بهینه سازی و تحلیل قابلیّت اطمینان به وسیله افزونگی توسط الگوریتم های فراابتکاری برای یک پهباد

کوادکوپتر ها نوع خاصی از پهپاد های بدون سرنشین به شمار می روند که در دنیای امروز کاربردهای زیادی دارند.به دلیل محدودیت منابع طرّاحی یک سیستم باید به صورتی انجام گیرد تا بیشترین مقدار ممکن قابلیّت اطمینان بر اساس منابع محدود ما حاصل گردد. برای این منظور در ابتدا قابلیت اطمینان هر زیرسیستم محاسبه گردید.سپس بهینه سازی قابلیت اطمینان را با استفاده از الگوریتم های رایانه ای صورت پذیرفت.یکی از روش های مرسوم افزایش قابلیّت اطمینان سیستم ها،استفاده از افزونگی ها است اما به دلیل داشتن محدویت های مالی و جرمی برای کوادکوپترها به هر تعداد نمیتوانیم از افزونگی ها برای افزایش قابلیت اطمینان استفاده کرد.بنابراین میبایست از بهینه سازی بهره برد.به کمک الگوریتم کرم شب تاب و مدل قابلیت اطمینان،کوادکوپتر را در حضور افزونگی به لحاظ حداقل سازی هزینه و جرم و داشتن بهینه ترین قابلیت اطمینان بررسی گردید و نتابج حاصل به وسیله الگوریتم ژنتیک اعتبار سنجی گردید.

optimizing and analyzing reliability through redundancy by meta-heuristic algorithms for a drone

quadcopters are a special type of unmanned drones that have many applications in today’s world. due to limited resources, the design of a system must be done in such a way as to achieve the highest possible amount of reliability based on our limited resources.for this purpose, first the reliability of each subsystem was calculated. then the reliability was optimized using computer algorithms. one of the conventional methods of increasing the reliability of systems is to use redundancies, but due to its limitations finance and mass for quadcopters, we cannot use any number of extras to increase reliability. therefore, optimization should be used. the most famous meta-heuristic algorithms can be mentioned as genetic algorithm, coco, ant colony, gray wolf, etc.with the help of the firefly algorithm and reliability model, the quadcopter was checked in the presence of redundancy in terms of cost and mass minimization and having the most optimal reliability, and the resulting results were validated by genetic algorithm.