برق 107. برنامه ریزی گسترش تولید در بازار برق pool بنیان، با استفاده از تیوری گیم و الگوریتم ژنتیک

برنامه ریزی گسترش تولید در بازار برق pool بنیان، با استفاده از تئوری گیم و الگوریتم ژنتیک
چکیده__ بازسازی، هدف برنامه ریزی گسترش تولید  (GEP)را از کم-هزینه بودن به پرسود بودن، تغییر داده است. در این مقاله، ما یک فرمولبندی تازه برای تابع هدف مساله ی GEP شرکت های تولید کننده (GENCOs) را در بازار برقی که شامل درآمدهای انرژی و بازارهای ذخیره ی ظرفیت و هزینه های سوخت، سرمایه گذاری، O&M، مالیات های قطع و وصل، می باشد را معرفی می کنیم. به علاوه، به منظور حل مساله ی GEP با تابع هدف بالا، از یک الگوریتمی که بترتیب از الگوریتم ژنتیک و تیوری گیم برای مدل کردن بازار و بهینه سازی توابع هدف GENCO استفاده کرده است، معرفی شده است. به منظور محاسبه ی سطوح تولید واحدهای تولید کننده و نرخ بلند-مدت بازار، ما از روش مرسوم هزینه ی تولید احتمالی (PPC) که به گونه ای اصلاح شده است که در بازار برق رقابتی قابل استفاده باشد، استفاده کرده ایم.

الگوریتم ژنتیک

کنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکامل است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت و جهش استفاده می‌کند. این الگوریتم برای اولین بار توسط جان هالند معرفی شد.

در واقع الگوریتم‌های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگو استفاده می‌کنند. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در هوش مصنوعی الگوریتم ژنتیک (یا GA) یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها بعنوان کاندیداها توسط تابع ارزیاب (Fitness Functionn) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. الگوریتم ژنتیک بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند.

کتابها واپ های اندروید ومجلات روز دنیا را ازما بخواهید.کانال تلگرامی ما:@kafeketab2016

بهینه سازی پرس و جو در محیط های توزیع شده

یافتن بزرگترین نقطه از صفحه محصور بین دو تابع با استفاده از ژنتیک الگوریتم

هدف از این برنامه که یک مثال از مسئله MOO و به زبان متلب نوشته شده است 

یافتن بزرگترین نقطه از صفحه محصور بین دو تابع با استفاده از ژنتیک الگوریتم است.

مقادیر اولیه درنظر گرفته شده به صورت زیر است:

دو تابع مرزی:

f1(X) = 2*x1 + 3*x2
f2(X) = 2/x1 + 1/x2

دامنه مقادیر:

x1<20 & x1>10

x2<30 & x2>20

تنظیمات اولیه :

iterations = 500;
population_size = 500;
mutation_rate = 0.02;
crossover_rate = 0.3;
population = zeros(population_size,3);

الگوریتم های ژنتیک موازی