پایان نامه ارشد رایگان با موضوع شبیه سازی مونت کارلو و مفاهیم مشابه

ai, bi, ci : ضرایب سوخت واحد سنتی i می باشند.
aj, bj, cj, dj, ej, fj : ضرایب هزینه ی سوخت واحد تولید همزمان j
ak, bk, ck : ضرایب سوخت واحد حرارتی kام.
Pi, Oj : توان تولیدی مربوط به واحد سنتی و واحد تولید همزمان
Hj, Tk : گرمای تولیدی واحد تولید همزمان و گرمای تولیدی در واحد حرارتی.
Hd, Pd :تقاضای حرارت و تقاضای توان.
Np, Nc, Nh : بیانگر تعداد واحدهای توان سنتی، تولید همزمان و حرارت هستند.
Pimin , Pimax : محدوده ی حداقل و حداکثر تولید توان واحدهای سنتی.
Ojmin , Ojmax : محدوده ی حداقل و حداکثر تولید توان واحدهای تولید همزمان.
Hjmin , Hjmax : محدوده ی حداقل و حداکثر تولید حرارت واحدهای تولید همزمان.
Tkmin , Tkmax : محدوده ی حداقل و حداکثر تولید حرارت واحدهای حرارتی.
3-4 مدلسازی عدم قطعیت در تقاضا و قیمت و معرفی الگوریتم حل مساله
به منظور پیش بینی الگوی رفتاری سیستم در طول زمان و تعیین توزیع های مختلف و مقادیر انتظاری یا میانگین آنها از فرآیند شبیه سازی استفاده می شود]4 [. برخی از مفاهیم مشابه سازی بر پایه ی روش تکرار و محاسبه احتمال وقوع هر حالت استوار است.
از اهداف مهم این تحقیق مدلسازی عدم قطعیت می باشد. یکی از روشهایی که به کمک آن می توان تاثیر پارامترهای احتمالی عدم قطعیت بر مساله را بررسی نمود، روش مونت کارلو می باشد. روش مونت کارلو یک الگوریتم محاسباتی است که از نمونه‌گیری تصادفی برای محاسبه نتایج استفاده می‌کند. جهت شبیه سازی مونت کارلو، ابتدا باید به حصول درک کافی پیرامون تولید اعداد تصادفی و نحوه ی تبدیل آنها پرداخته شود.
بنیان همه ی روشهای مشابه سازی بر اعداد تصادفی استوار است. عدد تصادفی متغیری است که مقدار آن در دامنه ی (1و0) با توزیع یکنواخت قرار داشته باشد و با احتمال یکسانی می تواند هر عددی را در این دامنه اختیار نماید.
به دلیل وجود عدم قطعیت در قیمت و تقاضا از توابع توزیع احتمال استفاده می شود. لذا با استناد بر تابع نرمال لگاریتمی و نرمال به ترتیب، مدلسازی عدم قطعیت قیمت و تقاضا انجام گردید.
توزیع نرمال یکی از مهمترین توزیعهای احتمالی پیوسته در نظریه احتمالات است. تابع احتمال این توزیع دو پارامتر دارد که یکی تعیین کننده ی مکان(μ) و دیگری تعیین کننده ی مقیاس(σ) توزیع هستند. همچنین میانگین توزیع با پارامتر مکان و پراکندگی آن با پارامتر مقیاس برابر است. چگالی احتمال این توزیع بصورت زیر است.
(3-34)
در مقایسه ی تابع توزیع نرمال لگاریتمی با تابع توزیع نرمال ملاحظه می شود که در واقع، متغیر تصادفی عبارت است از lnx که با پارامترهای μ و σ دارای توزیع نرمال می باشد. توجه شود که پارامترهای μ و σ مقادیر میانگین و انحراف معیار برای lnx می باشند و نه برای متغیر x. چگالی احتمال این توزیع بصورت زیر می باشد.
(3-35)
تولید اعداد تصادفی توسط توزیع نرمال لگاریتمی از روابط زیر پیروی می نماید:
mu=log(m^2/sqrt(s^2+m^2));
sigma=sqrt(log((s^2/m^2)+1));
D_normal(i)=mu+(sigma.*randn(1));
این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.