دانلود شبیه سازی مقاله بهینه سازی الگوریتم ژنتیک مقطعی حلقوی برای در مدار قرار گیری واحدها

الگوریتم GA در مساله قرار گیری واحدها در مدار

در عملکرد تجاری بازار برق، برنامه ریزی صحیح واحدهای مولد از اهمیت بسزایی برخوردار است. صرفه جویی اقتصادی، همراه با بازده و اثربخشی در استفاده از منابع انرژی، بدان معناست که پیشنهادهای جدید برای حل «مسئله به مدارآوری واحدها» (UCP) همچنان مورد استقبال قرار می گیرند. UCP با استفاده از روش های قطعیتی، مانند «فهرست اولویت» (PL)، برنامه نویسی پویا (DP)، سست سازی لاگرانژی (lR) و «برنامه نویسی خطی عدد صحیح مختلط» (MILP)، حل شده است. اساساً، مشخصه بارز این روش ها، سرعت و ظرفیت آنها برای کار با مسائل مقیاس بزرگ است هنگامی که تابع هدف خطی باشد و هنگامی که تعدادی از قیدها مورد ملاحظه قرار نگیرد. در غیر اینصورت، با استفاده از PL، کیفیت جواب نهایی، تضمین نمی شود؛ DP از مسئله بعدی رنج می برد؛ بوسیله LR، یک جواب موجه یا امکان پذیر، تضمین نمی شود و با MILP دستیابی به تعادل بین بازده و دقت مدل، دشوار است. در مواجهه با این مشکلات، جستجو برای رسیدن به روش های جدید بر روش های متاابتکاری مانند الگوریتم ژنتیک (GA)، تابکاری شبیه سازی شده (SA) و بهینه سازی ازدحام ذرات (PSO)، متمرکز می باشند. با استفاده از این روشهای فراابتکاری، یافتن یک جواب بهینه برای مسائل پیچیده که مزیت اصلی آنها نسبت به روش های قطعیتی است، امکان پذیر است. اما، بخاطر ماهیت تکرار شونده آنها، روش های فراابتکاری نیاز به حجم زیادی زمان محاسبات کامپیوتری دارند تا یک جواب نزدیک بهینه سراسری پیدا کنند، بخصوص زمانی که مسائل مقیاس بزرگ در دست تحلیل باشند. امروزه، روش های پیشنهادی بسیاری، براساس فنون ترکیبی یا هیبرید که از مزیت های هر دو فنون قطعیتی و فراابتکاری استفاده می کنند و باعث شده به گزینه های جذابی برای حل UCP تبدیل شوند، می باشند.

نتایج بدست آمده در مقایسه با روش های بدست آمده با دیگر GA، کاربرد DACGA برای مسئله مدارآوری واحد را اعتباریابی می کنند. در همگرایی و کیفیت بهترین جواب مشاهده شده، بهبودهایی دیده شد. به لطف عملگر انتخاب قطعیتی، تنوع بیشتر بین افراد جامعه با این روش پیشنهادی قابل حصول است، زیرا از اطلاعات ژنتیک بدترین افراد با احتمال یکسان استفاده می کند، بنابراین مکمل مشخصات بهترین افراد جامعه می باشد. با نمایش حلقه ای، زمان شروع به زمان پایان دوره برنامه ریزی  وابسته است. بنابراین، عملگر همگذاری لایه ای، احتمال بیشتر مبادله اطلاعات ژنتیک بین دوره های شروع و پایان برنامه ریزی 24 ساعتی را ممکن می سازد.

این شبیه سازی در محیط نرم افزار متلب (MATLAB) انجام شده و در ادامه نیز شکل موج مربوط به خروجی شبیه سازی، قرار داده شده است: