Applications of Artificial Intelligence Techniques in Industry 4.0

ویرایش: [1st ed.] 
نویسندگان: Aydin Azizi  
سری: SpringerBriefs in Applied Sciences and Technology 
ISBN (شابک) : 9789811326394 
ناشر: Springer Singapore 
سال نشر: 2019 
تعداد صفحات: XII, 61
[70] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 Mb 

قیمت کتاب (تومان) : 43,000



این کتاب برای ارائه و ارزیابی راهی برای مدل‌سازی و بهینه‌سازی مسائل غیرخطی برنامه‌ریزی شبکه RFID (RNP) با استفاده از تکنیک‌های هوش مصنوعی است. از مدل‌های شبکه عصبی مصنوعی (ANN) برای پیوند الگوریتم هوش مصنوعی محاسباتی با نمایش دانش، یک الگوی هوش مصنوعی کارآمد برای مدل‌سازی و بهینه‌سازی شبکه‌های RFID استفاده می‌کند.

این تلاش منجر به پیشنهاد یک الگوریتم هوش مصنوعی جدید می‌شود که ترکیبی نامیده می‌شود. تکنیک بهینه سازی هوش مصنوعی برای انجام بهینه سازی RNP به عنوان یک مشکل یادگیری سخت. این تکنیک بهینه سازی ترکیبی از دو مرحله بهینه سازی مختلف تشکیل شده است. فاز اول بهینه‌سازی RNP توسط الگوریتم حذف آنتن اضافی (RAE) و فاز دوم که فرآیند بهینه‌سازی RNP را تکمیل می‌کند، شبکه‌های عصبی منطقی احتمالی حلقه (RPLNN) است.

پارادایم ترکیبی با استفاده از یک سیستم تولید انعطاف‌پذیر (FMS) بررسی می‌شود و نتایج با تکنیک بهینه‌سازی تکاملی معروف یعنی الگوریتم ژنتیک (GA) مقایسه می‌شود تا امکان‌سنجی معماری پیشنهادی را با موفقیت نشان دهد.

This book is to presents and evaluates a way of modelling and optimizing nonlinear RFID Network Planning (RNP) problems using artificial intelligence techniques. It uses Artificial Neural Network models (ANN) to bind together the computational artificial intelligence algorithm with knowledge representation an efficient artificial intelligence paradigm to model and optimize RFID networks.

This effort leads to proposing a novel artificial intelligence algorithm which has been named hybrid artificial intelligence optimization technique to perform optimization of RNP as a hard learning problem. This hybrid optimization technique consists of two different optimization phases. First phase is optimizing RNP by Redundant Antenna Elimination (RAE) algorithm and the second phase which completes RNP optimization process is Ring Probabilistic Logic Neural Networks (RPLNN).

The hybrid paradigm is explored using a flexible manufacturing system (FMS) and the results are compared with well-known evolutionary optimization technique namely Genetic Algorithm (GA) to demonstrate the feasibility of the proposed architecture successfully.