابع معیارشان انتخاب شده تا عملگرها بر روی آن­ها اعمال شود. به این جفت­ها “والدین” گفته می­ شود. پس از انجام عملگرها بر روی والدین، یک جفت موجود تولید می­ شود که “فرزندان “آن­ها می­باشند.
۲-۵-۲ الگوریتم ژنتیکی ساده :
الگوریتم ژنتیکی به روش­های مختلف و با عملگرهای متنوعی پیاده­سازی شده اند. آنچه در این پروژه به کار گرفته شده است، الگوریتم ژنتیکی ساده است که دیاگرام بلوکی آن در شکل (۲-۱۰) آورده شده است. انجام عملیات الگوریتم نیاز به پیاده­سازی سه مرحله دارد :
۱- مقداردهی اولیه ٢- دوباره سازی ٣- جایگزینی
در مقداردهی اولیه ابتدا نقاطی از فضای جستجو به صورت تصادفی (معمولاً) انتخاب می­ شود و سپس هریک از آن­ها را کد می­ کنند (تشکیل کروموزوم)، هر یک از این کروموزوم­ها را می­توان یک جواب برای مسئله بهینه­سازی در نظر گرفت. تعداد کروموزوم­های انتخاب شده به جمعیت در نظر گرفته شده برای مسأله بستگی دارد. برای هر کروموزوم مقدار تابع معیار را محاسبه کرده و به آن اختصاص می­دهیم. مجموعه این کروموزوم­ها نسل اولیه را تشکیل می­ دهند.

شکل ۲-۱۰: دیاگرام بلوکی الگوریتم ژنتیکی ساده
مرحله دوباره­سازی با بهره گرفتن از نسل فعلی، نسل جدید را تولید می­ کند. برای این کار یک جفت کروموزوم از نسل فعلی و با احتمالی متناسب با مقدار تابع معیار آن کروموزوم نسبت به سایر کروموزوم­ها در آن نسل انتخاب کرده (والدین) و با اعمال عملگرهای برش و جهش یک جفت کروموزوم جدید (فرزندان) تولید می­ شود. این فرزندان در نسل بعدی قرار می­گیرند. انتخاب، برش و جهش آنقدر ادامه می­یابد تا تعداد فرزندان کافی برای پر شدن نسل جدید تولید شوند .سپس برای هر کروموزوم جدید مقدار تابع معیار را محاسبه کرده و به آن اختصاص می­­دهند.
در مرحله جایگزینی کروموزوم­های جدید (فرزندان) جایگزین کروموزوم­های قبل (والدین) می­شوند یعنی نسل جدید جایگزین نسل قبلی می­ شود.
مرحله دوباره­سازی و جایگزینی آنقدر تکرار می­شوند تا به اندازه کافی به جواب بهینه نزدیک شویم. میزان نزدیک شدن به جواب بهینه که شرط پایان الگوریتم ژنتیکی است به وسیله استفاده کننده مشخص می­ شود. برای این کار معمولاً معیارهایی درنظر گرفته می­ شود که باید برآورده شوند.
۲-۵-۳ عملگرهای انتخاب، برش و جهش
انتخاب : این عملگر، ساز و کار بقای موجود قوی­تر در طبیعت را تقلید می­ کند، یعنی به موجود بهتر شانس بیشتر و به موجود بدتر شانس کمتری برای بقا می­دهد. در هرمرحله با دو انتخاب، دو موجود به عنوان والدین در نظرگرفته می­شوند.
روش­های مختلفی برای انتخاب وجود دارد که برخی از آن­ها عبارتند از:
الف ) چرخ رولتی ب) ضعیف کشی ج) مسابقه­ای
به دلیل استفاده از چرخ رولتی در این پروژه به توضیح مختصر آن می­پردازیم .اگرتابع معیار موجود i ام، Fi و مجموع تابع معیار موجودات آن نسل ∑f باشد، احتمال انتخاب شدن آن موجود برای والد شدن ( ∑f / Fi ) می­ شود. برای انتخاب در این حالت می توان یک چرخ رولتی را مانند شکل (۲-۱۱) در نظر گرفت که به هر موجود به نسبت تابع معیار قطاعی از چرخ اختصاص داده می­ شود. موجوداتی که قطاع بزرگتری به آن­ها اختصاص یابد، با احتمال بیشتری انتخاب می­شوند.

شکل ۲-۱۱: انتخاب با چرخ رولتی با قطاع­های متناسب با تابع معیار هر کروموزوم
جواب برای مسئله بهینه­سازی در نظر گرفت. تعداد کروموزوم های انتخاب شده به جمعیت در نظر گرفته شده برای مسئله بستگی دارد. برای هر کروموزوم مقدار تابع معیار را محاسبه کرده و به آن اختصاص می­دهیم. مجموعه این کروموزوم­ها نسل اولیه را تشکیل می­ دهند.
مرحله­ دوباره­سازی با بهره گرفتن از نسل فعلی، نسل جدید را تولید می­ کند. برای این کار یک جفت کروموزوم از نسل فعلی و با احتمالی متناسب با مقدار تابع معیار آن کروموزوم نسبت به سایر کروموزوم­ها در آن نسل انتخاب کرده (والدین) و با اعمال عملگرهای برش و جهش یک جفت کروموزوم جدید (فرزندان) تولید می­ شود. این فرزندان در نسل بعدی قرار می­گیرند. انتخاب، برش و جهش آنقدر ادامه می­یابد تا تعداد فرزندان کافی برای پر شدن نسل جدید تولید شوند .سپس برای هر کروموزوم جدید مقدار تابع معیار را محاسبه کرده و به آن اختصاص می­ دهند.
در مرحله­ جایگزینی کروموزوم­های جدید (فرزندان) جایگزین کروموزوم­های قبل (والدین) می­شوند یعنی نسل جدید جایگزین نسل قبلی می­ شود.
مرحله دوباره­سازی و جایگزینی آنقدر تکرار می­شوند تا به اندازه کافی به جواب بهینه نزدیک شویم. میزان نزدیک شدن به جواب بهینه که شرط پایان الگوریتم ژنتیکی است به وسیله استفاده کننده مشخص می­ شود. برای این کار معمولاً معیارهایی درنظر گرفته می­ شود که باید برآورده شوند.
برش: عملگر برش، کار تولید فرزند از والدین را بر عهده دارد. روش­های مختلفی برای برش وجود دارد مانند روش ساده، چندگانه و یکنواخت. برش ساده که در این پروژه از آن استفاده شده نشان داده شده است. نقطه­ای به صورت آزمایشی در کروموزوم والدین انتخاب در شکل می­ شود. ژن­های قبل از نقطه برش از والد ١ به فرزند ١ و از والد ٢ به فرزند ٢ به صورت مستقیم انتقال می­یابد. ژن­های بعد از نقطه برش از والد ١ به فرزند ٢ و از والد ٢ به فرزند ١ انتقال می­یابد .
عمل برش با احتمال Pcross ( 0≤Pcross ≤۱ ) انجام می­ شود. درصورت عدم انجام برش همه ژن­ها از والد ١ به فرزند ١ و از والد ٢ به فرزند ٢ منتقل می­ شود. در بیشتر موارد Pcross بین ۰ تا ۸/۰ در نظر گرفته می­ شود. در حقیقت برش، با ترکیب ژن­های دو کروموزوم به دنبال تولید موجود بهتر می­باشد.

شکل ۲-۱۲: عملگر برش ساده با جابجایی ژن­های والدین، فرزندانی جدید می­سازد
جهش :­این عملگر در صورتی که درست تنظیم شده باشد مانع از همگرا شدن جواب به سمت نقطه بهینه محلی بجای بهینه اصلی می­ شود. در هر کروموزوم که تولید می­ شود عمل جهش با احتمال P_mutation انجام می­ شود.
عملکرد جهش در شکل (۲-۱۳) نشان داده شده است .یک ژن از کروموزوم به صورت تصادفی انتخاب شده و تغییر می­یابد. مثلاً در کروموزوم باینری یکی از ژن­ها انتخاب شده در صورت "۰" بودن، “۱” و در صورت “۱” بودن، “۰” می­ شود. و با این کار به نوعی، با کل فضای جستجو کار می­کنیم. P_mutation معمولاً بین ۰۱/۰ تا ۱/۰ انتخاب می­ شود. (۱ تا ۱۰ درصد)

شکل ۲-۱۳: عملگر جهش با تغییر یک ژن نقطه­ای دیگر در فضای جستجو تولید می­ کند
فصل ۳
روابط اگزرژواکونومیک و هزینه­ تجهیزات در نیروگاه های چند منظوره تولید همزمان توان و آب شیرین
۳-۱ مقدمه

۵-۵٫ پیشنهادات ۱۱۰
۵-۵-۱٫ پیشنهادات کاربردی ۱۱۰
۵-۵-۲٫ پیشنهادات پژوهشی ۱۱۱
منابع فارسی ۱۱۲
منابع انگلیسی ۱۱۶
پیوست ۱۲۱
چکیده­ی انگلیسی ۱۲۸
فهرست جداول
جدول ۲-۱: خلاصه پیشینه­ی تحقیقات ۷۳
جدول ۴-۱: ویژگی­های تن سنجی و ترکیب بدن شرکت کنندگان ۸۹
جدول ۴-۲: میانگین و انحراف معیار ویژگی­های آنتروپومتریک و روان شناختی شرکت کنندگان ۹۰
جدول ۴-۳: شاخص توده بدن شرکت کنندگان براساس Cut of- BMI 91
جدول ۴-۴: نتایج آزمون کلموگروف– اسمیرنف در تعیین نرمال بودن متغیرها ۹۲
جدول ۴-۵٫ نتایج آزمون ضریب همبستگی بین متغیر استقامت قلبی- تنفسی با BMI 93
جدول ۴-۶٫ نتایج آزمون ضریب همبستگی بین متغیر استقامت عضلانی با BMI 94
جدول ۴-۷٫ نتایج آزمون ضریب همبستگی بین متغیر انعطاف پذیری با BMI 95
جدول ۴-۸٫ نتایج آزمون ضریب همبستگی بین متغیر استقامت قلبی- تنفسی با WHR 95
جدول ۴-۹٫ نتایج آزمون ضریب همبستگی بین متغیر استقامت عضلانی با WHR 96
جدول ۴-۱۰٫ نتایج آزمون ضریب همبستگی بین متغیر انعطاف پذیری با WHR 97
جدول ۴-۱۱٫ نتایج آزمون ضریب همبستگی بین متغیر استقامت قلبی- تنفسی با کیفیت زندگی ۹۸
جدول ۴-۱۲٫ نتایج آزمون ضریب همبستگی بین متغیر استقامت عضلانی با کیفیت ۹۹
جدول ۴-۱۳٫ نتایج آزمون ضریب همبستگی بین متغیر انعطاف پذیری با کیفیت زندگی ۹۹
جدول ۴-۱۴٫ نتایج آزمون ضریب همبستگی بین متغیر استقامت قلبی- تنفسی با اضطراب ۱۰۰
جدول ۴-۱۵٫ نتایج آزمون ضریب همبستگی بین متغیر استقامت عضلانی با اضطراب ۱۰۰
جدول ۴-۱۶٫ نتایج آزمون ضریب همبستگی بین متغیر انعطاف پذیری با اضطراب ۱۰۱
فهرست شکل­ها
شکل۳-۱: تصویر اندازه گیری قد در تحقیق ۸۱
شکل۳-۲: تصویراندازه گیری وزن در تحقیق ۸۲
شکل۳-۳: ترازوی استفاده شده در تحقیق ۸۲
شکل۳-۴: نحوه اندازه گیری محیط کمر و محیط لگن(باسن) ۸۳
شکل۳-۵: نحوه اجرای آزمون کشش بارفیکس ۸۴
شکل۳-۶: یک نمونه از مراحل اجرای آزمون دراز نشست در تحقیق ۸۵
شکل۳-۷: یک نمونه از اجرای آزمون انعطاف پذیری در تحقیق ۸۶
شکل۳-۸: نحوه ی اجرای آزمون دوی ۵۴۰ متر ۸۶
شکل۳-۹: کرونومتر جهت سنجش زمان در دوی ۵۴۰ متر ۸۷
شکل۴-۱: نمودار توزیع فراوانی رده­های وزنی شرکت کنندگان ۹۱
شکل۴-۲: نمودار پراکنش مربوط به رابطه­ استقامت قلبی- تنفسی با BMI 93
شکل۴-۳: نمودار پراکنش مربوط به رابطه­ استقامت عضلانی با BMI 94
شکل۴-۴: نمودار پراکنش مربوط به رابطه­ استقامت قلبی- تنفسی با WHR 96
شکل۴-۵: نمودار پراکنش مربوط به رابطه­ استقامت عضلانی با WHR 97
شکل۴-۶: نمودار پراکنش مربوط به رابطه­ انعطاف پذیری با WHR 98
ارتباط­آمادگی­جسمانی با ترکیب­بدنی، کیفیت­زندگی و اضطراب دانش ­آموزان دختر ۱۲ تا ۱۴ساله
پروانه بابازاده
چکیده
هدف این تحقیق تعیین ارتباط بین متغیرهای آمادگی­جسمانی با BMI و WHR، کیفیت­زندگی و میزان اضطراب دانش ­آموزان دختر ۱۲ تا ۱۴ساله شهرستان لاهیجان در سال تحصیلی ۹۴-۱۳۹۳ بوده است. تحقیق حاضر از نوع توصیفی- همبستگی بود که به روش میدانی انجام شده است. به همین منظور ۳۰۰ نفر از دانش­­آموزان دختر دوره­ اول متوسطه مدارس دولتی شهرستان لاهیجان به روش نمونه گیری تصادفی- خوشه ای و براساس جدول مورگان انتخاب شدند. میانگین سنی، قد و وزن گروه به ترتیب ۷۰۲/۰±۰۷/۱۳ سال، ۰۷۰/۶۷۰/۱۵۷ سانتی متر و ۸۷۷/۱۱۹۲/۵۱ کیلوگرم بود. به منظور انجام این تحقیق از آزمون ایفرد شامل آزمون­های کشش بارفیکس، دراز نشست، انعطاف پذیری و دوی ۵۴۰ متر، در سنجش میزان آمادگی جسمانی استفاده شد. همچنین برای به دست آوردن BMI، WHR، کیفیت زندگی و اضطراب شرکت کنندگان، به ترتیب از تقسیم وزن بر مجذور قد، نسبت دور کمر به دورلگن و نیز از پرسشنامه ­های کیفیت زندگی(QOL) و اضطراب بک(BAI) استفاده گردید. در تجزیه و تحلیل داده ­ها از آمار توصیفی، آزمون کلموگروف- اسمیرنوف برای تعیین طبیعی بودن داده ­ها و نیز ضریب همبستگی پیرسون برای تعیین ارتباط بین متغیرها استفاده گردید. تحلیل داده ­ها نشان داد که بین عوامل آمادگی جسمانی با متغیر­های BMI، WHR دانش ­آموزان رابطه­ معنی داری وجود دارد(۰۵/۰ > P). اما; بین این عوامل با متغیرهای کیفیت­زندگی و اضطراب دانش ­آموزان رابطه­ معنی داری مشاهده نگردید(۰۵/۰ < P).

نتیجه گیری: با توجه به رابطه­ متقابل بین عوامل آمادگی جسمانی با شاخص توده­ی بدن و نسبت محیط کمر به دور لگن، تقویت کسب آمادگی جسمانی در مدارس، ضروری به نظر می­رسد.
واژه­ های کلیدی: آمادگی جسمانی، ترکیب بدن، کیفیت زندگی، اضطراب، دانش آموزان دختر
فصل اول
کلیات پژوهش
۱-۱٫ مقدمه
در اغلب کشورهای­جهان، نوجوانان بخش قابل­توجهی از ساختار جمعیتی را تشکیل می­ دهند(۱۰۴). نوجوانی، مرحله­ حساس در زندگی است که در آن پایه و اساس سبک­زندگی آینده شکل­می­گیرد. به اعتقاد صاحب­نظران، دوره­ نوجوانی را باید یک مرحله بسیار مهم از زندگی تلقّی کرد. زیرا نوجوانی دوره­ای است که با ویژگی­هایی چون تغییرات سریع جسمی و روان­شناختی، جستجوی هویّت، هراس و بحران و آرمان­گرایی مشخص می­ شود. از این منظر، نوجوانی از سایر دوران­های زندگی متمایز است. از طرفی، یکی از نیازها و توجهات افراطی نوجوان در این دوره، دقیق شدن در ترکیب­بدنی، تناسب اندام و سایر خصوصیات جسمی­و­ روانی خود است که به ویژه در سال­های اولیه­­نوجوانی از اهمیت فراوانی برخوردار است.

و در حالت کلی، برای مسائل چند ورودی – چند خروجی، حاشیه امنیت کارایی واحد کارای تحت بررسی که با اندیس صفر نشان داده می شود، نسبت به یک واحد ناکارا مانند واحد D برابر خواهد بود با جواب مدل زیر:

min α, subject to:
y_rD*(1+α) = r = 1..s
= ۱
λ_j ≤ ۰ j = 1..n, j≠۰ , α ≥ ۰
که در آن α جواب مدل خواهد بود و با یافتن آن، ۱۰۰α مقدار حاشیه امنیت کارایی واحد کارای شماره صفر نسبت به واحد ناکارای D است. همچنین، s تعداد خروجی­ها و r اندیس خروجی­ها را نشان می­دهد. y_rD خروجی­های واحد D ( واحدی که حاشیه امنیت نسبت به آن سنجیده می شود ) و y_rj خروجی­های واحد کارای j-ام است. n تعداد واحدهای کارا را نشان می­دهد. λ_j­ –ها وزن مربوط به هر واحد کارا است.
البته برای آن­که مدل در حالت کلی جواب دهد، و فرض ثابت و مساوی یک بودن ورودی ها که در ابتدای این بخش برای سادگی از آن استفاده شد، کنار گذاشته شود؛ باید مدل به شکل زیر تکمیل و اصلاح گردد:
min α, subject to:
y_rD*(1+α) ≥ r = 1…s
x_iD ≤ i = 1…m
λ_j ≤ ۰ j , j≠۰
λ_۰ ≥ ۰ , α ≥۰
و در آن m تعداد ورودی، i اندیس آن، x_iD و x_ij به ترتیب ورودی­های واحد D و ورودی­های واحد کارای j-ام همچنین z مجموعه اندیس واحد های کارا وj=0 واحد کارای تحت بررسی است.
شکل استاندارد مدل به صورت زیر می باشد:
min w = α

λ_j ≤ ۰ , , j≠۰
λ_۰ ≥ ۰ , α ≥۰
مدل ریاضی توسعه یافته برای محاسبه حاشیه امنیت کارایی (ESM)
مدل فوق، همان طور که درابتدای بخش ۳-۹ گفته شد، برای محاسبه حاشیه امنیت کارایی یک واحد کارا نسبت به یک واحد ناکارا بیان شده است. اما می­توان آن را مطابق آنچه در بخش ۳-۷-۴ گفته شد بدون هیچ محدودیتی برای بررسی حاشیه امنیت کارایی یک واحدکارا نسبت به یک واحد کارای دیگر هم به کار برد. به عبارت دیگر هیچ لزومی ندارد که واحد D ( واحدی که حاشیه امنیت کارایی نسبت به آن سنجیده می شود ) در مدل فوق، ناکارا باشد و هیچ­گاه از چنین فرضی استفاده نشده است.
همچنین اگر حاشیه امنیت کارایی یک واحد ناکارا مطلوب باشد، به راحتی می­توان یک واحد مجازی کارا در امتداد واحد ناکارای مورد نظر ایجاد کرد (نقطه­ای بر روی مرز کارا در امتداد شعاع حامل نقطه ناکارای مورد نظر)؛ سپس حاشیه امنیت واحد کارای مجازی با حاشیه امنیت واحد ناکارای مورد نظر برابر خواهد بود.
۳- ۱۰ محاسبه حاشیه امنیت کارایی براساس مدل ریاضی توسعه یافته
در این بخش کاربرد مدل ریاضی گفته شده با ذکر دو مثال، در حالت حاشیه امنیت کارایی یک واحد کارا نسبت به یک واحد ناکارا، همچنین حاشیه امنیت کارایی یک واحد کارا نسبت به یک واحد کارای دیگر مورد آزمایش قرار می گیرد.
۳- ۱۰-۱ مثال۱: محاسبه حاشیه امنیت کارایی براساس مدل ریاضی توسعه یافته
با داده های مندرج در جدول شماره ۳-۱، محاسبه حاشیه امنیت کارایی واحد کارای شماره ۸ نسبت به واحد ناکارای شماره ۲ بر اساس مدل ریاضی توسعه یافته فوق مد نظر است. یادآور می شود که قبلاً و براساس الگوریتم بخش ۳-۵ این پارامتر محاسبه و به میزان ۱۶۴% بدست آمده است.
بر اساس جداول ۳-۱ و ۳-۲ ، واحد های شماره ۶ و ۸ واحدهای کارا و بقیه واحد های ناکارا هستند. لذا:
S=3 یعنی هر واحد تصمیم گیری ۳ خروجی دارد.
m=2 یعنی هر واحد تصمیم گیری ۲ ورودی دارد.
n=2 یعنی در این مثال ۲ واحد کارا و بقیه ناکارا هستند.
Y_rD یعنی خروجی های واحدی که حاشیه امنیت کارایی نسبت به آن سنجیده می شود ( واحد ۲ ).
Y_rJ یعنی خروجی واحدهای کارا ( خروجی اول،دوم و سوم واحدهای ۶ و۸ ).
λ_j یعنی وزن واحدهای کارا ( وزن واحدهای ۶ و۸ ).
x_iD و x_ij به ترتیب ورودی­های واحد D ( واحد ۲ ) و ورودی های واحد­های کارای j-ام (واحدهای ۶ و۸ ) است.
لذا با توجه به اطلاعات موجود، حل مسئله زیر برای یافتن ESM_8,2 لازم است:
min w = α
subject to:
α ≥۰ , ۰ ,
با حل مسئله فوق مقدار w برابر با ۶۴۲۸۶/۱ همچنین و خواهد بود. لذا:
ESM_8,2=100 α =۱۶۴%
۳- ۱۰-۲ مثال۲: محاسبه حاشیه امنیت کارایی براساس مدل ریاضی توسعه یافته

شکل ۲-۷: قطعات رزونانسی اضافه شده به مبدلهای DCبهDC 35
شکل ۲-۸-: توپولوژی مبدل DCبهDC کاهنده ۳۸
شکل ۲-۹: رگولاتور خطی ترکیبی و رگولاتورهای سوئیچ برای کاربردهای مختلف ۴۱

شکل ۲-۱۰- رگولاتور خطی ترکیبی و رگولاتور سوئیچشده برای حذف نویز و ریپل ۴۱
شکل۳-۱- یک بلوک دیاگرام نشان دهنده تعدادی از روش‌های استفاده شده برای کنترل مبدل‌های DCبه DC 50
شکل۳-۲-: یک بلوک دیاگرام ساده شده برای مبدل DCبهDC با کنترل کننده PID 53
شکل ۳ـ۳ـ a) دیاگرام بود مبدل کاهنده DCبهDC 54
شکل ۳ـ۳ـ b) دیاگرام بود مبدل باک DCبهDC . 55
شکل ۳-۴- حدود مقدار خروجی با توجه به زمان ۵۶
شکل ۳-۵: کنترل هیسترزیس مبدل باک DCبهDC براساس ولتاژ خروجی. ۵۷
شکل ۳-۶: رفتار زمانی مبدل باک DCبهDC تحت کنترل هیسترزیس ۵۸
شکل۳-۷: کنترل هیسترزیس برای مبدل افزاینده DCبهDC براساس ولتاژ خروجی ۵۸
شکل۳-۸- کنترل هیسترزیس برای مبدل کاهنده- افزاینده DCبهDC . 59
شکل ۳-۹یک سیستم کنترل تطبیقی مدل مرجع نشان‌دهنده چهار بخش اصلی استفاده شده ۶۱
شکل ۳-۱۰- یک کنترلر خود تنظیم‌گر. ۶۲
شکل ۳-۱۱- بلوک دیاگرام نشان‌دهنده ساختار و کنترل برنامه‌ریزی با جریان با سه مبدل DCبهDC ایزوله نشده ۶۴
(t) برای مدار کنترل برنامه‌ریزی یا جریان ۶۵
شکل۳-۱۳- a) نوسان ناپایدار b) فرمان پایدار ۶۷
شکل۳-۱۴: پایدارسازی کنترل برنامه‌ریزی جریان با افزدون یک شیب مصنوعی به جریان اندازه‌گیری شده سوئیچ. ۶۷
شکل ۳-۱۵- یک بلوک دیاگرام ساده از یک سیستم درجه ۲ (دو انتگرال‌گیر) با کنترل فیدبک استفاده شده ۶۸
شکل ۳-۱۶-: تصویر فاز از حرکت هارمونیکی ساده. ۶۹
شکل ۳-۱۷.صفحه فاز سیستم تحت VSCS. 70
شکل ۳-۱۸: تصویر فاز سیستم برای مقادیر بزرگẏy- 73
شکل ۳-۱۹: تصویر فاز سیستم تحت کنترل VSC نزدیک مبدأ ۷۳
شکل ۳-۲۰: تصویر فاز یک حرکت لغزشی. ۷۴
شکل ۴ ـ ۱ بلوک دیاگرام نشان دهنده ساختار SMC برای مبدل‌های DC به DC 78
شکل ۴ ـ ۲ ـ ساختار مبدل DCبهDC کاهنده ۷۹
شکل ۴ ـ ۳:خط مسیر سیستم و خط لغزش در طرح فاز مبدل DCبهDC کاهنده ۸۰
شکل ۴ ـ ۴: ناحیه وجود مدلغزشی و در طرح فاز ۸۳
c. 83
شکل ۴ ـ‌۶: پاسخ زمانی ولتاژ خروجی به ازای مقادیر مختلف K 84
شکل ۴ ـ ۷: پاسخ زمانی جریان سلف به ازای مقادیر مختلف K 84
شکل۴-۸: پاسخ زمانی ولتاژ خروجی PID. 85
شکل ۴-۹: پاسخ زمانی ولتاژ خروجی SMC. 85
شکل ۴-۱۰: پاسخ زمانی ولتاژ خروجی PID,SMC. 85
شکل ۴-۱۱: پاسخ زمانی ولتاژ خروجی SMC 86
شکل پ-۱: توپولوژی مبدل افزاینده DCبهDC 92
شکل پ-۲: توپولوژی مبدل DCبهDC کاهنده-افزاینده ۹۵
شکل پ-۳: مدل سیمولینک برای مبدل DCبهDC کاهنده با کنترل PID 108
شکل پ-۴ : مدل سیمولینک برای ساختار داخلی مبدل DC بهDC کاهنده ۱۰۸
شکل پ-۵ : مدل سیمولینک برای ساختار داخلی یک PID 109
شکل پ-۶ : مدل سیمولینک برای مبدل DCبهDC کاهنده با SMC. 109
شکل پ-۷ : مدل سیمولینک برای ساختار داخلی مبدل DCبه DC کاهنده. ۱۱۰
شکل پ-۸: مدل سیمولینک برای مبدل DC بهDC کاهنده با SMC، ۱۱۱
شکل پ-۹: مدل سیمولینک برای ساختار داخلی مبدل DCبهDC کاهنده ۱۱۱
شکل پ-۱۰: مدل سیمولینک برای ساختار داخلی SMC 112
چکیده
در این پایان نامه طراحی کنترل کننده مقاوم در برشگرهای الکترونیک قدرت و مقایسه آن با روش های کنترل خطی مورد بررسی قرار گرفته­است. هدف اصلی تحقیق و توسعه در این زمینه، همواره یافتن مناسب­ترین روش کنترل به منظور پیاده­سازی کنترل حلقه بسته بر روی توپولوژی­های مختلف برشگر های الکترونیک قدرت می­باشد. به عبارت دیگر، هدف از انتخاب یک روش کنترلی، بهبود بازده مبدل، کاهش­ تاثیراغتشاشات (خط وتغییرات بار)، کاستن از تاثیرات تداخل الکترومغناطیسی و نیز تاثیرپذیری کمتر از تغییرات المانهای مبدل می­باشد. در این پایان نامه، مطالعه روش­های مختلف کنترلی پیاده­شده بر روی منابع تغذیه سوئیچینگ­ مانند کنترل خطی و مد لغزشی آورده شده است. مزایا و نقاط ضعف هر روش کنترلی نیز داده شده است. در این راستا، روش­های کنترلی خطی و مد لغزشی انتخاب شده و پاسخ آن­ها بر روی مبدل­های DC بهDC کاهنده مورد آزمایش قرار گرفته­اند. نرم­افزار Matlab به منظور شبیه سازی روش کنترل خطی و نیز روش مد لغزشی دربرشگر های الکترونیک قدرت مورد استفاده قرار گرفته است. در انتها، مقایسه تاثیرات کنترل خطی و مد لغزشی بر روی پاسخ حالت ماندگار مبدل باک تحت نوسانات خطی، نوسانات بار و تغییرات قطعات مختلف انجام شده است. در این پایان نامه نشان داده شده است که، در مقایسه با کنترل خطی، روش مد لغزشی پاسخ حالت ماندگار بهتر، پاسخ دینامیکی بهتر و مقاومت بیشتر در مقابل اغتشاشات احتمالی سیستم را فراهم می­ کند.
کلمات کلیدی: مبدل قدرت DCبهDC، سیستم ساختار متغیر،کنترل مد لغزشی، صفحه لغزشی، پاسخ دینامیکی و حالت ماندگار
فصل اول
کلیات تحقیق
۱-۱-مقدمه
منابع تغذیه سوئیچینگ (SMPS^[1] ها) به منظور تبدیل انرژی الکتریکی از یک نوع به نوع دیگر مورد نیاز هستند. SMPS ها به طور گسترده­ای در مبدل­های DC بهDC، جایی که منبع ورودی ولتاژ است (به عنوان مثال در ولتاژ خطی یکسوشده، ولتاژ خروجی یک مدار تصحیح ضریب توان (PFC^[2])، یک باتری و یا ولتاژ یک سلول سوختی) مورد استفاده قرار می­گیرد.
در برخی از مبدل­های قدرت، مبدل­های DCبهDC در فرکانس­های سوئیچینگ نسبتاً بالایی عمل می­ کنند و این خاصیت آن­ها را قادر به استفاده از قطعات القایی کوچک می­کندکه باعث بهبود رفتار دینامیکی و نیز کاهش سایز مبدل می­گردد.

فرضیه اول: کارآفرینی سازمانی بر عملکردسازمان در صنایع غذایی تاثیرگذار است.
بین دو متغیر کارآفرینی سازمانی و عملکرد در سطح ۹۵% رابطه معنی­دار است، شدت این رابطه برابر ۹/۷۷ درصد است جهت این تاثیر مستقیم و مثبت است. از سویی ضریب تعیین در این فرضیه برابر با ۶۰۶/۰است یعنی متغیر کارآفرینی سازمانی ۶/۶۰ درصد عملکرد را می ­تواند پیش بینی کند. از آنجایی که این رابطه مستقیم و مثبت است، اگر عوامل کارآفرینی سازمانی به اندازه کافی وجود داشته باشد پس می­توان عملکرد را تغییر و افزایش داد. بنابراین فرضیه پذیرفته می­ شود. همچنین در تحقیقی کهآنا ماریا بویجکا و ماریا دل فونتس در سال ۲۰۱۲ در سازمان­های اسپانیا انجام دادند نشان داده شد که بین کارآفرینی سازمانی و عملکرد رابطه مثبت و مستقیمی وجود دارد که با نتایج تحقیق همسو است.

فرضیه دوم : کسب دانش، تاثیر کارآفرینی سازمانی بر عملکرد را در صنایع غذایی تعدیل می نماید.
در تحلیلی که بین دو متغیر کارآفرینی سازمانی و عملکرد در سطح ۹۵% رابطه معنی­دار وجود دارد، شدت این رابطه برابر ۹/۷۷ درصد است، جهت این تاثیر مستقیم و مثبت است. از سویی ضریب تعیین در این فرضیه برابر با ۶۰۶/۰ است یعنی کارآفرینی حدود ۶/۶۰ درصد عملکرد را می ­تواند پیش ­بینی کند و همچنین مشخص گردید که با ورود متغیر کسب دانش شدت ارتباط بین دو متغیر به ۱/۸۸ درصد و ضریب تعیین با ۷۷۷/۰ میزان تغییرات ضریب تعیین به میزان ۱/۱۷درصد بوده است. با توجه به اطلاعات به دست آمده این تاثیر مثبت و مستقیم بوده است. بنابراین کسب دانش، تاثیر کارآفرینی سازمان بر عملکرد را در صنایع غذایی تعدیل می نماید و فرضیه دوم تایید می شودو نیز در تحقیقی که کهآنا ماریا بویجکا و ماریا دل فونتس در سال ۲۰۱۲ در سازمان­های اسپانیا انجام دادند نشان داده شد که این تاثیر مثبت می باشد.
فرضیه سوم: در سازمان هایی که از منابع دانش بنیان برخوردارند، کسب دانش تاثیر کارآفرینی سازمانی بر عملکرد را به صورت قوی تری تعدیل می نماید.
پس از تجزیه و تحلیل داده ­ها مشخص گردید که بین دو متغیر عوامل کارآفرینی سازمانی و عملکرد در سطح ۹۵% رابطه معنی­دار وجود دارد، شدت این رابطه برابر ۷/۷۸ درصد است، جهت این تاثیر مستقیم و مثبت است. از سویی ضریب تعیین در این فرضیه برابر با ۶۲/۰ است یعنی کارآفرینی سازمانی به میزان ۶۲ درصد عملکرد را می ­تواند پیش ­بینی کند و همچنین مشخص گردید که در مدل دوم متغیر کسب دانش و منابع دانش بنیان وارد مدل می شوند شدت ارتباط بین دو متغیر به ۵/۸۹ درصد و ضریب تعیین ۸۰۲/۰درصد است که به میزان ۲/۱۸درصد تغییرات انجام شده است. با توجه به این که تاثیرها مثبت و مستقیم بوده است بنابراین در سازمان هایی که از منابع دانش بنیان برخوردارند، کسب دانش تاثیر کارآفرینی سازمانی بر عملکرد را به صورت قوی تری تعدیل می نماید ولی در تحقیقی که کهآنا ماریا بویجکا و ماریا دل فونتس در سال ۲۰۱۲ در سازمان­های اسپانیا انجام دادند نشان داده شد، زمانی که کسب دانش به عنوان متغیر تعدیل کننده بر ارتباط