Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "optymalizacja rojem cząstek (PSO)" wg kryterium: Temat


Tytuł:
Hydrology modelling in Taleghan mountainous watershed using SWAT
Modelowanie hydrologii górskiej zlewni rzeki Taleghan z zastosowaniem modelu SWAT
Autorzy:
Noor, H.
Vafakhah, M.
Taheriyoun, M.
Moghadasi, M.
Powiązania:
https://bibliotekanauki.pl/articles/292853.pdf
Data publikacji:
2014
Wydawca:
Instytut Technologiczno-Przyrodniczy
Tematy:
auto-calibration
particle swarm optimization (PSO)
snow hydrology
soil and water assessment tool
Taleghan Dam
autokalibracja
hydrologia śniegu
optymalizacja rojem cząstek (PSO)
system oceny gleby i wody
zapora Taleghan
Opis:
Mountainous regions in Iran are important sources of surface water supply and groundwater recharge. Therefore, accurate simulation of hydrologic processes in mountains at large scales is important for water resource management and for watershed management planning. Snow hydrology is the more important hydrologic process in mountainous watersheds. Therefore, streamflow simulation in mountainous watersheds is often challenging because of irregular topography and complex hydrological processes. In this study, the Soil and Water Assessment Tool (SWAT) was used to model daily runoff in the Taleghan mountainous watershed (800.5 km2) in west of Tehran, Iran. Most of the precipitation in the study area takes place as snow, therefore, modeling daily streamflow in this river is very complex and with large uncertainty. Model calibration was performed with Particle Swarm Optimization. The main input data for simulation of SWAT including Digital Elevation Model (DEM), land use, soil type and soil properties, and hydro-climatological data, were appropriately collected. Model performance was evaluated both visually and statistically where a good relation between observed and simulated discharge was found. The results showed that the coefficient of determination R2 and the Nash-Sutcliffe coefficient NS values were 0.80 and 0.78, respectively. The calibrated model was most sensitive to snowmelt parameters and CN2 (Curve Number). Results indicated that SWAT can provide reasonable predictions daily streamflow from Taleghan watersheds.
Górskie regiony Iranu są ważnymi terenami zasilania wód powierzchniowych i podziemnych. Z tego powodu dokładna symulacja procesów hydrologicznych w dużej skali ma znaczenie dla gospodarki zasobami wodnymi i planowania zarządzania zlewnią. Śnieg odgrywa ważną rolę w hydrologii górskich zlewni. Symulacja przepływów w tych zlewniach stanowi więc wyzwanie z powodu nieregularnej rzeźby terenu i skomplikowanych procesów hydrologicznych. W badaniach zastosowano system oceny gleby i wody (SWAT) do modelowania dobowego odpływu z górskiej zlewni Taleghan (800,5 km2) położonej w Iranie na zachód od Teheranu. Większość opadów na obszarze badań stanowi śnieg, dlatego modelowanie dobowego przepływu rzeki jest złożone i obarczone znacznym stopniem niepewności. Optymalizację modelu przeprowadzono metodą roju cząstek (PSO). Zebrano odpowiednie dane wejściowe do symulacji SWAT: cyfrowy model deniwelacji (DEM), dane o użytkowaniu gruntów, typie i właściwościach gleby oraz dane hydrologiczne i klimatyczne. Działanie modelu oceniano zarówno wizualnie, jak i statystycznie. W tym drugim przypadku stwierdzono ścisłą zależność między obserwowanym i symulowanym przepływem wody. Współczynniki determinacji R2 i Nasha-Sutcliffa NS wynosiły odpowiednio 0,80 i 0,78. Wykalibrowany model był najbardziej wrażliwy na parametry topnienia śniegu i CN2. Wyniki badań wykazały, że model SWAT może zapewnić wiarygodne prognozy dobowego przepływu wody w zlewni rzeki Taleghan.
Źródło:
Journal of Water and Land Development; 2014, 20; 11-18
1429-7426
2083-4535
Pojawia się w:
Journal of Water and Land Development
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
One cabin equipment location method based on the visibility human-factor potential field
Metoda rozmieszczania przyrządów pokładowych oparta na pojęciach potencjałowego pola widoczności oraz potencjałowego pola czynnika ludzkiego
Autorzy:
Ge, Z.
Wu, F.
Yang, Y.
Luo, X.
Powiązania:
https://bibliotekanauki.pl/articles/301748.pdf
Data publikacji:
2015
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
cabin equipment
human-factor potential field (HFPF)
visibility potential field(VPF)
layout optimization
particle swarm optimization (PSO)
przyrządy pokładowe
potencjałowe pole czynnika ludzkiego (HFPF)
potencjałowe pole widoczności (VPF)
optymalizacja rozmieszczenia
optymalizacja rojem cząstek (PSO)
Opis:
The visibility is the basic condition for cabin equipment location. For the description of human, object and obstacle, the humanfactor potential field concept is proposed in this paper, concluding the visibility potential field, the reachability potential field. The cabin equipment layout problem is modeled based on the basic visibility potential field model. The optimal layout optimization method is studied based on the particle swarm optimization (PSO) algorithm by natural selection. Finally, the applicability of the proposed idea is illustrated by numerical studies.
Widoczność jest podstawowym warunkiem przy projektowaniu rozmieszczenia przyrządów pokładowych. W przedstawionej pracy zaproponowano pojęcie potencjałowego pola czynnika ludzkiego (human-factor potential field, HFPF), które służy do opisu czynnika ludzkiego, przedmiotów oraz przeszkód. HFPF obejmuje pojęcia potencjałowego pola widoczności oraz potencjałowego pola dostępu. Problem umiejscowienia elementów wyposażenia kabiny zamodelowano na podstawie podstawowego modelu potencjałowego pola widoczności. Metodę optymalizacji rozmieszczenia elementów wyposażenia badano w oparciu o algorytm optymalizacji rojem cząstek (PSO), metodą naturalnej selekcji. Zastosowanie proponowanej koncepcji zilustrowano na przykładzie badań numerycznych.
Źródło:
Eksploatacja i Niezawodność; 2015, 17, 2; 236-242
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The influence of inertia weight on the Particle Swarm Optimization algorithm
Autorzy:
Cekus, D.
Skrobek, D.
Powiązania:
https://bibliotekanauki.pl/articles/122644.pdf
Data publikacji:
2018
Wydawca:
Politechnika Częstochowska. Wydawnictwo Politechniki Częstochowskiej
Tematy:
particle swarm optimization (PSO)
PSO algorithm
inertia weight
trajectory
optymalizacja rojem cząstek
PSO
algorytm PSO
metoda PSO
algorytm optymalizacji rojem cząstek
trajektoria
współczynnik wagowy
Opis:
The paper presents the use of the Particle Swarm Optimization (PSO) algorithm to find the shortest trajectory connecting two defined points while avoiding obstacles. The influence of the inertia weight and the number of population adopted in the first iteration of the PSO algorithm was examined for the length of the sought trajectory. Simulation results showed that the proposed method achieved significant improvement compared to the linearly decreasing method technique that is widely used in literature.
Źródło:
Journal of Applied Mathematics and Computational Mechanics; 2018, 17, 4; 5-11
2299-9965
Pojawia się w:
Journal of Applied Mathematics and Computational Mechanics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Unsupervised classification and particle swarm optimization
Klasyfikacja nienadzorowana i optymalizacja rojem cząstek
Autorzy:
Truszkowski, A.
Topczewska, M.
Powiązania:
https://bibliotekanauki.pl/articles/341179.pdf
Data publikacji:
2012
Wydawca:
Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:
klasyfikacja nienadzorowana
analiza skupień
optymalizacja rojem cząstek
unsupervised classification
clustering
particle swarm optimization (PSO)
Opis:
This article considers three algorithms of unsupervised classification -K-means, Gbest and the Hybrid method, the last two have been proposed in [14]. All three algorithms belong to the class of non-hierarchical methods. At first, the initial split of objects into known in advance number of classes is performed. If it is necessary, some objects are then moved into other clusters to achieve better split - between cluster variation should be much larger than within cluster variation. The first algorithm described in this paper (K-means) is wellknown classical method. The second one (Gbest) is based on the particle swarm intelligence idea. While the third is a hybrid of two mentioned algorithms. Several indices assessing the quality of obtained clusters are calculated.
W niniejszym artykule porównywane są trzy algorytmy analizy skupień - metoda k-średnich, algorytm gbest oraz metoda hybrydowa. Algorytmy gbest oraz hybrydowy zostały zaproponowane w publikacji [14]. Wszystkie trzy metody nalezą a do rodziny metod niehierarchicznych, w których na początku tworzony jest podział obiektów na znaną z góry liczbę klastrów. Następnie, niektóre obiekty przenoszone są pomiędzy klastrami, by uzyskać jak najlepszy podział - wariancja pomiędzy skupieniami powinna być znacznie większa niż wariancja wewnątrz skupień. Pierwszy algorytm (k-means) jest znaną, klasyczną metodą. Drugi oparty jest na idei inteligencji roju cząstek. Natomiast trzeci jest metodą hybrydową łączącą dwa wymienione wcześniej algorytmy. Do porównania uzyskanych skupień wykorzystano kilka różnych indeksów szacujących jakość otrzymanych skupień.
Źródło:
Zeszyty Naukowe Politechniki Białostockiej. Informatyka; 2012, 9; 119-132
1644-0331
Pojawia się w:
Zeszyty Naukowe Politechniki Białostockiej. Informatyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie algorytmu optymalizacji rojem cząstek do znajdowania ekstremów globalnych wybranych funkcji testowych
A particle swarm optimization algorithm for finding global extrema of some benchmark functions
Autorzy:
Figielska, E.
Wiatrak, M.
Powiązania:
https://bibliotekanauki.pl/articles/91471.pdf
Data publikacji:
2015
Wydawca:
Warszawska Wyższa Szkoła Informatyki
Tematy:
optymalizacja rojem cząstek
ekstremum globalne
funkcje testowe
particle swarm optimization (PSO)
global extremum
benchmark functions
Opis:
Praca dotyczy zastosowania algorytmu optymalizacji rojem cząstek do znajdowania ekstremów globalnych dla wybranych funkcji jedno i wielomodalnych. Na podstawie wyników eksperymentu obliczeniowego wyłoniono warianty ustawień parametrów algorytmu zapewniające jego największą skuteczność.
In this paper, we present the particle swarm optimization algorithm for finding the global extrema of several single and multimodal functions. The values of the algorithm parameters which ensure its best performance are determined on the basis of the computational results.
Źródło:
Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki; 2015, 9, 13; 7-19
1896-396X
2082-8349
Pojawia się w:
Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Scheduling electric power generators using particle swarm optimization combined with the Lagrangian relaxation method
Autorzy:
Balci, H. H.
Valenzuela, J. F.
Powiązania:
https://bibliotekanauki.pl/articles/907641.pdf
Data publikacji:
2004
Wydawca:
Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:
optymalizacja rojem cząstek
jednostka wytwórcza
relaksacja Lagrange'a
particle swarm optimization (PSO)
unit commitment
Lagrange relaxation
Opis:
This paper describes a procedure that uses particle swarm optimization (PSO) combined with the Lagrangian Relaxation (LR) framework to solve a power-generator scheduling problem known as the unit commitment problem (UCP). The UCP consists of determining the schedule and production amount of generating units within a power system subject to operating constraints. The LR framework is applied to relax coupling constraints of the optimization problem. Thus, the UCP is separated into independent optimization functions for each generating unit. Each of these sub-problems is solved using Dynamic Programming (DP). PSO is used to evolve the Lagrangian multipliers. PSO is a population based search technique, which belongs to the swarm intelligence paradigm that is motivated by the simulation of social behavior to manipulate individuals towards better solution areas. The performance of the PSO-LR procedure is compared with results of other algorithms in the literature used to solve the UCP. The comparison shows that the PSO-LR approach is efficient in terms of computational time while providing good solutions.
Źródło:
International Journal of Applied Mathematics and Computer Science; 2004, 14, 3; 411-421
1641-876X
2083-8492
Pojawia się w:
International Journal of Applied Mathematics and Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Feature selection using particle swarm optimization in text categorization
Autorzy:
Aghdam, M. H.
Heidari, S.
Powiązania:
https://bibliotekanauki.pl/articles/91792.pdf
Data publikacji:
2015
Wydawca:
Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Tematy:
classification system
feature selection
text categorization
particle swarm optimization (PSO)
system klasyfikacji
wybór funkcji
kategoryzacja tekstu
optymalizacja rojem cząstek
Opis:
Feature selection is the main step in classification systems, a procedure that selects a subset from original features. Feature selection is one of major challenges in text categorization. The high dimensionality of feature space increases the complexity of text categorization process, because it plays a key role in this process. This paper presents a novel feature selection method based on particle swarm optimization to improve the performance of text categorization. Particle swarm optimization inspired by social behavior of fish schooling or bird flocking. The complexity of the proposed method is very low due to application of a simple classifier. The performance of the proposed method is compared with performance of other methods on the Reuters-21578 data set. Experimental results display the superiority of the proposed method.
Źródło:
Journal of Artificial Intelligence and Soft Computing Research; 2015, 5, 4; 231-238
2083-2567
2449-6499
Pojawia się w:
Journal of Artificial Intelligence and Soft Computing Research
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Optymalizacja rojowa nastaw przesuwników fazowych w systemie elektroenergetycznym
Swarm optimization of settings of phase shifting transformers in a power system
Autorzy:
Korab, R.
Owczarek, R.
Połomski, M.
Powiązania:
https://bibliotekanauki.pl/articles/269100.pdf
Data publikacji:
2017
Wydawca:
Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Tematy:
power system
phase shifting transformer
particle swarm optimization (PSO)
active power losses
system elektroenergetyczny
przesuwnik fazowy
optymalizacja rojem cząstek
straty mocy czynnej
Opis:
W artykule przedstawiono zastosowanie algorytmu rojowego PSO do optymalizacji nastaw grupy przesuwników fazowych w systemie elektroenergetycznym. Jako kryterium optymalizacji zastosowano minimalizację strat mocy czynnej w sieci testowej IEEE 118. Przeanalizowano wpływ maksymalnej dozwolonej prędkości cząstek na efektywność algorytmu optymalizacji. Wyniki badań pokazują ważność tego parametru.
In response to the growing problem of unscheduled flows, a larger and larger number of transmission system operators in Europe equip their systems with phase shifting transformers (PSTs). PSTs are special transformers which installed in a transmission line enable regulation of the voltage phase angle and thereby change of the active power flow in the line. However, the use of several PSTs installed geographically close to each other must be coordinated in order to efficiently use those devices and avoid their adverse interactions. The coordination of a group of such devices leads to a multidimensional optimization problem. In this paper, the coordination problem was solved by optimization of settings of all analyzed PSTs, based on the swarm algorithm. This approach was examined and tested on an IEEE 118-bus test system. The minimization of active power losses in this system was used as the optimization criterion. The impact of maximum allowed velocity of particles on the effectiveness of the optimization algorithm was analyzed. The result shows that the improved effectiveness of the proposed approach can be obtained by careful selection of this parameter.
Źródło:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2017, 53; 99-102
1425-5766
2353-1290
Pojawia się w:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Optimization algorithm for number and wells placement
Algorytm optymalizacji liczby i położenia odwiertów
Autorzy:
Łętkowski, Piotr
Powiązania:
https://bibliotekanauki.pl/articles/1834980.pdf
Data publikacji:
2019
Wydawca:
Instytut Nafty i Gazu - Państwowy Instytut Badawczy
Tematy:
optimization
reservoir simulation
swarm intelligence
particle swarm optimization (PSO)
optimal number of wells
optimal well placement
optymalizacja
symulacje złożowe
inteligencja roju
optymalizacja rojem cząstek
optymalna liczba odwiertów
optymalne położenie odwiertów
Opis:
Determination of the optimal number and placement of production wells is crucial for the effective depletion of the hydrocarbon reservoir. Due to the strongly non-linearity of the problem and the occurrence of multiple local minimums in the response function the non-gradient optimization methods in combination with reservoir simulations are most commonly used for its solution. However, it should be noted that most of the research works dedicated to this issue describe the process of placement optimization but not the number of drilling wells assuming that it was arbitrary set. This is partly due to the fact that known and used optimization methods operate on a fixed number of optimization parameters, therefore the number of production wells can not change during the optimization process. The paper is dedicated to the attempt to build an algorithm that allows simultaneous optimization of the number and position of production wells with respect to the discounted profit in a given period of operation. The basic optimization method in the presented algorithm is the Particle Swarm Optimization (PSO) – one of the most effective non-gradient optimization methods that belongs to the group of methods applying the swarm’s intelligence. Taking into account the number of drilling wells in the optimization process means that the algorithm operates on a variable number of parameters. The objective algorithm starts optimization from an arbitrarily set number of producers, reducing it gradually. Efficiency tests conducted on the sample reservoir PUNQ-S3 indicated a satisfactory convergence of the proposed method. The computing program created implements the mechanisms of convergence enhancement by improving the boundary conditions for the optimization method. The minimum separation distance control between production wells was also introduced at the initial stage of optimization process. Although the algorithm is characterized by satisfactory convergence it would be advisable to improve it by using a hybrid method to increase its effectiveness in the local optimization phase and to introduce minimum well spacing during the entire optimization process.
Określenie optymalnej liczby i położenia odwiertów eksploatacyjnych jest kluczowe dla efektywnej eksploatacji złoża węglowodorowego. Ze względu na silnie nieliniowy charakter problemu oraz występowanie w funkcji odpowiedzi wielokrotnych minimów lokalnych do jego rozwiązania najczęściej wykorzystywane są bezgradientowe metody optymalizacyjne w połączeniu z symulacjami złożowymi. Należy jednak zauważyć, że większość prac poświęconych temu zagadnieniu opisuje proces optymalizacji położenia, a nie liczby odwiertów, przyjmując, że jest ona dana arbitralnie. Wynika to po części z faktu, że znane i stosowane metody optymalizacyjne operują na stałej liczbie parametrów optymalizacyjnych, w związku z czym liczba odwiertów wydobywczych nie może zmieniać się w trakcie procesu optymalizacji. Artykuł jest poświęcony próbie zbudowania algorytmu umożliwiającego równoczesną optymalizację liczby i położenia odwiertów wydobywczych ze względu na zdyskontowany zysk w zadanym okresie eksploatacji. Podstawową metodą optymalizacyjną w prezentowanym algorytmie jest optymalizacja rojem cząstek (ang. PSO) – jedna z najbardziej efektywnych metod optymalizacji bezgradientowej, należąca do grupy metod wykorzystujących inteligencję roju. Próby efektywności metody przeprowadzone na przykładzie złoża testowego PUNQ-S3 wskazały na zadowalającą zbieżność zaproponowanej metody, dla której na początkowym etapie zastosowano kontrolę minimalnej odległości pomiędzy odwiertami. Jakkolwiek algorytm charakteryzuje się zadowalającą zbieżnością, to jednak wskazane byłoby jego udoskonalenie poprzez wykorzystanie metody hybrydowej w celu zwiększenia jego efektywności w fazie optymalizacji lokalnej oraz wprowadzenie kontroli odległości minimalnej w trakcie całego procesu optymalizacji.
Źródło:
Nafta-Gaz; 2019, 75, 12; 744-750
0867-8871
Pojawia się w:
Nafta-Gaz
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie algorytmów rojowych do optymalizacji parametrów w modelach układów regulacji
Application of swarm intelligence algorithms to optimization of control system models
Autorzy:
Tomera, M.
Powiązania:
https://bibliotekanauki.pl/articles/269153.pdf
Data publikacji:
2015
Wydawca:
Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Tematy:
algorytmy rojowe
optymalizacja parametrów
algorytm mrówkowy
algorytm sztucznej kolonii pszczół
algorytm optymalizacji rojem cząstek
swarm intelligence
swarm based optimization
ant colony optimization
Artificial Bee Colony
particle swarm optimization (PSO)
Opis:
W pracy przedstawione zostały algorytmy rojowe, takie jak: algorytm mrówkowy, zmodyfikowany algorytm mrówkowy, algorytm sztucznej kolonii pszczół oraz algorytm optymalizacji rojem cząstek. Dla tych algorytmów przygotowane zostało oprogramowanie w Matlabie, pozwalające na optymalizację parametrów poszukiwanych modeli matematycznych, wyznaczanych na podstawie przeprowadzonych testów identyfikacyjnych lub na optymalizację parametrów regulatorów zastosowanych w modelach matematycznych układów sterowania.
The paper presents the swarm intelligence algorithms, such as: ant colony algorithm (ACO), the modified ant colony algorithm (MACO), the artificial bee colony algorithm (ABC) and the particle swarm optimization algorithm (PSO). Ant colony optimization (ACO) based upon the observation of the behavior of ant colonies looking for food in the surrounding anthill. Feeding ants it is based on finding the shortest path transitions between a food source and the anthill. In the process of foraging ants on their paths crossing from the nest to a food source and back, they leave a pheromone trail. The work presents also the modified ant colony algorithm (MACO). This algorithm is based on searching the solution space surrounded by the best solution obtained in the previous iteration. If you find a local minimum, the proposed algorithm uses pheromone to find a new solution space, while retaining the position information current local minimum. The artificial bee colony algorithm is one of the well-known swarm intelligence algorithms. In the past decade there has been created several different algorithms based on the observation of the behavior of cooperative bees. Among them, the most frequently analyzed and used is bee algorithm proposed in 2005 by Dervis Karaboga and was be used in the proposed paper. The particle swarm optimization algorithm (PSO) is based on adjusting the change speed of the moving particles to a speed of particles movement in the neighborhood. Particle optimization algorithm is one of the computational techniques derived on the basis of swarm behavior such as flocks of birds and schools of fish, which is the basis for the functioning of the exchange of information to enable them to cooperate. It was noticed that the animals in the herd tend to maintain the optimum distance from their neighbors, by appropriate adjustment of their speed. This method allows the synchronous and collision-free motion, often accompanied by sudden changes of direction and due to the rearrangement of the optimal formation. For these algorithms has been prepared the software in Matlab, allowing to optimization of the mathematical models designated on the basis of the carried out identification tests and control parameters used in the mathematical model of the control system.
Źródło:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2015, 46; 97-102
1425-5766
2353-1290
Pojawia się w:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
Dostawca treści:
Biblioteka Nauki
Artykuł

Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies