بررسی عملکرد دو الگوریتم ژنتیک (GA) و اجتماع ذرات (PSO) در بهینه سازی مسئله CGAM

نویسندگان

  • مهدی کریمی دانشکده مهندسی مکانیک، دانشگاه بوعلی سینا، همدان
چکیده مقاله:

نوشتار حاضر به مدل‌سازی ترمودینامیکی یک نیروگاه توربین گازی با توان تولیدی M‌W ۳۰ و (k‌g/s) ۱۴ بخار اشباع در فشار b‌a‌r ۲۰ پرداخته است. این سیستم معروف به مسئله C‌G‌A‌M است. در مسئله‌ی C‌G‌A‌M تابع هدف شامل مجموع هزینه‌ی سرمایه‌گذاری و همچنین هزینه‌ی سوخت مصرفی است. در این نوشتار بهینه‌سازی با کمینه‌سازی تابع هدف و نیز به‌کارگیری الگوریتم ژنتیک و الگوریتم اجتماع ذرات به‌کمک نرم‌افزار متلب انجام می‌شود و در نهایت عملکرد این دو الگوریتم با یکدیگر مقایسه می‌شود. نتایج حاصل از مقایسه‌ی تعداد توابع ارزیابی شده (N‌F‌E) این دو الگوریتم نشان می‌دهد که سرعت همگرایی الگوریتم اجتماع ذرات در یافتن کمترین تابع هزینه نسبت به الگوریتم ژنتیک بالاتر است. همچنین در حل مسئله‌ی C‌G‌A‌M الگوریتم بهینه‌سازی اجتماع ذرات به‌لحاظ پیاده‌سازی، انعطاف‌پذیری، و سهولت برنامه‌نویسی به‌مراتب از الگوریتم ژنتیک تواناتر است.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

بهینه سازی سیکل ترکیبی با استفاده از الگوریتم های ژنتیک(GA) و بهینه سازی دسته ذرات(PSO)

چکیده: در این مقاله، سیکل ترکیبی بصورت کامل مدلسازی شده و پس از تحلیل انرژی و اگزرژی، تابع برازش مناسب تعریف و بهینه سازی آن توسط الگوریتم های ژنتیک و بهینه سازی دسته ذرات انجام شده است. لازم به ذکر است سیکل های ترکیبی از طراحی پیچیده­ای برخوردار بوده و اعمال هر تغییر در طراحی، بر متغیرهای زیادی به صورت مستقیم و غیر مستقیم تاثیر گذار می­باشد. اگرچه در گذشته تلاشهای زیادی به منظور بهینه سازی تک ...

متن کامل

برآورد ظرفیت بالفعل مالیاتی ایران با استفاده از الگوریتم بهینه سازی انبوه ذرات (PSO) و الگوریتم ژنتیک (GA)

  با توجه به اهمیت فراوان درآمدهای مالیاتی در تأمین منابع مالی مورد نیاز دولت­ها، بررسی ظرفیت بالفعل مالیاتی همواره مورد توجه دولت­مردان و سیاست­گذاران بوده است. در این مقاله، تابع ظرفیت مالیاتی با دو الگوریتم ژنتیک و بهینه سازی انبوه ذرات طی دوره 1389-1361 برآورد شده است. براساس معیارهای ارزیابی عملکرد که شامل میانگین انحراف معیار، جذر میانگین انحراف معیار، میانگین درصد خطای مطلق و میانگین خطا...

متن کامل

بهینه سازی سیکل ترکیبی با استفاده از الگوریتم های ژنتیک(ga) و بهینه سازی دسته ذرات(pso)

چکیده: در این مقاله، سیکل ترکیبی بصورت کامل مدلسازی شده و پس از تحلیل انرژی و اگزرژی، تابع برازش مناسب تعریف و بهینه سازی آن توسط الگوریتم های ژنتیک و بهینه سازی دسته ذرات انجام شده است. لازم به ذکر است سیکل های ترکیبی از طراحی پیچیده­ای برخوردار بوده و اعمال هر تغییر در طراحی، بر متغیرهای زیادی به صورت مستقیم و غیر مستقیم تاثیر گذار می­باشد. اگرچه در گذشته تلاشهای زیادی به منظور بهینه سازی تک ...

متن کامل

برآورد ظرفیت بالفعل مالیاتی ایران با استفاده از الگوریتم بهینه سازی انبوه ذرات (pso) و الگوریتم ژنتیک (ga)

با توجه به اهمیت فراوان درآمدهای مالیاتی در تأمین منابع مالی مورد نیاز دولت­ها، بررسی ظرفیت بالفعل مالیاتی همواره مورد توجه دولت­مردان و سیاست­گذاران بوده است. در این مقاله، تابع ظرفیت مالیاتی با دو الگوریتم ژنتیک و بهینه سازی انبوه ذرات طی دوره 1389-1361 برآورد شده است. براساس معیارهای ارزیابی عملکرد که شامل میانگین انحراف معیار، جذر میانگین انحراف معیار، میانگین درصد خطای مطلق و میانگین خطای ...

متن کامل

تخمین حالت در شبکه های توزیع برق بر مبنای بهینه سازی اجتماع ذرات دو حلقه ای جهش یافته (DLM-PSO)

This paper presents a novel algorithm based on particle swarm optimization (PSO) to estimate the states of electric distribution networks. In order to improve the performance, accuracy, convergence speed, and eliminate the stagnation effect of original PSO, a secondary PSO loop and mutation algorithm as well as stretching function is proposed. For accounting uncertainties of loads in distributi...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


عنوان ژورنال

دوره 33.3  شماره 1

صفحات  129- 136

تاریخ انتشار 2017-05-22

با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023