استفاده از روش‌های محاسبات نرم در طراحی کنترل‌کننده‌های هوشمند

۱:معرفی مبانی و مفاهیم اصلی

۱-۱- مقدمه

۱-۲- تعریف محاسبات نرم(SC)

۱-۳- اهداف محاسبات نرم

۱-۴- اهمیت محاسبات نرم

۲: محاسبات فازی، محاسبات عصبی و الگوریتم‌های مبتنی بر ژنتیک و الگوریتم ازدحام ذرات

۲-۱- منطق فازی

۲-۱-۱- تفاوت مجموعه‌های فازی و مجموعه‌های کلاسیک

۲-۱-۲- مجموعه‌های خشک و غیر خشک

۲-۱-۳- تشریح مجموعه‌های فازی

۲-۱-۴- روند بکارگیری منطق فازی

۲-۱-۵- منطق فازی و ارتباط آن با هوش مصنوعی

۲-۲- شبکه‌های عصبی

۲-۲-۱- مقدمه‌ای بر شبکه‌های عصبی مصنوعی

۲-۲-۲- شباهت با مغز

۲-۲-۳- شبکه‌های عصبی مصنوعی

۲-۲-۴- سلول عصبی مصنوعی

۲-۲-۵- ساختار شبکه های عصبی مصنوعی و عملکرد آنها

۲-۲-۶- تقسیم‌بندی شبکه های عصبی براساس ساختار

۲-۲-۷- تقسیم‌بندی شبکه های عصبی براساس الگوریتم یادگیری

۲-۲-۸- نگرشی کلی بر آموزش شبکه

۲-۳- الگوریتم‌های بهینه سازی تکاملی

۲-۴- الگوریتم ژنتیک

۲-۴-۱- مقدمه

۲-۴-۲- نمایش کروموزوم

۲-۴-۳- نقشه‌های انکدینگ

۲-۴-۴- مقداردهی اولیه‌ی جمعیت

۲-۴-۵- تابع تناسب

۲-۴-۶- عملگرهای ژنتیک

۲-۴-۷- روش‌های انتخاب

۲-۵- الگوریتم ازدحام ذرات (PSO)

۳: کاربرد منطق فازی در ربات‌های سیار

۳-۱- تاریخچه

۳-۲- مقدمه

۳-۳- دلایل استفاده از کنترل‌کننده‌های فازی

۳-۴- ساختار یک کنترل‌کننده فازی

۳-۵- روش‌های فازی مورد استفاده در ربات‌ها

۳-۵-۱- کنترل موقعیت در جابجایی ربات‌ها

۴: طراحی کنترل‌کننده‌ مبتنی بر محاسبات نرم

۴-۱- تکنیک‌های محاسبات نرم

۴-۲- کنترل بازخورد متناسب با مشتق و شتاب

۴-۳- کنترل‌کننده‌های منطق فازی چند متغیره

۴-۴- سیستم‌های کنترلی عصبی فازی(HFNC)

۴-۴-۱- آموزش سبکه عصبی تابع پایه شعاعی (RBFNN)

مراجع و مأخذ: