روش تاخیر زمانی یکی از روش?های اصلی کنترل آشوب می?باشد که در آن نیروی کنترلی متناسب با اختلاف سیگنال خروجی سیستم با مقدار تاخیریافته آن، به سیستم اعمال می?شود تا آنرا از حالت آشوبی خارج کرده و به صورت دوره?ای درآورد. این روش علی رغم سادگی عملکرد بسیار خوبی در بسیاری از موارد عملی دارد اما در برخی از سیستم?ها زمان رسیدن سیستم به هدف کنترلی یا همان زمان نشست طولانی می?باشد. در این رساله جهت کم کردن زمان نشست در روش تاخیر زمانی برای کلاس خاص از سیستم?های آشوبی، دو راهکار ارائه گریده است. در راهکار اول نیروی کنترلی یا همان ورودی سیستم به صورت تابع غیرخطی از خطا (اختلاف سیگنال با مقدار تاخیریافته آن) به گونه?ای به سیستم اعمال می?شود که زمان نشست را کاهش دهد. راهکار دوم بر اساس سنکرون?سازی با داده?های ذخیره?شده می?باشد. لذا ابتدا سنکرون?سازی آشوب مختصراً توضیح داده شده است و روشی تطبیقی جهت کنترل آشوب با سنکرون?سازی ارائه گردیده است که در آن سیستم دوره?ای ارباب با استفاده از دیاگرام دوشاخگی بدست می?آید. پس از آن راهکار دوم کاهش زمان نشست در روش تاخیر زمانی ارائه گردیده است. در این راهکار ابتدا سیستم دوره?ای ارباب با تکرار داده?های بدست آمده از روش تاخیر زمانی ساخته می?شود و سپس جهت تبدیل سیستم آشوبی به سیستمی دوره?ای، آن سیستم با سیستم دوره?ای یافت شده سنکرون می شود. در این روش نیروی کنترلی بر اساس خطا که اختلاف سیگنال خروجی سیستم آشوبی با سیگنال متناظر سیستم دوره?ای می?باشد، اعمال می?گردد. این سیگنال خطا نسبت به سیگنال خطای استفاده شونده در روش تاخی زمانی، تعبیر بهتری از فاصله حالات سیستم تا مدار دوره?ای مورد نظر را ارائه می?دهد. همچنین در این راهکار بر خلاف روش تاخیر زمانی، در ساختار کنترل?کننده تاخیر وجود ندارد. از آنجا که این راهکار مساله کنترل آشوب را به مساله سنکرون?سازی دو سیستم آشوبی دارای ساختار مشابه تبدیل می?کند، به کمک آن می?توان از روش?های مختلف موجود در زمینه سنکرون?سازی جهت کنترل آشوب استفاده کرد.

تاکنون روشهای متعددی جهت ساخت تابع لیاپانوف برای سیستم های هموار بیان شده است، اما ساخت تابع لیاپانوف برای سیستم های ناپیوسته کمتر مورد توجه واقع شده است. تحلیل پایداری سیستم های ناپیوسته که بوسیله معادلات دیفرانسیلی ناپیوسته مدل می شوند تاکنون با دو شیوه امکان پذیر شده است: یکی استفاده از تئوریهای حل معادلات دیفرانسیلی مانند شمولیت دیفرانسیلی و حل فیلیپوف است و دیگری روشهای مبتنی بر روش مستقیم پایداری لیاپانوف می باشد. تا چند دهه پیش شیوه اول تنها راه تحلیل پایداری سیستم های ناهموار بود که در برخی از روشهای آن برای بدست آوردن تابع لیاپانوفی تلاش می شد که لازم بود گرادیان آن در نقاط ناهموار محاسبه شود. این کار اغلب پیچیده، زمان بر و در اکثر اوقات عقیم بود. اما در دو دهه اخیر قضیه لیاپانوف برای کلاسهای خاصی از سیستم های ناپیوسته تعمیم داده شد و به کمک آن تحلیل پایداری آنها ساده تر شد. تحلیل پایداری سیستم های دینامیکی ناپیوسته کرتیودوری که کراندار محلی و اندازه پذیر لبگ بوده و برای هر شرایط اولیه حداقل یک پاسخ دارند موضوع این رساله است. چند سالی است که قضایای شبه لیاپانوفی برای این سیستم ها ارائه شده، اما در مورد روش ساخت توابع لیاپانوف بر اساس آنها کار قابل توجهی انجام نشده است. این رساله تلاش کرده تا روشی را برای ساخت توابع لیاپانوف ناهموار و قظعه ای پیوسته برای سیستم های کرتیودوری پیشنهاد کند. روش پیشنهاد شده دارای سه مرحله اساسی است. در مرحله اول راهکار جدیدی ارائه می شود که همسایگی مبدأ به کمک سطوح مختصات، معادلات و ابرسطوح ناهموار سیستم به چند ناحیه افراز می شود. در مرحله دوم با فرض اینکه یک تابع لیاپانوف هموار پارامتری برای هر ناحیه یافت می شود، تلاش می شود این پارامترها به گونه ای انتخاب شوند که این توابع در روی مرزها پیوسته باشند. در مرحله نهایی بوسیله این توابع یک تابع شبه لیاپانوف پیوسته و قطعه ای هموار برای همسایگی مبدأ ساخته می شود. مراحل مختلف این کار در قالب یک الگوریتم ارائه شده و درستی آن بر اساس قضیه لیاپانوف غیر پاتولوژیکال اثبات شده و در نهایت کارایی این روش برای بدست آوردن تابع لیاپانوف و تحلیل پایداری چند مثال نشان داده شده است

سیستم سیستم ها، مجموعه ایی از سیستم های بزرگ است که به صورت ناهمگن و مستقل در حوزه خود کار می کنند ولی به صورت شبکه به هم در رسیدن به یک هدف تلاش می کنند که این هدف می تواند خرج ، عملکرد ، روباستنس و.... باشد. سیستم سیستم ها از بالا و کل نگر به سیستم نگاه کرده و بینش جدیدی را روی مسئله فراهم می آورد. سیستم شبکه سنسوری بی سیم یک سیستم کاملا پیچیده محسوب می شود. بنابراین سیستم شبکه سنسوری بی سیم، یک سیستم سیستم ها محسوب شده و می تواند در قالب یک sos و مطابق با فرهنگ لغات سیستم سیستم ها ، فرموله گردد. فرهنگ لغات دکتر دلارنتیس ، مسئله شبکه سنسوری بی سیم را به صورت یک مسئله سیستم سیستم ها فرموله و بیان می کنیم. در این پایان نامه، به حل مسئله کشف خطر و هدایت سنسورها به سمت مناطق کشف شده توسط شبکه سنسوری بی سیم در قالب سیستم سیستم ها با در نظر گرفتن اتصالات سری و موازی می پردازیم. بدین صورت که تعدادی سنسور و هدف را به عنوان فرض اولیه مسئله به صورت راندم در محیط قرار دادیم. در بخش اول سنسورها با استفاده از روش vfpso به کشف هدف ها و مناطق آتش گرفته می پردازند. در مرحله بعد زمانی که مناطق خطر پیدا شدند باید به هدایت سنسورها به سمت آن مناطق بپردازیم. در این راستا از الگوریتم تخصیص منابع و الگوریتم vfpso استفاده می کنیم. همانطور که می دانیم زمان در کشف و مهار خطر بسیار مهم می باشد وهدف از این شبیه سازی ، کاهش زمان کشف خطر و مهار آن می باشد. همچنین به مقایسه شبکه سنسوری بی-سیم در چهارچوب سیستم سیستم ها و سیستم می پردازیم.

در این پایان نامه روشی برای بهینه سازی سیستم های توزیع به کمک بازیابی فیدر، پس از وقوع خطا توسعه داده شده است. بازیابی فیدر روش ساده و کم هزینه ای برای کاهش تلفات سیستم توزیع است؛ که با انجام مانور روی شبکه موجود صورت می پذیرد. در این پایان نامه، رویکرد الگوریتم ژنتیک در کنار تئوری گراف برای تحلیل و بهینه سازی شبکه توزیع انتخاب شده است. بر اساس این تئوری، شبکه توزیع به صورت یک ابر گراف مدل می شود. به صورت تصادفی وزن هایی به هر یک از شاخه های گراف نسبت داده می شود. به کمک الگوریتم پریم، جمعیت اولیه ای که نشان دهنده ی ساختارهای شعاعی متفاوت شبکه ی توزیع می باشد، ایجاد می گردد. الگوریتم ژنتیک وزن شاخه های گراف را تغییر میدهد، تا الگوریتم به سمت ساختار بهینه شبکه ی توزیع حرکت کند. مهمترین ویژگی این روش، توانمند ساختن الگوریتم بازیابی فیدر برای بهینه سازی شبکه های بزرگ است. کاهش قابل توجه در زمان محاسبات، بدلیل تولید جمعیت اولیه که دارای ساختار شعاعی می باشند، نتیجه مستقیم دیگر استفاده از تئوری گراف است، که بکارگیری این روش را در کاربردهای سریع و حتی بلادرنگ مناسب می سازد. بدون شک برای حل مسئله بازیابی که دارای چند هدف، چند قید و پیچیده و غیر خطی است استفاده از الگوریتم های سنتی بهینه سازی مفید نمی باشد. لذا برای حل این مسئله از روش های هوش مصنوعی به طور اخص با توجه به مزایای استفاده از الگوریتم ژنتیک در حل مسائل غیرخطی و پیچیده از این الگوریتم برای حل مسئله بهینه سازی استفاده شده است.