مقاله مربوط به سال 2010 بوده و داراي 15 صفحه فارسي با فونت 11 مي باشد
abstract
This paper presents a new multi-agent based hybrid particle swarm
optimization technique (HMAPSO)applied to the economic power dispatch.
The earlier PSO suffers from tuning of variables, randomnessand
uniqueness of solution. The algorithm integrates the deterministic
search, the Multi-agent system(MAS), the particle swarm optimization
(PSO) algorithm and the bee decision-making process. Thus makinguse of
deterministic search, multi-agent and bee PSO, the HMAPSO realizes the
purpose of optimization.The economic power dispatch problem is a
non-linear constrained optimization problem. Classicaloptimization
techniques like direct search and gradient methods fails to give the
global optimum solution.Other Evolutionary algorithms provide only a
good enough solution. To show the capability, the proposedalgorithm is
applied to two cases 13 and 40 generators, respectively. The results
show that thisalgorithm is more accurate and robust in finding the
global optimum than its counterparts.
چكيده .......................................................4
مقدمه........................................................4
فرمول بندی مساله توزیع اقتصادی...............................6
بهینه سازی استاندارد ازدحام ذرات و تحلیل آن..................7
سیستم مالتی– ایجنت...........................................8
روش بهینه سازی ازدحام ذرات مبتنی بر مالتی ایجنت ترکیبی.......9
نتایج و بحثها...............................................13
نتیجه گیریها................................................17
چکیده - این مقاله یک تکنیک بهینه سازی ازدحام ذرات مبتنی بر مالتی ایجنت ترکیبی (HMAPSO) را معرفی میکند که برای توزیع اقتصادی برق به کار گرفته شده است. روش قدیمی بهینه سازی ازدحام ذرات(PSO) دارای معایبی چون تنظیم متغیرها، تصادفی بودن و یکتایی پاسخ است. الگوریتم جدید تکنیکهای جستجوی قطعی، سیستم مالتی ایجنت (MAS)، الگوریتم بهینه سازی ازدحام ذرات (PSO) و فرایند تصمیم گیری زنبوری را با هم ترکیب میکند. لذا به کمک جستجوی قطعی، بهینه سازی ازدحام ذرات مالتی ایجنت و زنبوری، HMAPSO قادر است بهینه سازی را تحقق دهد. مساله توزیع اقتصادی برق یک مساله بهینه سازی محدودشده غیرخطی است. تکنیکهای بهینه سازی کلاسیک مثل روشهای جستجوی مستقیم و گرادیان قادر نیستند پاسخ بهینه کلی را بدست دهند. سایر الگوریتمهای تکاملی تنها یک پاسخ تا حدودی خوب را فراهم میکنند. برای نشان دادن توانمندی الگوریتم ارائه شده، این الگوریتم به مواردی با 13 و 40 ژنراتور اعمال میشود. نتایج نشان میدهد که ابن الگوریتم در یافتن پاسخ کلی نسبت به همتاهای خود بسیار صحیح و قویتر است.
لغات کلیدی: توزیع اقتصادی برق، PSO، اثر نقطه دریچه، سیستم مالتی ایجنت.
1. مقدمه
توزیع اقتصادی برق (EPD) در واقع زمان بندی خروجی واحدهای تولیدی تخصیص داده شده است تا تقاضای بار با کمترین هزینه عملیاتی ممکن عملی شده و در عین حال محدودیت واحدها و قیود برابری و نابرابری ارضا شود. مهمترین هدف توزیع اقتصادی برق، کمینه کردن هزینه کلی تولید توان حقیقی (هزینه تولید) در پستهای مختلف است در عین حال که بارها و تلفات مسیرهای انتقال نیز ارضا شوند [1، 2]. بنابراین، توزیع اقتصادی برق یکی از مهمترین مسائلی است که در عملکرد سیستم قدرت باید حل شود. از آنجا که مشخصات ورودی- خروجی واحدهای مدرن به علت بارگذاری دریچه (valve-point loading) ، اثرات سوختهای چندگانه و سایر قیود، به شدت غیرخطی است، لذا برای یک پاسخ بهتر از جستجوی پیوسته استفاده میشود [3-5]. بیشتر روشهای کلاسیک توسعه یافته و اکنون برای مساله بهینه سازی به کار میروند. جستجوی بخش طلایی، جستجوی فیبوناچی، روش نیوتن و روش متقاطع از جمله روشهای تک بُعدی به شمار میآیند. روشهای گرادیان، روش نیوتن، روش مسیر کانجوگیت و شبکه های عصبی به طور معمول برای بهینه سازی بدون قید به کار میروند [2]. این روشها بستگی به نوع مساله داشته و از گرادیان استفاده میکنند. در نتیجه تنها برای دسته بسیار کوچکی از مسائل بهینه سازی کاربرد دارند. الگوریتم ژنتیک (GA) یک تکنیک جستجوی احتمالاتی است که ریشههایش را در بستر قوانین ژنتیک دارد. این الگوریتم تاکید زیادی روی انتخاب طبیعی گونه های باقی مانده و فرایند باز تولید نسل جدید دارد و بر اساس جهش و تقابل کار میکند تا جمعیت جدیدی را خلق کند [6]. الگوریتم ژنتیک از شروع زمان ارائه، به طور وسیع به عنوان ابزاری در برنامه نویسی رایانه ای، هوش مصنوعی و بهینه سازی به کار رفته است. با تقلید از رفتار هوش موجود در گروه های گوناگون، یک هوش جدیدی به وجود میآید که معروف است به هوش جمعی (SI). هوش جمعی نوعی هوش مصنوعی بوده و مبتنی است بر رفتار تجمیعی سیستمهای غیرمتمرکز خود سازمان یافته و رفتار مصنوعی ارگانیسمها را تقلید میکند. سیستمهای هوش جمعی معمولاً از جمعیت ایجنت هایی تشکیل میشود که به طور محلی به یکدیگر و با محیط اطراف خود ارتباط دارند. ایجنت ها قوانین بسیار ساده ای را دنبال میکنند، و هیچ کنترل متمرکزی موجود نیست که نحوه رفتار هر ایجنت را دیکته کند و ارتباطات محلی بین چنین ایجنت هایی به ظهور یک رفتار پیچیده کلی منجر میشود [7]. یک مثال طبیعی از هوش جمعی عبارت است از کلونی مورچه، جمعیت پرندگان، گله حیوانات، رشد باکتریها و تجمیع ماهیها. الگوریتمهای متنوعی که از هوش جمعی سرچشمه میگیرند عبارت اند از بهینه سازی کلونی مورچه (ACO)، الگوریتم ژنتیک و بهینه سازی ازدحام ذرات (PSO) [6-8]. الگوریتم بهینه سازی ازدحام ذرات (PSO) مبتنی است بر رفتار اجتماعی گروههایی مثل گروه پرندگان یا تجمع ماهیها. این روش یک الگوریتم رایانه ای تکاملی برای حل مساله است که به صورت تصادفی بوده و مبتنی بر جمعیت است. این الگوریتم به نوعی هوش جمعی است که پاسخ هر عضو، به عنوان یک "ذره" که هر لحظه موقعیت خود را ارتقا یا تغییر میدهد، را پیش بینی میکند. هر ذره در فضای جستجو مطابق با تجربه خود و نیز تجربه ذرات همسایه با یادآوری بهترین موقعیت مشاهده شده توسط او و همسایگانش، و سپس با محاسبه موقعیتهای محلی و کلی، موقعیت خود را تنظیم و تعدیل میکند. این روشها نیازی به گرادیان ندارند و لذا می تواند برای دسته بزرگی از مسائل بهینه سازی کاربرد داشته باشند [8، 9].
الگوریتم زنبورها الگوریتم بهینه سازیای است که از رفتار جستجوگر طبیعی زنبورعسل الهام گرفته است تا پاسخ بهینه برای غذا در کنار انتخاب محل بعدی را بیابد [10]. این الگوریتم نوعی جستجوی همسایگی در ترکیب با جستجوی تصادفی را اجرا میکند و میتواند برای بهینه سازی ترکیبی و بهینه سازی تابعی به کار رود. الگوریتمهای بهینه سازی کلونی زنبور (BCO) و سیستم زنبوری (BS) برخی از مثالهایی هستند که الگوریتمها مبتنی هستند بر اجرای Waggle dance (رقص چرخشی) توسط زنبور پیشاهنگ (رهبر) تا سایر زنبورهای جستجوگر را از محل شهد آگاه کند [11].