ترجمه مقاله یک الگوریتم تکاملی مرکب بهینه مبتنی بر الگوریتم های PSO و HBMO برای بازآرایی فیدر توزیع با چند تابع هدف
چکیده- این مقاله یک الگوریتم تکاملی قدرتمند برای حل مساله باز آرایی فیدر توزیع(DFR) با چند تابع هدف ارائه می دهد. هدف اصلی DFR مینیمم کردن تلفات توان، انحراف ولتاژ گره ها، تعداد دفعات کلید زنی و متعادل کردن بارها در فیدرها می باشد. بخاطر این حقیقت که اهداف متفاوتند و غیر قابل اندازه گیری حل این مساله با روش های قدیمی که تنها یک هدف را بهینه می کند دشوار می باشد. این مقاله یک روش نوین بر پایه نرم 3 در مساله DFR ارائه می دهد. در روش پیشنهادی، توابع هدف بعنوان یک بردار در نظر گرفته می شوند و هدف ماکزیمم کردن فاصله (نرم 2) بین بردار تابع هدف و بدترین بردار تابع هدف می باشد در حالیکه قیود ارضا شوند. از آنجاییکه DFR پیشنهادی یک مساله بهینه سازی غیر قابل تفکیک وچند هدفه می باشد یک الگوریتم تکاملی مرکب (EA) بر پایه بهینه سازی مرکب جفت گیری زنبور عسل(HBMO) و بهینه سازی دسته اجزا (ذرات) مجزا (DPSO) ،که HBMO- DPSO نامیده می شود، برای حل آن اعمال می گردد. نتایج روش بازآرایی پیشنهادی با پاسخ های بدست آمده از دیگر روش ها مقایسه گردیده است، DPSO و HBMO اصلی بر روی سیستم های آزمایش توزیع مختلف انجام پذیرفته است.
کلیدواژگان: بهینه سازی جفت گیری زنبور عسل(HBMO)، باز آرایی فیدر توزیع(DFR)، بهینه سازی دسته اجزا (ذرات) مجزا (DPSO)
شرکت های برق دائما بدنبال فناوری هایی هستند که ممکن است عملکرد تحویل توان را تقویت کند. یکی از چندین موضوع مهم، کنترل تلفات توان می باشد. بازآرایی شبکه توزیع، فرآیندی است که ساختار توپولوژیکی توزیع را با تغییر حالت باز/بسته سکشن لایزرها (باز بندها) و وقفه دهنده ها در یک سیستم تغییر می دهد. تحت رژیم های کاری عادی، اهداف(objectives) از بار اضافی ترانسفورماتور، گرمای بیش از حد هادی جلوگیری می کند و ولتاژ غیر عادی را کاهش می دهد و همزمان تلفات توان حقیقی را در سیستم مینیمم می کند. از آنجائی که کاندیدهای مختلف برای ترکیبات کلید زنی در سیستم توزیع وجود دارد بازآرایی شبکه یک مساله بهینه سازی مرکب پیچیده با قیود غیر قابل تمایز می باشد[24-1]. در سال های اخیر، بسیاری از پژوهشگران مینیمم کردن تلفات را در حوزه بازآرایی فیدر در سیستم های توزیع مورد بررسی قرار داده اند. یکی از اولین مقالات در این زمینه توسط باک و مارلین [2] ارائه گردید. روش بهینه سازی مجزای شاخه و حلقه بر روی یک شبکه توزیع حلقوی انجام پذیرفت. با این حال، کاربرد آن بر روی سیستم های واقعی بخاطر تلاش های کامپیوتری بسیار راحت نمی باشد.از آن پس، روش های بسیاری پیشنهاد گردیده است. برای مثال، سیوانلار و همکارانش جستجوی اولیه ای بر روی بازآرایی فیدر بمنظور کاهش تلفات انجام دادند[3]. باران و وو مساله کاهش تلفات و متعادل سازی بار را بعنوان مساله برنامه نویسی عدد صحیح انجام دادند[4]. نرا و همکارانش و پارساد و رانجان از یک الگوریتم ژنتیک برای جستجوی ساختار با کمترین تلفات [12و5] استفاده کردند. شیر محمدی و هوانگ استفاده از روش پخش بار مبتنی بر یک الگوریتم تصادفی را برای یافتن ساختار با کمترین تلفات در شبکه های توزیع شعاعی انجام دادند [13و6]. شیانگ و رنه از یک روش حل که از شبیه سازی تابکاری بهره می برد برای جستجوی یک پاسخ غیر درونی قابل قبول استفاده کردند [8و7]. میگوئل و هرنان یک مدل عملی اقتصادی برای حل ساختار شبکه توزیع استفاده کردند [9]. دلبم و همکارانش یک رمزگذاری درختی و دو عملگر ژنتیکی برای بهبود عملکرد EA در مسائل بازآرایی شبکه پیشنهاد دادند[10]. داس یک روش فازی چند هدفه برای حل مساله بازآرایی شبکه ارائه داد [11]. نیکنام و همکارانش یک الگوریتم مرکب موثر برای بازآرایی فیدر توزیع چند هدفه بر پایه بهینه سازی جفت گیری زنبور عسل(HBMO) و روش فازی چند هدفه ارائه دادند [14]. علمائی و همکارانش یک هزینه مبتنی بر روش جبرانسازی برای بازآرایی فیدر توزیع با در نظر گرفتن تولیدات پراکنده پیشنهاد کردند [17-15].
نظر به اینکه توابع هدف بازآرایی فیدر توزیع یکسان و قابل اندازه گیری نمی باشند، حل مسائلی از این نوع با روش های قدیمی که برای حل مسائل تنها با یک هدف استفاده می گردید دشوار می باشد. از اینرو، در این مقاله یک فرمول نویسی جدید بر پایه روش نرم 2 برای بازآرایی فیدر توزیع با چند تابع هدف پیشنهاد می گردد. در روش پیشنهادی، توابع هدف برای مینیمم کردن تلفات توان اکتیو، تعداد دفعات کلید زنی و انحراف ولتاژ باس ها و متعادل کردن بار روی فیدر ها اعمال می گردد. در این روش، توابع هدف، مینیمم کردن فاصله بین بردار تابع هدف موجود و بردار بدترین تابع هدف می باشد. بردار اولی بر پایه نتایج بدست آمده از بازآرایی قبلی بدست می آید. متغیرهای کنترلی، وضعیت تای سوئیچ ها و سکشن لایزرها می باشند. از آنجاییکه ساختار سیستم توزیع بایستی شعاعی باقی بماند در حالیکه تعداد زیادی از کلید ها مورد استفاده قرار می گیرند متغیرهای کلید زنی طوری تعریف می گردند که وقتی یک تای سوئیچ بسته است یک کلید سکشن لایزر که تشکیل یک حلقه می دهد باز باشد.
چکیده
در این پژوهش، الگوریتمی به نام سیمبایوجنسیس را برای ساخت پایگاه داده تولید رفتار به کار میبریم. این الگوریتم از مجموعه الگوریتمهای تکاملی است که با مجموعهای از اعضا سروکار دارد و هدف بهینه کردن شایستگی اعضای جمعیت است. طی آزمایشهای انجام شده روی این روش، این نتیجه بدست آمده است که سیمبایوجنسیس برای استفاده در مسائلی که توصیف کاملی از صورت مسئله وجود ندارد، کارایی خوبی دارد.
برای آزمایش اینگونه یادگیری، از بازی Pac-Man به عنوان مسئله مورد بررسی استفاده کردیم. سعی داریم در این مسئلهagent ای را آموزش دهیم که بتواند در زمین بازی، بهترین بازی خود را انجام دهد و بیشترین زمان ممکن نیز زنده بماند. برای مقایسه نتایج حاصل از آزمایش، یکی دیگر از معروفترین الگوریتمهای تکاملی، یعنی الگوریتم ژنتیکی را برای این مسئله پیاده سازی کردیم. نتایج حاصل از این پیادهسازی ها را ارایه خواهیم کرد و مقایسهای روی آنها انجام خواهیم داد.
فهرست مطالب
فصل اول – الگوریتم های تکاملی. 10
1-1- مقدمه. 10
1-2-علت استفاده از الگوریتم های تکاملی. 13
1-3-انواع الگوریتم های تکاملی. 13
1-3-1: استراتژی های تکاملی. 14
1-3-2: برنامه ریزی تکاملی. 15
فصل دوم: الگوریتم ژنتیک. 17
2-1: ژنتیک در طبیعت. 17
2-2: الگوریتم ژنتیک استاندارد:. 18
فصل سوم: الگوریتم تکاملی سیمبیوتیک (SEA). 20
3-1: علت معرفی SEA.. 20
3-2: عملگر ترکیب سیمبیوتیک:. 21
3-3: ایده کلی SEA:. 22
فصل چهارم: توصیف فضای مسئله. 26
4-1: agent 28
4-2: تابع محاسبه شایستگی. 34
فصل پنجم: تعریف الگوریتم ها برای مسئله Pac-Man. 36
5-1Pac-Man : با الگوریتم ژنتیکی. 36
5-2Pac-Man : با الگوریتم SEA.. 38
5-3: نتایج حاصل از پیاده سازی. 39
فصل ششم: مستندات کلاسهای پیاده سازی شده. 45
6-1: پیاده سازی الگوریتم ژنتیکی. 45
6-2: پیاده سازی الگوریتم SEA.. 53
فصل هفتم: نتیجه گیری و پیشنهادات. 68
مراجع. 69
پیوست. 71
فهرست اشکال
شکل1-1.طرح کلی الگوریتم تکاملی------------------------------------------------11
شکل1-2: شبه کد استراتژی تکاملی-------------------------------------------------15
شکل1-3: شبه کد برنامه ریزی تکاملی-----------------------------------------------16
شکل2-1: شبه کد الگوریتم ژنتیکی-------------------------------------------------19
شکل3-1: نمونه ای از ترکیب Symbiotic------------------------------------------21
شکل3-2: نمونه ای از الگوریتم جستجو symbiotic-----------------------------------23
شکل3-3: شبه کد الگوریتمSEA--------------------------------------------------24
شکل4-1: نقطه آغاز یک بازی Pac-Man-------------------------------------------26
شکل4-2:نقشه زمین بازی Pac-Man به همراه تمام حالات گردش-----------------------28
شکل4-3:شبه کد استراتژیagent برای بازی Pac-Man------------------------------31
شکل 5-1: مقایسه کارایی در الگوریتم GA وSEA برای بازی pac-man. اندازه جمعیت درGA برابر 150 می باشد--------------------------------------------------------------40
شکل 5-2: مقایسه کارایی در الگوریتم GA وSEA برای بازی pac-man.اندازه جمعیت درGA برابر 200 می باشد--------------------------------------------------------------41
شکل 5-3: مقایسه هزینه در دو الگوریتم GA وSEA برای نمودار 5-1.-------------------41
شکل 5-4: مقایسه هزینه در دو الگوریتم GA وSEA برای نمودار 5-2.-------------------42
فهرست جدولها
جدول4-1: تعیین وضعیت روح با توجه به موقعیت Pac-Man و روح نسبت به هم. ----------30
جدول4-2: شرح پارامترهای استفاده شده برای تعیین حرکت agent----------------------32
جدول5-1: پارامترهای مطرح شده در SEA------------------------------------------38
جدول5-2: بهترین مقادیر برای هر پارامتر SEA--------------------------------------39