---

در این مقاله یک الگوریتم کنترل توان چند منظوره جدید ارائه شده است که در آن بروزرسانی توان تنها با استفاده از اطلاعات محلی انجام می‌گیرد. الگوریتم از تکنیک‌های بهینه‌سازی چند منظوره بهره گرفته است. اهداف این تکنیک بگونه ای تعیین شده اند که نه تنها توان ارسالی را در حد مینیمم نگه می‌دارد، بلکه از یکسو مقدار SIR کاربران را در حد قابل قبولی قرار داده و از سوی دیگر نوسانات SIR دریافتی را تا حد ممکن کاهش می‌دهد. مشخصات همگرایی روش پیشنهادی در دو حالت تئوری و شبیه‌سازی مورد بررسی قرار گرفته‌ است. نتایج نشان می‌دهند که نه تنها میانگین توان ارسالی کاهش یافته بلکه در مقایسه با دیگر الگوریتم‌های کنترل توان از سرعت همگرایی بالایی برخوردار است. سپس با معرفی نسخه کاربردی الگوریتم آن را با دو روش B-BPC ( FSPC) و MOTDPC مقایسه نموده‌ایم. نتایج شبیه‌سازی نشان می‌دهند سرعت همگرایی و میانگین مصرف توان نسبت به الگوریتم‌های عملی موجود ارتقاء یافته است.

---

در این مقاله یک استراتژی کنترل پیش­بین برای مسئله پایدارسازی مقاوم یک کلاس از سیستم­های غیرخطی گسسته معرفی شده است. در این کلاس، هر سیستم از دو بخش تشکیل شده است: 1- بخش خطی نامتغیر با زمان، 2-  انحراف اضافه‌شونده به شکل تابعی غیرخطی و نامعین از حالت‌های سیستم و متغیر با زمان. تنها اطلاعاتی که از تابع انحراف در دسترس می­باشد این است که محدود به یک کران درجه دوم است و بنابراین یک مجموعه محدب از عدم قطعیت­ها را تشکیل می­دهد. بر مبنای تئوری پایداری در MPC خطی دوگانه، شرایط کافی برای تعیین مولفه­های اصلی در مسئله بهینه­سازی MPC، یعنی تابع هزینه نهایی و مجموعه قیدی نهایی،  استخراج شده­اند تا با ایجاد یک سیگنال کنترل بهینه، پایداری مقاوم این کلاس از سیستم‌های غیرخطی را در حضور قیدهای حالت و ورودی تضمین کنند. در نهایت، کارآمدی استراتژی کنترلی مذکور در حالت حلقه بسته بر روی سیستم فرایندی CSTR به‌عنوان یک سیستم غیرخطی نامعین نشان داده شده است. 

---

با توجه به عدم کارآیی مناسب روش‌های مبتنی بر فیلتر کالمن برای تلفیق داده‌های ناوبری INS/GNSS در زمان قطع شدن سیگنال‌های GNSS، استفاده از تکنیک‌های هوش مصنوعی در معماری تلفیق مرسوم شده است. از این رو در این مقاله ضمن ارائه‌ی یک معماری ترکیبی مؤثر، از شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) برای پیش‌بینی مشاهدات مورد نیاز فیلتر کالمن در شرایط قطع شدن طولانی مدت GNSS استفاده شده است. در مدل پیشنهادی، برای آموزش شبکه عصبی، سرعت‌ها و موقعیت‌های INS به‌عنوان ورودی‌ها و سرعت‌ها و موقعیت‌های GNSS به‌عنوان خروجی‌های شبکه در نظر گرفته شده ­اند. این رویکرد در عین کاربردی و عملیاتی بودن، سبب کاهش چشمگیر بار محاسباتی و افزایش دقت و سرعت تخمین شده است. نتایج شبیه‌سازی‌‌ها نشان می‌دهند که به‌دلیل ساختار ساده و در عین حال مقاوم معماری تلفیق پیشنهادی، و البته انتخاب شبکه عصبی کارآمد با قابلیت کشف ارتباط مؤثر میان ورودی‌ها و خروجی‌ها و به تبع آن اصلاح مناسب خطاهای مربوط به سرعت‌ها و موقعیت‌های INS، می‌توان از روش ارائه شده برای ناوبری پیوسته، خوداتکا، با قابلیت اطمینان و دقت بالا در کاربردهای زمان واقعی استفاده نمود.

---

از خصوصیات سیستم های فیزیکی وجود اغتشاش و عدم قطعیت است که می‌تواند موجب کاهش کارایی و یا نا‌پایداری در سیستم‌های صنعتی ‌گردد. بازوی رباتیک نیز یکی از سیستم­های پرکاربرد در صنعت است که به‌شدت تحت تأثیر اغتشاش‌های گوناگون قرار می‌گیرد. ایجاد فرایند کنترلی مناسب جهت حذف اغتشاش یکی ازملزومات استفاده از این سیستم‌ها می‌باشد. از طرفی، بازوی رباتیک سیستمی به‌شدت غیرخطی دارد، بنابراین برای تخمین اغتشاشات ورودی به آن، نیاز به استفاده از تخمین­گری است که برای سیستم‌های غیرخطی نیز کارا باشد. در این مقاله از رویتگر اغتشاش غیرخطی[1] برای تخمین اغتشاش ثابت و اغتشاش نوسانی موجود در بازوی ربات استفاده شده است. از طرفی، کنترل‌کننده‌های عادی توانایی مقابله با اغتشاشات متفاوت را نداشته و نیاز به کنترل‌کننده­ی‌ دیگری که دربرابر اغتشاشات و عدم قطعیت­ها مقاوم باشد احساس می‌شود. لذا این مقاله ساختار کنترل‌کننده نظارتی را برای پایداری و حذف اغتشاش‌ پیشنهاد می‌دهد. کنترل نظارتی شامل دو سطح است که سطح اول برای شرایط بدون اغتشاش طراحی شده است و سطح دوم در هنگام شناسایی اغتشاش و یا شرایط غیرعادی وارد عمل می‌گردد. در این مقاله، سطح اول کنترلی از PD[2] جهت پایدارسازی در حال عادی استفاده می‌نماید، لیکن ازآنجاکه PD به‌تنهایی توانایی مقابله با اغتشاش‌ها و عدم قطعیت‌ها را ندارد، ساختار کنترل‌کننده نظارتی[3] وارد عمل شده و برای پایداری و حذف اغتشاش‌ از کنترل‌کننده مد لغزشی SMC))[4] بهره خواهد برد. در واقع روش پیشنهادی، برپایه‌ی اغتشاش‌های پیش بینی شده تصمیم می‌گیرد که از کدام سطح کنترلی استفاده نماید و سیگنال کنترلی مناسب را برای پایداری مجانبی سیستم تولید کند. به علاوه،در  این مقاله اثبات می­شودکه کنترل مد لغزشی ساده توانایی مقابله با اغشاش ناسازگار[5] ربات را نداشته و برای پایدارسازی از کنترل مد لغزشی نوین(NSMC)[6]  استفاده می‌شود. برای ارزیابی عملکرد روش پیشنهادی  در چندین حالت شبیه‌سازی انجام‌شده است که نتایج عددی مزیت و کارایی کنترل‌کننده جدید پیشنهادی را نشان می­دهد.

---

خودروهای الکتریکی در چند دهه اخیر به دلیل عملکرد و کارایی آن‌ها، محبوبیت قابل توجهی کسب کرده‌اند. این خودروها در حال حاضر به طور گسترده به عنوان راهکاری برای چالش‌های محیط زیست جهانی و گازهای دی اکسید کربن شناخته می‌شوند. باتری‌های لیتیوم-یون به دلیل مزایای مختلفی که دارند، بیشترین استفاده را در خودروهای الکتریکی دارند. تخمین وضعیت شارژ باتری در باتری­های لیتیوم یون نه تنها برای مدیریت بهینه انرژی بلکه برای اطمینان از عملکرد امن و جلوگیری از شارژ و دشارژ و در نتیجه کاهش عمر باتری از اهمیت بالایی برخوردار است. با این وجود، این پارامتر به طور مستقیم از پایانه­های باتری قابل اندازه­گیری نیست. بنابراین نیاز به تخمین آن وجود دارد. تاکنون روشهای مختلفی برای تخمین وضعیت شارژ باتری معرفی شده­اند. معروفترین روش برای تخمین وضعیت شارژ باتری  فیلتر کالمن توسعه یافته است. فیلتر کالمن توسعه یافته بر اساس مدل باتری، وضعیت شارز باتری را تخمین می­زند. با این وجود ، در فیلتر کالمن توسعه یافته، محاسبه ماتریس ژاکوبین می­تواند باعث ناپایداری فیلتر و تخمین نادرست مدل­های غیرخطی باتری شود. برای حل این مشکلات، در این مقاله از فیلتر ذره­ای حاشیه­ای هوشمند مبتنی بر اپراتورهای الگوریتم ژنتیک و M-H برای تخمین وضعیت شارژ باتری­های لیتیوم یون استفاده شده است. در روش پیشنهادی، برخلاف فیلتر ذره‌ای، نمونه­برداری بر روی توزیع حاشیه‌ای انجام می‌شود و ابعاد نمونه­برداری با گذشت زمان افزایش نمی‌یابد. بعلاوه، با استفاده از اپراتورهای الگوریتم ژنتیک و الگوریتم M-H تنوع میان ذرات و سازگاری افزایش می­یابد. برای ارزیابی عملکرد روش پیشنهادی برای تخمین وضعیت شارژ باتری، با تخمین وضعیت شارژ باتری با قیلتر ذره­ای توسعه یافته و فیلتر ذره­ای بی رد مقایسه شده است. نتایج نشان دهنده عملکرد موثر روش پیشنهادی در مقایسه با سایر روش­ها است. روش پیشنهادی برای بدست آوردن دقت تخمین یکسان با فیلتر ذره­ای به ذرات به مراتب کمتری نیاز دارد و حجم محاسبات آن پایین است. جذر میانگین مربعات خطا در روش پیشنهادی با ذرات مختلف نزدیک 0.007 است در حالی که در سایر روش­ها با کاهش ذرات جذر میانگین مربعات خطا در افزایش می­یابد