复杂性gydF4y2Ba
复杂性gydF4y2Ba
1099 - 0526gydF4y2Ba
1076 - 2787gydF4y2Ba
HindawigydF4y2Ba
10.1155 / 2020/6675741gydF4y2Ba
6675741gydF4y2Ba
研究文章gydF4y2Ba
最优调度的电力配电变电站案例研究:一个整数Gaining-Sharing知识型Metaheuristic算法gydF4y2Ba
哈桑gydF4y2Ba
说阿里gydF4y2Ba
1gydF4y2Ba
AlnowibetgydF4y2Ba
哈立德gydF4y2Ba
2gydF4y2Ba
AgrawalgydF4y2Ba
布勒gydF4y2Ba
3gydF4y2Ba
https://orcid.org/0000 - 0002 - 5895 - 2632gydF4y2Ba
默罕默德gydF4y2Ba
阿里WagdygydF4y2Ba
4gydF4y2Ba
5gydF4y2Ba
卡里尔gydF4y2Ba
艾哈迈德MostafagydF4y2Ba
1gydF4y2Ba
业务部门研究和决策支持gydF4y2Ba
学院计算机和人工智能gydF4y2Ba
开罗大学gydF4y2Ba
吉萨gydF4y2Ba
埃及gydF4y2Ba
cu.edu.eggydF4y2Ba
2gydF4y2Ba
大学的科学gydF4y2Ba
部门统计和运筹学gydF4y2Ba
沙特国王大学gydF4y2Ba
利雅得gydF4y2Ba
沙特阿拉伯gydF4y2Ba
ksu.edu.sagydF4y2Ba
3gydF4y2Ba
数学和科学计算gydF4y2Ba
Hamirpur研究所技术gydF4y2Ba
Hamirpur 177005gydF4y2Ba
喜马偕尔邦gydF4y2Ba
印度gydF4y2Ba
4gydF4y2Ba
行动研究部门gydF4y2Ba
学院研究生院进行统计研究gydF4y2Ba
开罗大学gydF4y2Ba
吉萨12613gydF4y2Ba
埃及gydF4y2Ba
cu.edu.eggydF4y2Ba
5gydF4y2Ba
无线智能网络中心(绞车)gydF4y2Ba
工程和应用科学学院gydF4y2Ba
尼罗河大学gydF4y2Ba
吉萨gydF4y2Ba
埃及gydF4y2Ba
nu.edu.eggydF4y2Ba
2020年gydF4y2Ba
8gydF4y2Ba
12gydF4y2Ba
2020年gydF4y2Ba
2020年gydF4y2Ba
15gydF4y2Ba
10gydF4y2Ba
2020年gydF4y2Ba
26gydF4y2Ba
10gydF4y2Ba
2020年gydF4y2Ba
30.gydF4y2Ba
10gydF4y2Ba
2020年gydF4y2Ba
8gydF4y2Ba
12gydF4y2Ba
2020年gydF4y2Ba
2020年gydF4y2Ba
版权©2020说阿里哈桑et al。gydF4y2Ba
这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba
这项工作是致力于经济调度所需的电力站在接下来的10年的长期计划。计算所需的电力站进行估算每年消耗的电力在一个长期的计划,然后确定所需数量的电台。目标是最小化总站的建立和运营成本基于数学规划模型与非线性目标函数和决策变量的整数。介绍模型适用于一个真正的实际案例研究结论的数量每年建造站在电力行业的长期计划在吉达城市,沙特阿拉伯。目前的规划方法是仅基于直觉通过构造相同数量的要求站在每年寻找更好的解决方案。解决数学模型,引入一种新型最近获得知识共享算法,名叫葛兰素史克,已经使用。增广拉格朗日方法(ALM)应用于变换约束制定成为无约束与目标函数处罚。根据实际案例研究的结果,提出了葛兰素史克公司的ALM批准的能力解决这种情况下对收敛,效率,质量,和鲁棒性。gydF4y2Ba
沙特国王大学gydF4y2Ba
1。介绍gydF4y2Ba
在未来几年,全世界人口投影预计会上升,这应该是通过增加足够的电力供应的预期更高的需求。gydF4y2Ba
专家意见表明,预期的负载需求所需准备的关键因素潜在的电力需求。规划当局在世界各地国家的预测人口是不断增加(gydF4y2Ba
1gydF4y2Ba]。这个增长应该足够平衡的电力供应。gydF4y2Ba
由于电力需求是直接关系到预期的人口增长,电力公司应该支持当前网络通过安装额外的电台,以满足日益增长的需求gydF4y2Ba
2gydF4y2Ba]。等基础设施需求的水、电、污水和通信将超过比例的人口增长和新城市的扩张。负责任的政府都必须支持相应的网络通过安装新的电台来满足日益增长的需求,防止业务中断和电力故障造成的经济损失gydF4y2Ba
3gydF4y2Ba]。gydF4y2Ba
当前的解决方案过程主要基于真正的紧急需求受制于可用的资源。这会引起,几站的建设,同时允许多余的资源,或者少于所需的建设由于预算约束。为这些目的,全面分析方法由电力公司急需确定理想的决定关于安装站在每年的长期计划。gydF4y2Ba
当前协议是完全依赖于经验和直觉。这个决策过程完全是主观的,在大多数情况下,会导致过度的成本的顺序百万美元建造和运营所需的电台。决策的身体需要一个详细的分析方法来确定最佳决策建立的电车站调度周期。这项研究被认为是作为规划和调度这些实用程序的基础,达到最优的解决方案支持的数学基础。gydF4y2Ba
相反,在过去的三十年里,metaheuristic算法成为解决高维的流行,复杂的优化问题和显示找到接近最优解的能力。最近,穆罕默德et al。gydF4y2Ba
4gydF4y2Ba)引入了一个新的自然过程,获得了葛兰素史克和分享知识。葛兰素史克过程测试三十多CEC2017基准函数测试问题在不同的维度。它也应用于IEEE-CEC2011问题解决现实问题,相比十多个先进的metaheuristic算法。获得输出显示重要的克服葛兰素史克比其他算法的鲁棒性,收敛,找到解决使用问题的能力。葛兰素史克公司由两个阶段组成:gydF4y2Ba
初级葛兰素史克阶段gydF4y2Ba
葛兰素史克公司高级阶段gydF4y2Ba
在第一阶段,初级或初学者获得知识从他们的小型网络,如家庭成员,亲戚和朋友。他们想要分享他们的知识与其他的人可能不属于他们的网络由于好奇的探索。同时,他们不能区分好与坏的人。同样,在获得和分享高级阶段,判断他人的有经验的人,他们可以对图像进行分类。高层人士获得从他们的同事,他们的知识社会的朋友,或者很多人根据他们的经验,分享他们的观点和意见,可以提高他们的学习gydF4y2Ba
4gydF4y2Ba]。gydF4y2Ba
因为介绍配方是如此复杂和非线性整数规划,增强约束葛兰素史克算法建议来处理给定的问整数GP配方。gydF4y2Ba
1.1。贡献gydF4y2Ba
当前的规划方法建立在沙特电力公司电力输电变电站是基于直觉和经验通过构造相同数量的要求变电站在每年寻找更好的解决方案。这个过程不会导致最优解决方案,在大多数情况下,导致多余的费用在long-planning地平线。本文旨在实现经济调度所需的长期电力配电变电站。目标是最小化总站的建立和运营成本规划地平线基于非线性整数数学规划模型。gydF4y2Ba
介绍模型适用于一个真正的实际案例研究结论的数量每年建造站在电力行业的长期计划在吉达城市,沙特阿拉伯。gydF4y2Ba
解决数学模型,引入一种新型最近gaining-sharing以知识为基础的算法,名叫葛兰素史克,已经使用。gydF4y2Ba
增广拉格朗日方法(ALM)应用于变换约束制定成为无约束与目标函数处罚。根据实际案例研究的结果,提出了葛兰素史克公司的ALM批准的能力解决这种情况下对收敛,效率,质量,和鲁棒性。总成本节约利用这样一个科学的方法,而不是传统的方法在实践中使用超过2000万美元。gydF4y2Ba
这种科学方法建模和解决这些实际问题可以很容易地应用到管理者在实践中对这个和类似的调度问题。通过这种方式,他们总是达到最优解和节省时间和成本。gydF4y2Ba
接下来的工作是通过以下方式来组织。部分gydF4y2Ba
2gydF4y2Ba是专门为当前问题的文献综述。部分gydF4y2Ba
3gydF4y2Ba介绍了电气配电变电所的经济调度数学模型。部分gydF4y2Ba
4gydF4y2Ba介绍了一个实际应用案例研究的问题在吉达,沙特阿拉伯。提议IGSK问题的方法和计算结果提出了部分gydF4y2Ba
5gydF4y2Ba和gydF4y2Ba
6gydF4y2Ba,分别。结论和建议研究点是总结部分gydF4y2Ba
7gydF4y2Ba。gydF4y2Ba
2。文献综述gydF4y2Ba
几项研究如Al-Saleh和塔勒布(gydF4y2Ba
5gydF4y2Ba揭示一个剧烈的跳在全世界的电力消耗。忽略有效的建筑和设计缺乏电力的“时段”贡献了约80%的电力用于空调和冷却。然后,随着需求最高,在夏季电力短缺成为严重[gydF4y2Ba
6gydF4y2Ba]。gydF4y2Ba
胶凝等。gydF4y2Ba
7gydF4y2Ba]电力需求的预测分类分为三种类型:短,中,长期的。短期预测执行几个小时后,介质类型是几周了几年,和长期的影响主要是由经济因素和用于5到15到25年。gydF4y2Ba
口头et al。gydF4y2Ba
8gydF4y2Ba)表示,预测要求负载在服务领域是电力资源规划的一个基本因素。使用最小成本计划,可以组织资源的预期需求根据这些预测的结果。资产准备通常是受各种不确定因素进行预测的负荷需求代表了一种不确定性的重要组成部分。gydF4y2Ba
陆和许gydF4y2Ba
9gydF4y2Ba)的工作是研究目的减少无功功率的电压偏差流从所需的值。使用一个动态programming-based方法。gydF4y2Ba
鑫et al。gydF4y2Ba
10gydF4y2Ba]研究了分销网络规划,他们说收到的负载在不同年在每个部门都是不同的,所以有效的规划是一个动态规划制定。gydF4y2Ba
Nagasaka和Al-MamungydF4y2Ba
11gydF4y2Ba]预测高峰负荷使用径向基函数网络的。九个公司在日本的预测反映了当前和未来的趋势。这项研究集中于经济数据影响long-forecasting对电力负荷的需求。使用的数据是真实的年度负荷和增量增加百分比。gydF4y2Ba
艾尔哈姆迪(gydF4y2Ba
12gydF4y2Ba在吉达)集中在电力行业10年后地平线的时间表。他分析扩展到包括一些参数发现调查对最优解的影响通过调整参数的问题。gydF4y2Ba
哈桑et al。gydF4y2Ba
13gydF4y2Ba)表明,电力需求在沙特阿拉伯与过去几十年里已经显著增加。这是一个快速增长的人口,经济增长和能源短缺,保护活动。他们使用ANN预测所需的电力分配站在吉达。然后开发一个动态规划制定调度站安装的年度数量规定的时间内尽量减少总体成本的建立和操作站决定。gydF4y2Ba
El Quliti et al。gydF4y2Ba
14gydF4y2Ba本研究在吉达)。提到工作调度的必要数量的变电站在长期时间内使用动态编程模型。计算是基于确定的数量站建成规划周期的总成本最小化。gydF4y2Ba
El-Quliti和羊群的工作gydF4y2Ba
15gydF4y2Ba)是致力于规划最优数量的电力变电站需要一个长期的时期。模型还提供了参数灵敏度分析来检测可能的基本参数对结果的变化。gydF4y2Ba
动态规划的方法通常难以理解,它没有一个普遍的特性对于所有应用程序,而不是每个应用程序都有其结构。动态规划问题分为几个决策阶段;决定在某个阶段的结果影响接下来的决定在每一个阶段。有大量的计算,任何小错误会导致一个不正确的结果。gydF4y2Ba
事实上,没有通用的算法(如线性规划的单纯形法),可以通过编程来解决各种各样的应用程序。另外,没有代码包解决各种动态规划问题,如数学规划模型。gydF4y2Ba
克服这些困难发生在解决优化问题,metaheuristic程序起源于最近三十年。算法基于metaheuristic方法用于处理许多实际的应用程序,因为他们很简单,能够检测最优解附近,容易实现。它分为以下四类:gydF4y2Ba
进化算法(基于自然进化生物学和启发):许多metaheuristic算法受到这类进化编程等遗传算法(gydF4y2Ba
16gydF4y2Ba微分进化(),gydF4y2Ba
17gydF4y2Ba),和禁忌搜索gydF4y2Ba
18gydF4y2Ba]。gydF4y2Ba
群算法(基于社会性动物的行为(学院的鱼类、鸟类等)):群程序专门为解决更复杂的问题。使用粒子群优化(gydF4y2Ba
19gydF4y2Ba,蚁群gydF4y2Ba
20.gydF4y2Ba),和鲸鱼算法(gydF4y2Ba
21gydF4y2Ba在这一组。gydF4y2Ba
基于物理算法:杰出的管理法规的一种自然现象。模拟退火(gydF4y2Ba
22gydF4y2Ba)、和谐搜索(gydF4y2Ba
23gydF4y2Ba],水循环算法[gydF4y2Ba
24gydF4y2Ba)等的例子是基于物理技术。gydF4y2Ba
人性化的算法,这些算法依赖于人类行为或活动。基于人类的物理活动或非物质,这些技术被发明。很少有算法是基于人类的类别,例如,human-inspired算法(gydF4y2Ba
25gydF4y2Ba)和基于教学的优化(gydF4y2Ba
26gydF4y2Ba]。gydF4y2Ba
Metaheuristic算法已经应用于各个领域,实时解决问题。之间的比较研究进行了进化算法、禁忌搜索、模拟退火(gydF4y2Ba
27gydF4y2Ba),进化策略和遗传算法比较解决机械设计问题具有不同类型的约束(gydF4y2Ba
28gydF4y2Ba]。El-Qulity和默罕默德gydF4y2Ba
29日gydF4y2Ba)解决了高等教育入学问题使用非线性目标规划模型和整数决策变量使用修改后的微分进化算法。结果显示修改后的微分进化的健壮性和效率。除此之外,他们先进的版本的DE-based算法应用于解决许多实际应用(gydF4y2Ba
30.gydF4y2Ba- - - - - -gydF4y2Ba
41gydF4y2Ba]。戈麦斯(gydF4y2Ba
42gydF4y2Ba)解决了桁架质量优化问题与非线性动态约束使用粒子群过程。小王和WatadagydF4y2Ba
43gydF4y2Ba)解决实际生产配送位置情况包括模糊参数使用混合算法。Metaheuristic算法提供了简单和简单的方法来解决高维、非线性的复杂优化问题。由于算法简单,哈达德et al。gydF4y2Ba
18gydF4y2Ba)利用水循环的过程找到Karon-4水库系统的最优策略。进行比较评价,过程评估与遗传算法获得解决方案推导算法更为有效和可靠的。没有上述的算法解决电力传输站的经济调度问题。gydF4y2Ba
根据葛兰素史克的特点,因此,整数葛兰素史克(IGSK)基于算法寻找最优解决方案介绍了处理问题的决策变量非线性规划制定有整数。整数的决策变量,IGSK包含整数突变将整数转换为其最近的整数。它应用于初级和高级gaining-sharing阶段。拟议中的IGSK发达葛兰素史克是一个简单的修改处理非线性的问题制定经济调度的电力输电变电站。gydF4y2Ba
3所示。制定的数学模型问题gydF4y2Ba
3.1。已知的参数gydF4y2Ba
BgydF4y2Ba
ygydF4y2Ba
ngydF4y2Ba
=一个变电站的建设成本gydF4y2Ba
ygydF4y2Ba当购买gydF4y2Ba
ngydF4y2Ba变电站在那一年,这并不意味着产品价值gydF4y2Ba
BgydF4y2Ba
ygydF4y2Ba
ngydF4y2Ba
生产单位建筑成本通常是一个非线性函数的函数建立了变电站的数量gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
年gydF4y2Ba
ygydF4y2Ba,gydF4y2Ba
ygydF4y2Ba= 1,2,…gydF4y2Ba
NgydF4y2Ba
NgydF4y2Ba=数量的计划gydF4y2Ba
OgydF4y2Ba
ygydF4y2Ba
=年度运营和维护(运营管理)的成本一个变电站gydF4y2Ba
ygydF4y2Ba
dgydF4y2Ba
ygydF4y2Ba
=年度要求变电站gydF4y2Ba
ygydF4y2Ba,这个值主要取决于增加用电量每年由于新建筑和项目消耗电力gydF4y2Ba
米gydF4y2Ba
ygydF4y2Ba
=最大数量的变电站建在gydF4y2Ba
ygydF4y2Ba由于资源的约束。gydF4y2Ba
3.2。决策变量gydF4y2Ba
这个问题的决策变量确定变电站的数量建立在长期规划周期,每年用gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
,gydF4y2Ba
ygydF4y2Ba= 1,2,…gydF4y2Ba
NgydF4y2Ba。gydF4y2Ba
3.3。问题的约束gydF4y2Ba
3.3.1。资源约束gydF4y2Ba
变电站建设的最大数量gydF4y2Ba
ygydF4y2Ba的规划周期不应超过可用的资源。资源包括预算、专业的员工、设备、消耗材料:gydF4y2Ba
(1)gydF4y2Ba
0gydF4y2Ba
≤gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
≤gydF4y2Ba
米gydF4y2Ba
ygydF4y2Ba
,gydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
1、2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
NgydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
米gydF4y2Ba
ygydF4y2Ba
=最大数量的变电站建在gydF4y2Ba
ygydF4y2Ba,gydF4y2Ba
ygydF4y2Ba= 1,2,…gydF4y2Ba
NgydF4y2Ba。gydF4y2Ba
3.3.2。需求约束条件gydF4y2Ba
建立了变电站的累积数量到年gydF4y2Ba
ygydF4y2Ba应该大于或等于积累请求在所有前几年前那一年gydF4y2Ba
ygydF4y2Ba:gydF4y2Ba
(2)gydF4y2Ba
∑gydF4y2Ba
cgydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ygydF4y2Ba
xgydF4y2Ba
cgydF4y2Ba
≥gydF4y2Ba
∑gydF4y2Ba
cgydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ygydF4y2Ba
dgydF4y2Ba
cgydF4y2Ba
,gydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
1、2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
NgydF4y2Ba
。gydF4y2Ba
3.3.3。Nonnegativity和整数约束gydF4y2Ba
所有gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
非负整数:gydF4y2Ba
(3)gydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
1、2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
NgydF4y2Ba
。gydF4y2Ba
3.3.4。目标函数gydF4y2Ba
问题的最终目标是确定决策变量gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
3gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
NgydF4y2Ba
这样的建造和运营总成本电力传输/分配变电站的规划周期最小化,我们有gydF4y2Ba
(4)gydF4y2Ba
最小值gydF4y2Ba
zgydF4y2Ba
=gydF4y2Ba
∑gydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
NgydF4y2Ba
BgydF4y2Ba
ygydF4y2Ba
xgydF4y2Ba
⋅gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
+gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
⋅gydF4y2Ba
∑gydF4y2Ba
jgydF4y2Ba
=gydF4y2Ba
ygydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
NgydF4y2Ba
OgydF4y2Ba
jgydF4y2Ba
。gydF4y2Ba
定义gydF4y2Ba
BgydF4y2Ba
ygydF4y2Ba
xgydF4y2Ba
的函数gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
,那么目标将表单gydF4y2Ba
(5)gydF4y2Ba
最小值gydF4y2Ba
zgydF4y2Ba
=gydF4y2Ba
∑gydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
NgydF4y2Ba
fgydF4y2Ba
ygydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
⋅gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
+gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
⋅gydF4y2Ba
∑gydF4y2Ba
jgydF4y2Ba
=gydF4y2Ba
ygydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
NgydF4y2Ba
OgydF4y2Ba
jgydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
fgydF4y2Ba
ygydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
是一个函数的gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
,gydF4y2Ba
ygydF4y2Ba= 1,2,…gydF4y2Ba
NgydF4y2Ba。的关系gydF4y2Ba
fgydF4y2Ba
ygydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
和gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
是一个表的值代表了变电站的数量,每年的每一个成本的规划周期。在考虑一个变电站的成本逐年增加,虽然会有一些折扣购买更多的变电站,见下表gydF4y2Ba
1gydF4y2Ba,这表示这些数据。gydF4y2Ba
变电站的数量和单位建筑成本。gydF4y2Ba
| 变电站的数量gydF4y2Ba |
一个变电站的建设成本gydF4y2Ba |
| 第一年gydF4y2Ba |
第二年gydF4y2Ba |
一年gydF4y2Ba
ygydF4y2Ba |
…gydF4y2Ba |
一年gydF4y2Ba
NgydF4y2Ba |
|
1gydF4y2Ba |
BgydF4y2Ba
1gydF4y2Ba
1gydF4y2Ba
|
BgydF4y2Ba
2gydF4y2Ba
1gydF4y2Ba
|
BgydF4y2Ba
ygydF4y2Ba
1gydF4y2Ba
|
…gydF4y2Ba |
BgydF4y2Ba
NgydF4y2Ba
1gydF4y2Ba
|
|
2gydF4y2Ba |
BgydF4y2Ba
1gydF4y2Ba
2gydF4y2Ba
|
BgydF4y2Ba
2gydF4y2Ba
2gydF4y2Ba
|
BgydF4y2Ba
ygydF4y2Ba
2gydF4y2Ba
|
…gydF4y2Ba |
BgydF4y2Ba
NgydF4y2Ba
2gydF4y2Ba
|
|
3gydF4y2Ba |
BgydF4y2Ba
1gydF4y2Ba
3gydF4y2Ba
|
BgydF4y2Ba
2gydF4y2Ba
3gydF4y2Ba
|
BgydF4y2Ba
ygydF4y2Ba
3gydF4y2Ba
|
…gydF4y2Ba |
BgydF4y2Ba
NgydF4y2Ba
3gydF4y2Ba
|
|
…gydF4y2Ba |
…gydF4y2Ba |
…gydF4y2Ba |
…gydF4y2Ba |
…gydF4y2Ba |
…gydF4y2Ba |
|
…gydF4y2Ba |
…gydF4y2Ba |
…gydF4y2Ba |
…gydF4y2Ba |
…gydF4y2Ba |
…gydF4y2Ba |
|
NgydF4y2Ba |
BgydF4y2Ba
1gydF4y2Ba
ngydF4y2Ba
|
BgydF4y2Ba
2gydF4y2Ba
ngydF4y2Ba
|
BgydF4y2Ba
ygydF4y2Ba
ngydF4y2Ba
|
…gydF4y2Ba |
BgydF4y2Ba
NgydF4y2Ba
ngydF4y2Ba
|
它需要代表数据点表的集合gydF4y2Ba
1gydF4y2Ba为每年gydF4y2Ba
ygydF4y2Ba,gydF4y2Ba
ygydF4y2Ba= 1,2,…gydF4y2Ba
NgydF4y2Ba(1,gydF4y2Ba
BgydF4y2Ba
ygydF4y2Ba
1gydF4y2Ba
),(1,gydF4y2Ba
BgydF4y2Ba
ygydF4y2Ba
2gydF4y2Ba
),…,(1,gydF4y2Ba
BgydF4y2Ba
ygydF4y2Ba
ngydF4y2Ba
)和一个多项式的学位(gydF4y2Ba
ngydF4y2Ba−1),这可以通过使用一个适当的多项式插值计算机程序(gydF4y2Ba
44gydF4y2Ba]。存在这样的一个多项式,是独一无二的gydF4y2Ba
45gydF4y2Ba]。gydF4y2Ba
4所示。一个真正的应用案例研究gydF4y2Ba
吉达是沙特阿拉伯王国的第二大城市,它有一个非常重要的位置附近两个神圣的清真寺,与大量的商业、工业和建筑发展(图gydF4y2Ba
1gydF4y2Ba)。根据长期战略计划,吉达,人口预测预计将持续增加在未来。gydF4y2Ba
在沙特阿拉伯吉达城市的位置。gydF4y2Ba
![]()
在吉达沙特电力公司(SEC)正面临一个巨大的挑战,平衡所需的即将到来的需求和预算的可用性。证券交易委员会的主要问题是向公众提供足够的电力供应和在各个领域的行业在吉达城市。因为电力需求将超过电力耐力直接定比例增长的人口和建筑环境的扩大,广泛SEC必须加强网络在这些领域新变电站的安装。gydF4y2Ba
所需数量的电力传输/分配变电站长期时间即将到来的十年预计每年根据电力总消费,然后定义变电站所需的数量。gydF4y2Ba
有许多影响问题的配方参数,这些参数gydF4y2Ba
变电站建设成本的初始值gydF4y2Ba
变电站建筑成本每年增加的百分比gydF4y2Ba
的百分比折扣购买多个变电站gydF4y2Ba
初始值的操作成本gydF4y2Ba
运营成本每年增加的百分比gydF4y2Ba
应向证券交易委员会提供一个系统的过程到达最优决策的变电站建成每年在计划未来10年的时间。gydF4y2Ba
每年要求变电站在接下来的10年gydF4y2Ba
dgydF4y2Ba
ygydF4y2Ba
= 3,1、3、3、2、2、2、3,3,3。第一年一个变电站的建设成本gydF4y2Ba
BgydF4y2Ba
1gydF4y2Ba
1gydF4y2Ba
估计是5000万沙特里亚尔(SR)和假设未来10年每年增加7%;有5%的折扣,2建立变电站为10%,3变电站所有年的计划。操作和维护成本gydF4y2Ba
OgydF4y2Ba
ygydF4y2Ba
从300万年开始SR在第一年和未来10年每年增加7%。gydF4y2Ba
表gydF4y2Ba
2gydF4y2Ba代表一个变电站的建筑成本在未来10年内采购1,2,3变电站的最大数量可能建立变电站由于资源的约束。桌子上也代表了每年的需求gydF4y2Ba
dgydF4y2Ba
ygydF4y2Ba
,每年积累的需求gydF4y2Ba
DgydF4y2Ba
ygydF4y2Ba
(运营管理),操作和维护成本gydF4y2Ba
OgydF4y2Ba
ygydF4y2Ba
和累积的各项成本gydF4y2Ba
∑gydF4y2Ba
OgydF4y2Ba
ygydF4y2Ba
10年即将到来的gydF4y2Ba
(6)gydF4y2Ba
DgydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
∑gydF4y2Ba
cgydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
ygydF4y2Ba
dgydF4y2Ba
cgydF4y2Ba
,gydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
1、2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
NgydF4y2Ba
,gydF4y2Ba
∑gydF4y2Ba
OgydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
∑gydF4y2Ba
jgydF4y2Ba
=gydF4y2Ba
ygydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
10gydF4y2Ba
OgydF4y2Ba
jgydF4y2Ba
,gydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
1、2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
NgydF4y2Ba
。gydF4y2Ba
一个变电站建设和运营管理成本在不同的年。gydF4y2Ba
以下数学模型根据给定的数据获得的案例研究。gydF4y2Ba
4.1。资源约束gydF4y2Ba
只允许的最大可用的资源gydF4y2Ba
米gydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
3gydF4y2Ba
变电站建设在规划周期的任何一年。应用公式(gydF4y2Ba
1gydF4y2Ba),然后我们有gydF4y2Ba
(7)gydF4y2Ba
0gydF4y2Ba
≤gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
≤gydF4y2Ba
3gydF4y2Ba
,gydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
1、2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
10。gydF4y2Ba
4.2。需求约束条件gydF4y2Ba
建立了变电站的累积数量到年gydF4y2Ba
ygydF4y2Ba应该大于或等于积累的需求在所有前几年前那一年gydF4y2Ba
y。gydF4y2Ba应用公式(gydF4y2Ba
2gydF4y2Ba),然后我们有gydF4y2Ba
1年,gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
≥gydF4y2Ba
3gydF4y2Ba
(第一年要求变电站)gydF4y2Ba
2年后,gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
+gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
≥gydF4y2Ba
4gydF4y2Ba
(累积的数量要求变电站在前2年)gydF4y2Ba
3年,gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
+gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
+gydF4y2Ba
xgydF4y2Ba
3gydF4y2Ba
≥gydF4y2Ba
7gydF4y2Ba
(积累了第一个3年)的要求变电站数量等等在接下来的几年gydF4y2Ba
4.3。整数约束gydF4y2Ba
应用公式(gydF4y2Ba
3gydF4y2Ba),然后我们有gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
3gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
10gydF4y2Ba
为整数≥0。gydF4y2Ba
4.4。目标函数gydF4y2Ba
一个合适的软件包,MyCurveFit [gydF4y2Ba
46gydF4y2Ba),用于插入一个二次多项式公式(gydF4y2Ba
5gydF4y2Ba)每年变电站的折扣价格。图gydF4y2Ba
2gydF4y2Ba介绍了数据输入屏幕和插值第一年的输出数据点在哪里(50.0)、(47.5),和45.0(3),第一年的数据表所示gydF4y2Ba
2gydF4y2Ba。获得的多项式方程(52.5 - -2.5gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
)和其他多项式方程获得了提到的其他年使用电脑包。gydF4y2Ba
的数据输入和输出屏幕MyCurveFit软件。gydF4y2Ba
![]()
![]()
所有获得的10年的曲线拟合和取代形成目标函数如下:gydF4y2Ba
(8)gydF4y2Ba
最小值gydF4y2Ba
zgydF4y2Ba
=gydF4y2Ba
∑gydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
10gydF4y2Ba
fgydF4y2Ba
ygydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
⋅gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
+gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
⋅gydF4y2Ba
∑gydF4y2Ba
jgydF4y2Ba
=gydF4y2Ba
ygydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
10gydF4y2Ba
OgydF4y2Ba
jgydF4y2Ba
=gydF4y2Ba
52.5gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
−gydF4y2Ba
2.5gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
2gydF4y2Ba
+gydF4y2Ba
38.38gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
+gydF4y2Ba
56.16gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
2.655gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
0.005gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
3gydF4y2Ba
+gydF4y2Ba
35.17gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
+gydF4y2Ba
+gydF4y2Ba
60.11gydF4y2Ba
xgydF4y2Ba
3gydF4y2Ba
−gydF4y2Ba
2.86gydF4y2Ba
xgydF4y2Ba
3gydF4y2Ba
2gydF4y2Ba
+gydF4y2Ba
31.74gydF4y2Ba
xgydF4y2Ba
3gydF4y2Ba
+gydF4y2Ba
64.31gydF4y2Ba
xgydF4y2Ba
4gydF4y2Ba
−gydF4y2Ba
3.06gydF4y2Ba
xgydF4y2Ba
4gydF4y2Ba
2gydF4y2Ba
+gydF4y2Ba
28.06gydF4y2Ba
xgydF4y2Ba
4gydF4y2Ba
+gydF4y2Ba
+gydF4y2Ba
68.80gydF4y2Ba
xgydF4y2Ba
5gydF4y2Ba
−gydF4y2Ba
3.255gydF4y2Ba
xgydF4y2Ba
5gydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
0.005gydF4y2Ba
xgydF4y2Ba
5gydF4y2Ba
3gydF4y2Ba
+gydF4y2Ba
24.13gydF4y2Ba
xgydF4y2Ba
5gydF4y2Ba
+gydF4y2Ba
+gydF4y2Ba
73.62gydF4y2Ba
xgydF4y2Ba
6gydF4y2Ba
−gydF4y2Ba
3.485gydF4y2Ba
xgydF4y2Ba
6gydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
0.005gydF4y2Ba
xgydF4y2Ba
6gydF4y2Ba
3gydF4y2Ba
+gydF4y2Ba
19.92gydF4y2Ba
xgydF4y2Ba
6gydF4y2Ba
+gydF4y2Ba
+gydF4y2Ba
78.79gydF4y2Ba
xgydF4y2Ba
7gydF4y2Ba
−gydF4y2Ba
3.75gydF4y2Ba
xgydF4y2Ba
7gydF4y2Ba
2gydF4y2Ba
+gydF4y2Ba
15.42gydF4y2Ba
xgydF4y2Ba
7gydF4y2Ba
+gydF4y2Ba
84.29gydF4y2Ba
xgydF4y2Ba
8gydF4y2Ba
−gydF4y2Ba
3.99gydF4y2Ba
xgydF4y2Ba
8gydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
0.005gydF4y2Ba
xgydF4y2Ba
8gydF4y2Ba
3gydF4y2Ba
+gydF4y2Ba
10.67gydF4y2Ba
xgydF4y2Ba
8gydF4y2Ba
+gydF4y2Ba
+gydF4y2Ba
90.19gydF4y2Ba
xgydF4y2Ba
9gydF4y2Ba
−gydF4y2Ba
4.275gydF4y2Ba
xgydF4y2Ba
9gydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
0.005gydF4y2Ba
xgydF4y2Ba
9gydF4y2Ba
3gydF4y2Ba
+gydF4y2Ba
5.52gydF4y2Ba
xgydF4y2Ba
9gydF4y2Ba
+gydF4y2Ba
96.5gydF4y2Ba
xgydF4y2Ba
10gydF4y2Ba
−gydF4y2Ba
4.575gydF4y2Ba
xgydF4y2Ba
10gydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
0.005gydF4y2Ba
xgydF4y2Ba
10gydF4y2Ba
3gydF4y2Ba
=gydF4y2Ba
90.88gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
−gydF4y2Ba
2.5gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
2gydF4y2Ba
+gydF4y2Ba
91.33gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
2.655gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
0.005gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
3gydF4y2Ba
+gydF4y2Ba
91.85gydF4y2Ba
xgydF4y2Ba
3gydF4y2Ba
−gydF4y2Ba
2.86gydF4y2Ba
xgydF4y2Ba
3gydF4y2Ba
2gydF4y2Ba
+gydF4y2Ba
+gydF4y2Ba
92.37gydF4y2Ba
xgydF4y2Ba
4gydF4y2Ba
−gydF4y2Ba
3.06gydF4y2Ba
xgydF4y2Ba
4gydF4y2Ba
2gydF4y2Ba
+gydF4y2Ba
92.93gydF4y2Ba
xgydF4y2Ba
5gydF4y2Ba
−gydF4y2Ba
3.255gydF4y2Ba
xgydF4y2Ba
5gydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
0.005gydF4y2Ba
xgydF4y2Ba
5gydF4y2Ba
3gydF4y2Ba
+gydF4y2Ba
+gydF4y2Ba
93.54gydF4y2Ba
xgydF4y2Ba
6gydF4y2Ba
−gydF4y2Ba
3.485gydF4y2Ba
xgydF4y2Ba
6gydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
0.005gydF4y2Ba
xgydF4y2Ba
6gydF4y2Ba
3gydF4y2Ba
+gydF4y2Ba
94.21gydF4y2Ba
xgydF4y2Ba
7gydF4y2Ba
−gydF4y2Ba
3.75gydF4y2Ba
xgydF4y2Ba
7gydF4y2Ba
2gydF4y2Ba
+gydF4y2Ba
+gydF4y2Ba
94.96gydF4y2Ba
xgydF4y2Ba
8gydF4y2Ba
−gydF4y2Ba
3.99gydF4y2Ba
xgydF4y2Ba
8gydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
0.005gydF4y2Ba
xgydF4y2Ba
8gydF4y2Ba
3gydF4y2Ba
+gydF4y2Ba
95.71gydF4y2Ba
xgydF4y2Ba
9gydF4y2Ba
−gydF4y2Ba
4.275gydF4y2Ba
xgydF4y2Ba
9gydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
0.005gydF4y2Ba
xgydF4y2Ba
9gydF4y2Ba
3gydF4y2Ba
+gydF4y2Ba
96.5gydF4y2Ba
xgydF4y2Ba
10gydF4y2Ba
−gydF4y2Ba
4.575gydF4y2Ba
xgydF4y2Ba
10gydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
0.005gydF4y2Ba
xgydF4y2Ba
10gydF4y2Ba
3gydF4y2Ba
。gydF4y2Ba
5。方法gydF4y2Ba
这部分代表规定的方法用于解决问题。部分gydF4y2Ba
5.1gydF4y2Ba给出了算法的详细描述IGSK和部分gydF4y2Ba
5.2gydF4y2Ba描述了约束处理方法。gydF4y2Ba
5.1。整数Gaining-Sharing知识优化算法(IGSK)gydF4y2Ba
IGSK建议处理整数决策变量。葛兰素史克算法修改与整数突变导致新的整数Gaining-Sharing知识的发展——基于(IGSK)的优化算法。整数变量处理操作符,例如,gydF4y2Ba
轮gydF4y2Ba
一个gydF4y2Ba
,这轮数gydF4y2Ba
一个gydF4y2Ba
到最近的整数。IGSK的数学公式描述如下。gydF4y2Ba
步骤1:最初,人的号码是假定NOP(人口)的数量。让gydF4y2Ba
xgydF4y2Ba
我gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1、2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
NOPgydF4y2Ba
是一个被定义为个人gydF4y2Ba
xgydF4y2Ba
我gydF4y2Ba
jgydF4y2Ba
=gydF4y2Ba
xgydF4y2Ba
我gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
我gydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
idgydF4y2Ba
,在那里gydF4y2Ba
dgydF4y2Ba是纪律的计数字段和gydF4y2Ba
fgydF4y2Ba
我gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1、2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
NOPgydF4y2Ba
对应的目标函数值。生成初始种群gydF4y2Ba
(9)gydF4y2Ba
xgydF4y2Ba
我gydF4y2Ba
jgydF4y2Ba
=gydF4y2Ba
轮gydF4y2Ba
lgydF4y2Ba
bgydF4y2Ba
+gydF4y2Ba
兰德gydF4y2Ba
∗gydF4y2Ba
ugydF4y2Ba
bgydF4y2Ba
−gydF4y2Ba
lgydF4y2Ba
bgydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
乌兰巴托gydF4y2Ba和gydF4y2Ba
磅gydF4y2Ba和代表最顶层和限制的优化任务。gydF4y2Ba
步骤2:在开始寻找解决方案,初级或高级阶段的尺寸必须设置。维度的数量应该改变或更新在两阶段应该通过增加和减少公式计算:gydF4y2Ba
(10)gydF4y2Ba
dgydF4y2Ba
初级gydF4y2Ba
=gydF4y2Ba
dgydF4y2Ba
×gydF4y2Ba
1gydF4y2Ba
−gydF4y2Ba
GgydF4y2Ba
创gydF4y2Ba
kgydF4y2Ba
,gydF4y2Ba
dgydF4y2Ba
高级gydF4y2Ba
=gydF4y2Ba
dgydF4y2Ba
−gydF4y2Ba
dgydF4y2Ba
初级gydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
kgydF4y2Ba是知识因素和积极的实数控制知识,gydF4y2Ba
创gydF4y2Ba是最高的数代,gydF4y2Ba
GgydF4y2Ba代表着一代又一代的数量。gydF4y2Ba
步骤3(初级获得和分享阶段):它认为在初学者的知识从他们的朋友、家人等等,和与他人分享他们的观点可能会或可能不会属于自己的网络。这个阶段进一步考虑两个子阶段如下:gydF4y2Ba
个人被安排与参考目标函数的值在一个提升的方式:gydF4y2Ba
xgydF4y2Ba
最好的gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
我gydF4y2Ba
−gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
我gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
我gydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
最糟糕的gydF4y2Ba
为每个单独的gydF4y2Ba
xgydF4y2Ba
我gydF4y2Ba
,gydF4y2Ba
选择两个最近的最好gydF4y2Ba
xgydF4y2Ba
我gydF4y2Ba
−gydF4y2Ba
1gydF4y2Ba
和最差gydF4y2Ba
xgydF4y2Ba
我gydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
个人获取知识,然后随机选择另一个人gydF4y2Ba
xgydF4y2Ba
rgydF4y2Ba
分享他们的知识。因此,个体更新在以下方式,算法1(图gydF4y2Ba
3gydF4y2Ba)。gydF4y2Ba
步骤4 (GSK高级阶段):这个阶段涉及他人的影响和影响一个人。因此,每个人可以通过安排更新相关的个人目标函数的值升序排序。他们分为三种类别是最好的,中间,或者坏的人:gydF4y2Ba
最佳个人:gydF4y2Ba
One hundred.gydF4y2Ba
pgydF4y2Ba
%gydF4y2Ba
xgydF4y2Ba
pbgydF4y2Ba
中间个人:gydF4y2Ba
dgydF4y2Ba
−gydF4y2Ba
2gydF4y2Ba
×gydF4y2Ba
One hundred.gydF4y2Ba
pgydF4y2Ba
%gydF4y2Ba
xgydF4y2Ba
米gydF4y2Ba
最糟糕的人:gydF4y2Ba
One hundred.gydF4y2Ba
pgydF4y2Ba
%gydF4y2Ba
xgydF4y2Ba
pwgydF4y2Ba
在哪里gydF4y2Ba
pgydF4y2Ba
∈gydF4y2Ba
0 1gydF4y2Ba
最好和最差的比例是类。gydF4y2Ba
初级葛兰素史克的伪代码阶段。gydF4y2Ba
![]()
分类后,从顶部和底部选择两个随机向量gydF4y2Ba
One hundred.gydF4y2Ba
pgydF4y2Ba
%gydF4y2Ba
个人获得的知识,分享知识选择第三个向量从中间的个体gydF4y2Ba
dgydF4y2Ba
−gydF4y2Ba
2gydF4y2Ba
×gydF4y2Ba
One hundred.gydF4y2Ba
pgydF4y2Ba
%gydF4y2Ba
。gydF4y2Ba
个人通过伪代码(图更新gydF4y2Ba
4gydF4y2Ba)和IGSK是在算法的流程图2(图gydF4y2Ba
5gydF4y2Ba)。gydF4y2Ba
伪代码为高级葛兰素史克阶段。gydF4y2Ba
![]()
IGSK的流程图。gydF4y2Ba
![]()
5.2。约束处理方法gydF4y2Ba
解决约束优化问题,一些技术已经应用于metaheuristic算法(gydF4y2Ba
47gydF4y2Ba- - - - - -gydF4y2Ba
49gydF4y2Ba]。其中,维护解决方案的可行性和处罚方法是最常见的和受欢迎的方法。然而,有一些这些约束处理技术的优点和缺点。最常见的方法与metaheuristic算法是惩罚的方法(gydF4y2Ba
50gydF4y2Ba]。在惩罚方法中,一个约束优化问题转化为一个无约束最优化问题,实施处罚不可行的解决方案(gydF4y2Ba
51gydF4y2Ba]。通常,没有可微的罚函数,它是这种方法的主要缺点gydF4y2Ba
52gydF4y2Ba]。此外,他们还需要合适的惩罚因子估计处罚的程度。介绍了几种方法来找到合适的死刑惩罚等因素,静态的点球,自适应惩罚和动态惩罚(gydF4y2Ba
53gydF4y2Ba]。另一种方法是拉格朗日乘数法是基于Kuhn-Tucker条件。几项研究已经使用:增广拉格朗日方法(ALM) metaheuristic算法。Bahreininejad [gydF4y2Ba
54gydF4y2Ba]介绍了水循环ALM算法和实时解决问题。在解决现实问题,使用ALM metaheuristic算法。为了解决结构优化问题,埃德里和程gydF4y2Ba
55gydF4y2Ba在ALM)提出了一种混合遗传算法。为了优化钢结构,Sarma和埃德里gydF4y2Ba
56gydF4y2Ba与遗传算法模糊ALM使用。长等。gydF4y2Ba
57gydF4y2Ba]使用ALM和微分进化算法来处理工程问题的约束。Mallipeddi和SuganthangydF4y2Ba
58gydF4y2Ba)使用四种不同的约束处理技术来解决约束优化问题。gydF4y2Ba
在这项研究中,使用ALM,就像惩罚的方法。在ALM,一个无约束最优化配方取代了约束优化配方的点球前与拉格朗日乘子目标函数参数。假设给定的约束优化问题如下:gydF4y2Ba
(11)gydF4y2Ba
最小值gydF4y2Ba
=gydF4y2Ba
fgydF4y2Ba
XgydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
XgydF4y2Ba
=gydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
dgydF4y2Ba
,gydF4y2Ba
受到gydF4y2Ba
(12)gydF4y2Ba
ggydF4y2Ba
我gydF4y2Ba
XgydF4y2Ba
≤gydF4y2Ba
0gydF4y2Ba
,gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1、2gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
米gydF4y2Ba
。gydF4y2Ba
ALM方法应用到这个问题时,更改为一个无约束优化如下:gydF4y2Ba
(13)gydF4y2Ba
最小值gydF4y2Ba
=gydF4y2Ba
fgydF4y2Ba
XgydF4y2Ba
+gydF4y2Ba
µgydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
米gydF4y2Ba
ggydF4y2Ba
我gydF4y2Ba
XgydF4y2Ba
2gydF4y2Ba
−gydF4y2Ba
λgydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
米gydF4y2Ba
ggydF4y2Ba
我gydF4y2Ba
XgydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
µgydF4y2Ba是惩罚参数,gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
米gydF4y2Ba
ggydF4y2Ba
我gydF4y2Ba
XgydF4y2Ba
2gydF4y2Ba
二次点球,gydF4y2Ba
λgydF4y2Ba是拉格朗日乘子。的方程,gydF4y2Ba
µgydF4y2Ba和gydF4y2Ba
λgydF4y2Ba选择以这样的方式呢gydF4y2Ba
λgydF4y2Ba可以保持小保持战略距离患病状况。ALM的优点是,它降低了疾病的能力条件发生在惩罚的方法。gydF4y2Ba
6。计算结果gydF4y2Ba
IGSK提出的问题已经解决了,比较评价,问题也解决了最受欢迎的和著名的微分进化(DE)算法即。gydF4y2Ba
17gydF4y2Ba)和粒子群优化(PSO) (gydF4y2Ba
19gydF4y2Ba]。算法运行在个人电脑国米®CoreTM i5 - 7200 u @ 2.50 GHz CPU和4 GB RAM。算法在MATLAB R2015a编码和测试30多个独立运行。IGSK和比较算法的参数值表gydF4y2Ba
3gydF4y2Ba在整个过程中,结果指出。结果展示在表gydF4y2Ba
4gydF4y2Ba最低、平均、最大和平均目标函数值和标准差。客观价值的收敛图的迭代数量如图gydF4y2Ba
6gydF4y2Ba。gydF4y2Ba
数值的参数。gydF4y2Ba
| 参数gydF4y2Ba |
认为是值gydF4y2Ba |
| NOPgydF4y2Ba |
One hundred.gydF4y2Ba |
|
kgydF4y2Ba
fgydF4y2Ba
|
0.5gydF4y2Ba |
|
kgydF4y2Ba
rgydF4y2Ba
|
0.9gydF4y2Ba |
|
KgydF4y2Ba |
10gydF4y2Ba |
|
PgydF4y2Ba |
0.1gydF4y2Ba |
| 最大迭代gydF4y2Ba |
One hundred.gydF4y2Ba |
|
μgydF4y2Ba
|
10gydF4y2Ba
2gydF4y2Ba
|
|
λgydF4y2Ba
|
−gydF4y2Ba
10gydF4y2Ba
4gydF4y2Ba
|
| 下界DE的比例因子gydF4y2Ba |
0.1gydF4y2Ba |
| 上界DE的比例因子gydF4y2Ba |
0.9gydF4y2Ba |
| 交叉概率为德gydF4y2Ba |
0.75gydF4y2Ba |
| 常量gydF4y2Ba
cgydF4y2Ba
1gydF4y2Ba
的算法gydF4y2Ba |
1。5gydF4y2Ba |
| 常数gydF4y2Ba
cgydF4y2Ba
2gydF4y2Ba
的算法gydF4y2Ba |
1。5gydF4y2Ba |
统计分析获得问题的解决方案。gydF4y2Ba
| 算法gydF4y2Ba |
最小的(最好的)gydF4y2Ba |
中位数gydF4y2Ba |
的意思是gydF4y2Ba |
最大(坏的)gydF4y2Ba |
圣偏差gydF4y2Ba |
| IGSKgydF4y2Ba |
2083.425gydF4y2Ba |
2083.425gydF4y2Ba |
2083.425gydF4y2Ba |
2083.425gydF4y2Ba |
0gydF4y2Ba |
| 德gydF4y2Ba |
2083.425gydF4y2Ba |
2085.26gydF4y2Ba |
2085.342gydF4y2Ba |
2087.365gydF4y2Ba |
1.086513gydF4y2Ba |
| 算法gydF4y2Ba |
2083.68gydF4y2Ba |
2083.955gydF4y2Ba |
2083.342gydF4y2Ba |
2083.955gydF4y2Ba |
0.173704gydF4y2Ba |
收敛图的问题。gydF4y2Ba
![]()
它是观察表gydF4y2Ba
4gydF4y2Ba解决方案使用IGSK作为约束最优可行满意。中值,意思是,最好和最差的客观价值=获得值,描述了IGSK的高鲁棒性。此外,图gydF4y2Ba
5gydF4y2Ba显示IGSK与其他优化的收敛结果达到最优值在计算的迭代。它可以推断IGSK是一种有效的算法的快速收敛,在检测最优解的能力,鲁棒性。gydF4y2Ba
最优数量的变电站和积累的建立如表所示gydF4y2Ba
5gydF4y2Ba。老的总成本最优的解决方案是表gydF4y2Ba
5gydF4y2Ba也显示了要求和积累要求变电站的数量。gydF4y2Ba
要求和案例研究的最佳解决方案。gydF4y2Ba
图gydF4y2Ba
7gydF4y2Ba代表了变电站的累积数量根据获得的最优解,并积累的数量要求变电站。正如图中所看到的,是有区别的两个图,按照给出的总成本最优解2083425000沙特里亚尔(SR)的总成本和使用协议所需的构造相同数量的变电站在SR 2104355000每年。总成本节约超过SR 2000万只供一个城市(吉达)可能计数为全国数亿SR。gydF4y2Ba
累计数量的要求,建立了变电站。gydF4y2Ba
![]()
使用的案例研究中,问题的最终目标是确定决策变量的值,这样建造和运营电力传输的总成本/配电变电站的规划周期最小化。决策变量代表的数量每年变电站建成gydF4y2Ba
ygydF4y2Ba在长期的规划周期,gydF4y2Ba
ygydF4y2Ba= 1,2,…gydF4y2Ba
NgydF4y2Ba。他们被指示为gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
,gydF4y2Ba
ygydF4y2Ba= 1,2,…gydF4y2Ba
NgydF4y2Ba
xgydF4y2Ba
1gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
3gydF4y2Ba
,gydF4y2Ba
…gydF4y2Ba
,gydF4y2Ba
xgydF4y2Ba
NgydF4y2Ba
,我们有gydF4y2Ba
(14)gydF4y2Ba
最小化gydF4y2Ba
zgydF4y2Ba
=gydF4y2Ba
∑gydF4y2Ba
ygydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
NgydF4y2Ba
BgydF4y2Ba
ygydF4y2Ba
xgydF4y2Ba
⋅gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
+gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
⋅gydF4y2Ba
∑gydF4y2Ba
jgydF4y2Ba
=gydF4y2Ba
ygydF4y2Ba
+gydF4y2Ba
1gydF4y2Ba
NgydF4y2Ba
OgydF4y2Ba
jgydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
BgydF4y2Ba
ygydF4y2Ba
xgydF4y2Ba
是一个函数的gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
,gydF4y2Ba
BgydF4y2Ba
ygydF4y2Ba
ngydF4y2Ba
=一个变电站的建设成本gydF4y2Ba
ygydF4y2Ba当购买gydF4y2Ba
ngydF4y2Ba变电站在那一年,这个值并不意味着产品,gydF4y2Ba
BgydF4y2Ba
ygydF4y2Ba
ngydF4y2Ba
生产单位建筑成本通常是一个非线性函数的函数建立了变电站的数量gydF4y2Ba
xgydF4y2Ba
ygydF4y2Ba
年gydF4y2Ba
ygydF4y2Ba,gydF4y2Ba
ygydF4y2Ba= 1,2,…gydF4y2Ba
NgydF4y2Ba,gydF4y2Ba
NgydF4y2Ba=数量的计划。gydF4y2Ba
OgydF4y2Ba
ygydF4y2Ba
=年度运营和维护(运营管理)的成本一个变电站gydF4y2Ba
ygydF4y2Ba。gydF4y2Ba
给定的参数的值gydF4y2Ba
BgydF4y2Ba
ygydF4y2Ba
xgydF4y2Ba
和gydF4y2Ba
OgydF4y2Ba
ygydF4y2Ba
,总建设和运营成本的规划周期达到数十亿沙特里亚尔的顺序。总成本变化的顺序数以百万计的沙特里亚尔取决于电力变电站的数量每年建成规划周期。见得到解决方案,是有区别的相关成本最优的解决方案和相关的使用协议。后的总成本最优解2083425000沙特里亚尔(SR)和总成本的使用协议构建所需的相同数量的变电站在SR 2104355000每年。总成本节约超过SR 2000万只供一个城市(吉达),这可能有价值数亿SR对整个国家来说,这表明,该算法在特定的问题。gydF4y2Ba
7所示。为未来的研究结论和观点gydF4y2Ba
电力站的建设和运营的总成本在十年的长期规划的时间优化每年通过确定最优站建设。每年的决策变量代表站安装。每年需求的约束和资源约束。gydF4y2Ba
制定目标函数问题的各种价格折扣电力变电站是插入一个多项式函数表的点代表的价格和数量每年站在规划周期。gydF4y2Ba
提出问题是解决使用整数获得知识共享——基于(IGSK)的优化算法。结果清楚地表明,IGSK给所有运行的最优解一致。IGSK收敛图的建立,IGSK快速收敛到最优解,需要非常少(2.03秒)计算时间。优化变电站的建设成本每年是2083425000沙特里亚尔(SR)和变电站的数量(3,1,3,3,3,3,0,3,3,3)。gydF4y2Ba
总成本的使用协议构建所需的相同数量的变电站在每年SR2, 104, 355, 000。总成本节约SR20百万以上。gydF4y2Ba
作为未来的研究,提出了以下几点:gydF4y2Ba
将模型应用到其他城市和地区的国家和构建一个全面的模型对整个沙特阿拉伯和其他国家gydF4y2Ba
执行参数分析来评估可能的变化因素对问题得到解决方案gydF4y2Ba
探讨在调度时间货币价值的变化gydF4y2Ba
建立一个DSS协助经理寻找最佳解决类似的问题gydF4y2Ba
本研究可以被认为是作为规划和调度的基础其他基础设施,如电力、电信、水和污水基于一种分析过程gydF4y2Ba
开发替代自适应gaining-sharing以知识为基础的算法gydF4y2Ba
目前的方法应用于其他真实的知识问题的解决方案gydF4y2Ba
数据可用性gydF4y2Ba
没有数据被用来支持本研究。gydF4y2Ba
的利益冲突gydF4y2Ba
作者宣称没有利益冲突声明。gydF4y2Ba
作者的贡献gydF4y2Ba
阿里·哈桑说,哈立德Alnowibet,布勒Agrawal, Ali Mohamed同样为研究做出了贡献。gydF4y2Ba
确认gydF4y2Ba
这项研究是由在沙特国王大学研究支持计划,利雅得,沙特阿拉伯。gydF4y2Ba
[
联合国的网站gydF4y2Ba
世界人口预计将达到97亿,到2050年,联合国gydF4y2Ba
2020年gydF4y2Ba
英国伦敦gydF4y2Ba
经济和社会事务部(DESA)gydF4y2Ba
]
[
AvtargydF4y2Ba
R。gydF4y2Ba
特里帕西gydF4y2Ba
年代。gydF4y2Ba
AggarwalgydF4y2Ba
答:K。gydF4y2Ba
库马尔gydF4y2Ba
P。gydF4y2Ba
Population-urbanization-energy关系:一个回顾gydF4y2Ba
资源gydF4y2Ba
2019年gydF4y2Ba
8gydF4y2Ba
3gydF4y2Ba
136年gydF4y2Ba
10.3390 / resources8030136gydF4y2Ba
2 - s2.0 - 85071222080gydF4y2Ba
]
[
角gydF4y2Ba
E。gydF4y2Ba
裤子gydF4y2Ba
R。gydF4y2Ba
查克gydF4y2Ba
年代。gydF4y2Ba
大厅gydF4y2Ba
j·W。gydF4y2Ba
理解业务中断和电力故障和洪水造成的经济损失gydF4y2Ba
国际灾害风险科学杂志》上gydF4y2Ba
2019年gydF4y2Ba
10gydF4y2Ba
421年gydF4y2Ba
438年gydF4y2Ba
]
[
默罕默德gydF4y2Ba
答:W。gydF4y2Ba
哈迪gydF4y2Ba
答:一个。gydF4y2Ba
默罕默德gydF4y2Ba
答:K。gydF4y2Ba
Gaining-sharing知识基础算法求解优化问题:小说表面的算法gydF4y2Ba
国际期刊的机器学习和控制论gydF4y2Ba
2020年gydF4y2Ba
11gydF4y2Ba
1501年gydF4y2Ba
1529年gydF4y2Ba
]
[
Al-SalehgydF4y2Ba
Y。gydF4y2Ba
塔勒布gydF4y2Ba
H。gydF4y2Ba
沙特阿拉伯的可再生能源的选择:太阳能光伏发电的经济可行性在住宅领域gydF4y2Ba
《圆柱国际会议gydF4y2Ba
2009年gydF4y2Ba
英国剑桥gydF4y2Ba
]
[
拜尔gydF4y2Ba
大肠。gydF4y2Ba
CoxongydF4y2Ba
G。gydF4y2Ba
更自由的gydF4y2Ba
J。gydF4y2Ba
大厅gydF4y2Ba
j·W。gydF4y2Ba
干旱和气候变化对冷却水源短缺和电力价格的影响在英国gydF4y2Ba
自然通讯gydF4y2Ba
2020年gydF4y2Ba
11gydF4y2Ba
2239年gydF4y2Ba
]
[
胶凝gydF4y2Ba
c·W。gydF4y2Ba
巴伦gydF4y2Ba
w . L。gydF4y2Ba
张伯伦gydF4y2Ba
j . H。gydF4y2Ba
法鲁基gydF4y2Ba
一个。gydF4y2Ba
史密斯gydF4y2Ba
b。gydF4y2Ba
为电力公司需求预测gydF4y2Ba
1992年gydF4y2Ba
美国LibborngydF4y2Ba
费尔蒙特出版社公司。gydF4y2Ba
]
[
口头gydF4y2Ba
a·G。gydF4y2Ba
EsmaeilgydF4y2Ba
O。gydF4y2Ba
MuthusamigydF4y2Ba
J。gydF4y2Ba
巴顿gydF4y2Ba
一个。gydF4y2Ba
AtiyagydF4y2Ba
答:F。gydF4y2Ba
一个智能的发展长期电力负荷预测系统”,智能系统应用电力系统gydF4y2Ba
ISAP国际会议的程序gydF4y2Ba
2009年gydF4y2Ba
英国剑桥gydF4y2Ba
288年gydF4y2Ba
292年gydF4y2Ba
]
[
陆gydF4y2Ba
f . C。gydF4y2Ba
许gydF4y2Ba
Y Y。gydF4y2Ba
无功/电压控制在一个分布变电站使用动态编程gydF4y2Ba
IEE诉讼,发电,输电和供电gydF4y2Ba
1995年gydF4y2Ba
142年gydF4y2Ba
6gydF4y2Ba
639年gydF4y2Ba
645年gydF4y2Ba
]
[
益鑫gydF4y2Ba
Y。gydF4y2Ba
王gydF4y2Ba
C。gydF4y2Ba
ShaoyungydF4y2Ba
G。gydF4y2Ba
肖gydF4y2Ba
J。gydF4y2Ba
严gydF4y2Ba
X。gydF4y2Ba
黄gydF4y2Ba
C。gydF4y2Ba
城市分布规划模型和方法gydF4y2Ba
2000年gydF4y2Ba
佤邦珀斯,澳大利亚gydF4y2Ba
天津大学电气与自动化工程学院gydF4y2Ba
]
[
NagasakagydF4y2Ba
K。gydF4y2Ba
Al-MamungydF4y2Ba
M。gydF4y2Ba
长期的高峰需求预测9日本电力公司使用径向基函数网络gydF4y2Ba
IEEE电力工程学会大会gydF4y2Ba
2004年gydF4y2Ba
1gydF4y2Ba
315年gydF4y2Ba
322年gydF4y2Ba
]
[
阿尔哈姆迪gydF4y2Ba
美国年代。gydF4y2Ba
调度的动态规划模型与参数研究电力输电/配电变电站的建设在城市吉达gydF4y2Ba
2010年gydF4y2Ba
吉达gydF4y2Ba
工业工程系,工程学院,阿卜杜拉国王大学gydF4y2Ba
]
[
哈桑gydF4y2Ba
美国一个。gydF4y2Ba
El-DarrabgydF4y2Ba
我一个。gydF4y2Ba
Al-AmeergydF4y2Ba
m·A。gydF4y2Ba
调度的动态规划模型的电力传输/分配在吉达城市变电站gydF4y2Ba
《圆柱国际会议gydF4y2Ba
2009年gydF4y2Ba
英国剑桥gydF4y2Ba
]
[
El QulitigydF4y2Ba
美国一个。gydF4y2Ba
El-DarrabgydF4y2Ba
我一个。gydF4y2Ba
Al-AmeergydF4y2Ba
m·A。gydF4y2Ba
调度的动态规划模型的电力传输/分配在吉达城市变电站gydF4y2Ba
2009年gydF4y2Ba
英国剑桥gydF4y2Ba
剑桥大学gydF4y2Ba
]
[
El-QulitigydF4y2Ba
美国一个。gydF4y2Ba
羊群gydF4y2Ba
m·R。gydF4y2Ba
经济调度的电力传输/分配变电站在吉达城市参数结果gydF4y2Ba
阿卜杜勒阿齐兹国王大学学报、工程科学gydF4y2Ba
2012年gydF4y2Ba
23gydF4y2Ba
2gydF4y2Ba
115年gydF4y2Ba
136年gydF4y2Ba
]
[
荷兰gydF4y2Ba
J。gydF4y2Ba
适应在自然和人工系统:一个介绍性的分析应用到生物学。控制和人工智能gydF4y2Ba
1975年gydF4y2Ba
美国密歇根gydF4y2Ba
密歇根大学出版社gydF4y2Ba
]
[
StorngydF4y2Ba
R。gydF4y2Ba
价格gydF4y2Ba
K。gydF4y2Ba
微分进化简单和高效的启发式全局优化的连续空间gydF4y2Ba
杂志的全局优化gydF4y2Ba
1997年gydF4y2Ba
11gydF4y2Ba
4gydF4y2Ba
341年gydF4y2Ba
359年gydF4y2Ba
]
[
哈达德gydF4y2Ba
o . B。gydF4y2Ba
MoravejgydF4y2Ba
M。gydF4y2Ba
LoaicigagydF4y2Ba
h·A。gydF4y2Ba
水的循环算法应用到水库的优化调度系统gydF4y2Ba
灌溉和排水工程》杂志上gydF4y2Ba
2015年gydF4y2Ba
141年gydF4y2Ba
5gydF4y2Ba
04014064gydF4y2Ba
]
[
EberhartgydF4y2Ba
R。gydF4y2Ba
肯尼迪gydF4y2Ba
J。gydF4y2Ba
一个新的优化器利用粒子群理论gydF4y2Ba
学报第六微机器和人类科学国际研讨会gydF4y2Ba
2009年gydF4y2Ba
英国剑桥gydF4y2Ba
39gydF4y2Ba
43gydF4y2Ba
]
[
民宿gydF4y2Ba
M。gydF4y2Ba
ManiezzogydF4y2Ba
V。gydF4y2Ba
ColornigydF4y2Ba
一个。gydF4y2Ba
由一群蚂蚁系统:优化合作代理gydF4y2Ba
IEEE系统,人,Cybernetics-Part B:控制论gydF4y2Ba
1996年gydF4y2Ba
26gydF4y2Ba
1gydF4y2Ba
29日gydF4y2Ba
41gydF4y2Ba
]
[
MirjaliligydF4y2Ba
年代。gydF4y2Ba
刘易斯gydF4y2Ba
一个。gydF4y2Ba
鲸鱼优化算法gydF4y2Ba
工程软件的进步gydF4y2Ba
2016年gydF4y2Ba
95年gydF4y2Ba
51gydF4y2Ba
67年gydF4y2Ba
]
[
柯克帕特里克gydF4y2Ba
年代。gydF4y2Ba
GelattgydF4y2Ba
c, D。gydF4y2Ba
VecchigydF4y2Ba
m P。gydF4y2Ba
优化的模拟退火gydF4y2Ba
科学gydF4y2Ba
1983年gydF4y2Ba
220年gydF4y2Ba
4598年gydF4y2Ba
671年gydF4y2Ba
680年gydF4y2Ba
]
[
GeemgydF4y2Ba
z W。gydF4y2Ba
金gydF4y2Ba
j . H。gydF4y2Ba
LoganathangydF4y2Ba
g . V。gydF4y2Ba
一个新的启发式优化算法:和谐搜索gydF4y2Ba
模拟gydF4y2Ba
2001年gydF4y2Ba
76年gydF4y2Ba
2gydF4y2Ba
60gydF4y2Ba
68年gydF4y2Ba
]
[
EskandargydF4y2Ba
H。gydF4y2Ba
SadollahgydF4y2Ba
一个。gydF4y2Ba
BahreininejadgydF4y2Ba
一个。gydF4y2Ba
哈姆迪gydF4y2Ba
M。gydF4y2Ba
水循环算法a小说metaheuristic优化方法求解约束工程优化问题gydF4y2Ba
计算机与结构gydF4y2Ba
2012年gydF4y2Ba
110 - 111gydF4y2Ba
151年gydF4y2Ba
166年gydF4y2Ba
]
[
张gydF4y2Ba
l . M。gydF4y2Ba
DahlmanngydF4y2Ba
C。gydF4y2Ba
张gydF4y2Ba
Y。gydF4y2Ba
Human-inspired为连续函数优化算法gydF4y2Ba
《2009年IEEE国际智能计算和智能会议系统gydF4y2Ba
2009年gydF4y2Ba
英国剑桥gydF4y2Ba
318年gydF4y2Ba
321年gydF4y2Ba
]
[
饶gydF4y2Ba
r . V。gydF4y2Ba
SavsanigydF4y2Ba
诉J。gydF4y2Ba
VakhariagydF4y2Ba
d . P。gydF4y2Ba
基于教学优化:连续非线性大规模问题的优化方法gydF4y2Ba
信息科学gydF4y2Ba
2012年gydF4y2Ba
183年gydF4y2Ba
1gydF4y2Ba
1gydF4y2Ba
15gydF4y2Ba
]
[
Giraud-MoreaugydF4y2Ba
lgydF4y2Ba
LafongydF4y2Ba
P。gydF4y2Ba
进化算法的比较机械设计组件gydF4y2Ba
工程优化gydF4y2Ba
2002年gydF4y2Ba
34gydF4y2Ba
3gydF4y2Ba
307年gydF4y2Ba
322年gydF4y2Ba
]
[
优素福gydF4y2Ba
H。gydF4y2Ba
我们gydF4y2Ba
s M。gydF4y2Ba
AdichegydF4y2Ba
H。gydF4y2Ba
进化算法,模拟退火和禁忌搜索:比较研究gydF4y2Ba
人工智能技术的工程应用gydF4y2Ba
2001年gydF4y2Ba
14gydF4y2Ba
2gydF4y2Ba
167年gydF4y2Ba
181年gydF4y2Ba
]
[
El-QulitygydF4y2Ba
美国一个。gydF4y2Ba
默罕默德gydF4y2Ba
答:W。gydF4y2Ba
广义的国家高等教育招生容量规划方法:非线性整数目标规划模型与小说微分进化算法gydF4y2Ba
计算智能和神经科学gydF4y2Ba
2016年gydF4y2Ba
2016年gydF4y2Ba
14gydF4y2Ba
5207362gydF4y2Ba
]
[
El-QulitigydF4y2Ba
美国一个。gydF4y2Ba
RagabgydF4y2Ba
a . H。gydF4y2Ba
AbdelaalgydF4y2Ba
R。gydF4y2Ba
大学招生容量规划的非线性目标规划模型与改进微分进化算法gydF4y2Ba
数学问题在工程gydF4y2Ba
2015年gydF4y2Ba
2015年gydF4y2Ba
13gydF4y2Ba
892937年gydF4y2Ba
]
[
El-QulitigydF4y2Ba
美国一个。gydF4y2Ba
默罕默德gydF4y2Ba
答:W。gydF4y2Ba
大规模非线性混合二进制目标规划模型来评估候选人太阳能发电站的位置:一个案例研究改进二进制微分进化算法gydF4y2Ba
计算和理论纳米科学杂志》上gydF4y2Ba
2016年gydF4y2Ba
13gydF4y2Ba
11gydF4y2Ba
7909年gydF4y2Ba
7921年gydF4y2Ba
]
[
默罕默德gydF4y2Ba
答:W。gydF4y2Ba
SabrygydF4y2Ba
h . Z。gydF4y2Ba
KhorshidgydF4y2Ba
M。gydF4y2Ba
另一种微分进化算法的全局优化gydF4y2Ba
高级研究杂志》gydF4y2Ba
2012年gydF4y2Ba
3gydF4y2Ba
2gydF4y2Ba
149年gydF4y2Ba
165年gydF4y2Ba
]
[
默罕默德gydF4y2Ba
答:W。gydF4y2Ba
使用新方法解决随机规划问题微分进化算法gydF4y2Ba
埃及信息杂志gydF4y2Ba
2017年gydF4y2Ba
18gydF4y2Ba
2gydF4y2Ba
75年gydF4y2Ba
86年gydF4y2Ba
]
[
默罕默德gydF4y2Ba
答:W。gydF4y2Ba
默罕默德gydF4y2Ba
答:K。gydF4y2Ba
ElfekygydF4y2Ba
e . Z。gydF4y2Ba
萨利赫gydF4y2Ba
M。gydF4y2Ba
增强直接微分进化算法求解约束工程优化问题gydF4y2Ba
应用Metaheuristic国际期刊的计算(IJAMC)gydF4y2Ba
2019年gydF4y2Ba
10gydF4y2Ba
1gydF4y2Ba
1gydF4y2Ba
28gydF4y2Ba
]
[
默罕默德gydF4y2Ba
答:W。gydF4y2Ba
一种新的修改二进制微分进化算法及其应用gydF4y2Ba
应用数学与信息科学gydF4y2Ba
2016年gydF4y2Ba
10gydF4y2Ba
5gydF4y2Ba
1965年gydF4y2Ba
1969年gydF4y2Ba
]
[
Wagdy穆罕默德gydF4y2Ba
一个。gydF4y2Ba
SabrygydF4y2Ba
h . Z。gydF4y2Ba
高人气的gydF4y2Ba
一个。gydF4y2Ba
先进的全球数值微分进化算法优化gydF4y2Ba
诉讼IEEE国际会议上的计算机应用和工业电子产品(ICCAIE 11)gydF4y2Ba
2011年12月gydF4y2Ba
马来西亚槟城gydF4y2Ba
156年gydF4y2Ba
161年gydF4y2Ba
]
[
默罕默德gydF4y2Ba
答:K。gydF4y2Ba
默罕默德gydF4y2Ba
答:W。gydF4y2Ba
ElfekygydF4y2Ba
e . Z。gydF4y2Ba
萨利赫gydF4y2Ba
M。gydF4y2Ba
求解约束非线性整数,整数全局优化问题使用增强的直接微分进化算法gydF4y2Ba
机器学习模式:理论和应用gydF4y2Ba
2019年gydF4y2Ba
可汗、瑞士gydF4y2Ba
施普林格gydF4y2Ba
]
[
RagabgydF4y2Ba
a . h . M。gydF4y2Ba
El-QulitigydF4y2Ba
美国一个。gydF4y2Ba
AbdelaalgydF4y2Ba
R。gydF4y2Ba
高等教育招生容量规划使用大规模非线性ınteger目标规划模型与改进的微分进化算法gydF4y2Ba
计算和理论纳米科学杂志》上gydF4y2Ba
2016年gydF4y2Ba
13gydF4y2Ba
11gydF4y2Ba
7864年gydF4y2Ba
7878年gydF4y2Ba
]
[
默罕默德gydF4y2Ba
答:W。gydF4y2Ba
一个高效的改进微分进化算法求解约束非线性整数,整数全局优化问题gydF4y2Ba
国际期刊的机器学习和控制论gydF4y2Ba
2017年gydF4y2Ba
8gydF4y2Ba
3gydF4y2Ba
989年gydF4y2Ba
1007年gydF4y2Ba
]
[
程gydF4y2Ba
lgydF4y2Ba
王gydF4y2Ba
Y。gydF4y2Ba
王gydF4y2Ba
C。gydF4y2Ba
默罕默德gydF4y2Ba
答:W。gydF4y2Ba
肖gydF4y2Ba
T。gydF4y2Ba
自适应差分进化基于成功经验信息gydF4y2Ba
IEEE访问gydF4y2Ba
2020年gydF4y2Ba
8gydF4y2Ba
164611年gydF4y2Ba
164636年gydF4y2Ba
10.1109 / ACCESS.2020.3022049gydF4y2Ba
]
[
程ydF4y2Ba
E。gydF4y2Ba
程ydF4y2Ba
J。gydF4y2Ba
默罕默德gydF4y2Ba
答:W。gydF4y2Ba
王gydF4y2Ba
B。gydF4y2Ba
王gydF4y2Ba
Z。gydF4y2Ba
程ydF4y2Ba
Y。gydF4y2Ba
群体智慧应用于无人机辅助物联网数据采集部署优化gydF4y2Ba
IEEE访问gydF4y2Ba
2020年gydF4y2Ba
8gydF4y2Ba
175660年gydF4y2Ba
175668年gydF4y2Ba
10.1109 / ACCESS.2020.3025409gydF4y2Ba
]
[
戈麦斯gydF4y2Ba
h . M。gydF4y2Ba
桁架与动态约束使用粒子群优化算法gydF4y2Ba
专家系统与应用程序gydF4y2Ba
2011年gydF4y2Ba
38gydF4y2Ba
1gydF4y2Ba
957年gydF4y2Ba
968年gydF4y2Ba
]
[
王gydF4y2Ba
年代。gydF4y2Ba
WatadagydF4y2Ba
J。gydF4y2Ba
生产配送两级模糊成本和设施选址问题的要求gydF4y2Ba
国际期刊的机器学习和控制论gydF4y2Ba
2013年gydF4y2Ba
4gydF4y2Ba
1gydF4y2Ba
65年gydF4y2Ba
74年gydF4y2Ba
]
[
KanoussisgydF4y2Ba
d . P。gydF4y2Ba
多项式方程:系统的理论总结,具有挑战性的例子和问题gydF4y2Ba
2019年gydF4y2Ba
]
[
VialargydF4y2Ba
T。gydF4y2Ba
数学手册gydF4y2Ba
2017年gydF4y2Ba
英国伦敦gydF4y2Ba
美国国会图书馆gydF4y2Ba
]
[
MyAssays有限公司gydF4y2Ba
我的曲线拟合软件,在曲线拟合gydF4y2Ba
2017年gydF4y2Ba
]
[
黛比gydF4y2Ba
K。gydF4y2Ba
遗传算法的一种有效的约束处理方法gydF4y2Ba
计算机在应用力学和工程方法gydF4y2Ba
2000年gydF4y2Ba
186年gydF4y2Ba
2 - 4gydF4y2Ba
311年gydF4y2Ba
338年gydF4y2Ba
]
[
CoellogydF4y2Ba
C·a·C。gydF4y2Ba
理论和数值constraint-handling技术使用进化算法:一项调查显示状态的艺术gydF4y2Ba
计算机在应用力学和工程方法gydF4y2Ba
2002年gydF4y2Ba
191年gydF4y2Ba
11 - 12gydF4y2Ba
1245年gydF4y2Ba
1287年gydF4y2Ba
]
[
MuangkotegydF4y2Ba
N。gydF4y2Ba
PhotonggydF4y2Ba
lgydF4y2Ba
SukprasertgydF4y2Ba
一个。gydF4y2Ba
的有效性约束处理技术改进的微分进化算法应用于机械工程的约束优化问题gydF4y2Ba
ITMSOC交易创新&商业工程gydF4y2Ba
2019年gydF4y2Ba
4gydF4y2Ba
1gydF4y2Ba
21gydF4y2Ba
]
[
报gydF4y2Ba
R。gydF4y2Ba
变分方法来平衡和振动问题的解决方案gydF4y2Ba
在纯粹和应用数学课堂讲稿gydF4y2Ba
1994年gydF4y2Ba
4gydF4y2Ba
]
[
纳什gydF4y2Ba
s G。gydF4y2Ba
线性和非线性规划gydF4y2Ba
1996年gydF4y2Ba
英国伦敦gydF4y2Ba
麦格劳-希尔科学、工程和数学gydF4y2Ba
]
[
史密斯gydF4y2Ba
答:E。gydF4y2Ba
屁股gydF4y2Ba
d . W。gydF4y2Ba
惩罚函数gydF4y2Ba
手册的进化计算gydF4y2Ba
1997年gydF4y2Ba
97年gydF4y2Ba
1gydF4y2Ba
]
[
Mezura-MontesgydF4y2Ba
E。gydF4y2Ba
CoellogydF4y2Ba
C·a·C。gydF4y2Ba
关于有效性的实证研究进化的策略来解决约束优化问题gydF4y2Ba
国际杂志的通用系统gydF4y2Ba
2008年gydF4y2Ba
37gydF4y2Ba
4gydF4y2Ba
443年gydF4y2Ba
473年gydF4y2Ba
]
[
BahreininejadgydF4y2Ba
一个。gydF4y2Ba
提高水循环使用增广拉格朗日方法算法的性能gydF4y2Ba
工程软件的进步gydF4y2Ba
2019年gydF4y2Ba
132年gydF4y2Ba
55gydF4y2Ba
64年gydF4y2Ba
]
[
埃德里gydF4y2Ba
H。gydF4y2Ba
程gydF4y2Ba
n . T。gydF4y2Ba
增广拉格朗日结构优化的遗传算法gydF4y2Ba
航空航天工程杂志gydF4y2Ba
1994年gydF4y2Ba
7gydF4y2Ba
1gydF4y2Ba
104年gydF4y2Ba
118年gydF4y2Ba
]
[
SarmagydF4y2Ba
k . C。gydF4y2Ba
埃德里gydF4y2Ba
H。gydF4y2Ba
钢结构的模糊遗传算法优化gydF4y2Ba
结构工程杂志gydF4y2Ba
2000年gydF4y2Ba
126年gydF4y2Ba
5gydF4y2Ba
596年gydF4y2Ba
604年gydF4y2Ba
]
[
巴隆gydF4y2Ba
W。gydF4y2Ba
梁gydF4y2Ba
X。gydF4y2Ba
黄gydF4y2Ba
Y。gydF4y2Ba
程ydF4y2Ba
Y。gydF4y2Ba
混合约束的数值微分进化增广拉格朗日方法和工程优化gydF4y2Ba
计算机辅助设计gydF4y2Ba
2013年gydF4y2Ba
45gydF4y2Ba
1562年gydF4y2Ba
1574年gydF4y2Ba
]
[
MallipeddigydF4y2Ba
R。gydF4y2Ba
SuganthangydF4y2Ba
p . N。gydF4y2Ba
合奏的约束处理技术gydF4y2Ba
IEEE进化计算gydF4y2Ba
2010年gydF4y2Ba
14gydF4y2Ba
4gydF4y2Ba
561年gydF4y2Ba
579年gydF4y2Ba
]