Informacja

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

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "optymalizacja szarego wilka" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Investigating multi-objective time, cost, and risk problems using the Grey Wolf Optimization algorithm
    Autorzy:
    Yilmaz, Mehmet
    Dede, Tayfun
    Grzywiński, Maksym
    Powiązania:
    https://bibliotekanauki.pl/articles/31342511.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Częstochowska
    Tematy:
    multi-objective optimization
    grey wolf optimization algorithm
    time-cost-risk
    optymalizacja wielocelowa
    algorytm optymalizacji szarego wilka
    czas-koszt-ryzyko
    Opis:
    Safety plays a crucial role in construction projects. Safety risks encompass potential hazards such as work accidents, injuries, and security. Consequently, it is important to effectively manage these risks with equal emphasis on time and cost considerations during the project planning phase. Within the scope of this research, the grid and archive-based Grey Wolf Optimizer (GWO) algorithm was employed to investigate multi-objective time-cost-risk problems. By employing the GWO, multiple Pareto solutions were provided to the decisionmaker, facilitating improved decision-making. It was determined that the GWO algorithm yields better results in time-cost-risk problems compared to the Particle Swarm Optimization (PSO) and Differential Evolution (DE) algorithms.
    Źródło:
    Budownictwo o Zoptymalizowanym Potencjale Energetycznym; 2023, 12; 79-86
    2299-8535
    2544-963X
    Pojawia się w:
    Budownictwo o Zoptymalizowanym Potencjale Energetycznym
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The application of different optimization techniques and Artificial Neural Networks (ANN) for coal-consumption forecasting: a case study
    Zastosowanie różnych technik optymalizacji i sztucznych sieci neuronowych (SSN) do prognozowania zużycia węgla: studium przypadku
    Autorzy:
    Seker, Mustafa
    Unal Kartal, Neslihan
    Karadirek, Selin
    Gulludag, Cevdet Bertan
    Powiązania:
    https://bibliotekanauki.pl/articles/2173847.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
    Tematy:
    coal consumption
    metaheuristic optimization
    grey wolf optimization
    particle swarm optimization
    whale optimization
    zużycie węgla
    optymalizacja metaheurystyczna
    optymalizacja szarego wilka
    optymalizacja roju cząstek
    optymalizacja wielorybów
    Opis:
    The demand for energy on a global scale increases day by day. Unlike renewable energy sources, fossil fuels have limited reserves and meet most of the world’s energy needs despite their adverse environmental effects. This study presents a new forecast strategy, including an optimization-based S-curve approach for coal consumption in Turkey. For this approach, Genetic Algorithm (GA) and Particle Swarm Optimization (PSO), Grey Wolf Optimization (GWO), and Whale Optimization Algorithm (WOA) are among the meta-heuristic optimization techniques used to determine the optimum parameters of the S-curve. In addition, these algorithms and Artificial Neural Network (ANN) have also been used to estimate coal consumption. In evaluating coal consumption with ANN, energy and economic parameters such as installed capacity, gross generation, net electric consumption, import, export, and population energy are used for input parameters. In ANN modeling, the Feed Forward Multilayer Perceptron Network structure was used, and Levenberg-Marquardt Back Propagation has used to perform network training. S-curves have been calculated using optimization, and their performance in predicting coal consumption has been evaluated statistically. The findings reveal that the optimization-based S-curve approach gives higher accuracy than ANN in solving the presented problem. The statistical results calculated by the GWO have higher accuracy than the PSO, WOA, and GA with R2 = 0.9881, RE = 0.011, RMSE = 1.079, MAE = 1.3584, and STD = 1.5187. The novelty of this study, the presented methodology does not need more input parameters for analysis. Therefore, it can be easily used with high accuracy to estimate coal consumption within other countries with an increasing trend in coal consumption, such as Turkey.
    Zapotrzebowanie na energię w skali globalnej rośnie z dnia na dzień. W przeciwieństwie do odnawialnych źródeł energii, paliwa kopalne mają ograniczone rezerwy i zaspokajają większość światowego zapotrzebowania na energię pomimo ich niekorzystnego wpływu na środowisko. Niniejsze opracowanie przedstawia nową strategię prognozowania, w tym oparte na optymalizacji podejście oparte na krzywej S dla zużycia węgla w Turcji. W tym podejściu algorytmy optymalizacji genetycznej (GA) i optymalizacji roju cząstek (PSO), optymalizacja Gray Wolf (GWO) i algorytm optymalizacji wielorybów (WOA) należą do metaheurystycznych technik optymalizacji stosowanych do określenia optymalnych parametrów krzywej S. Ponadto algorytmy te oraz sztuczna sieć neuronowa (SSN) zostały również wykorzystane do oszacowania zużycia węgla. Przy ocenie zużycia węgla za pomocą SSN jako parametry wejściowe wykorzystuje się parametry energetyczne i ekonomiczne, takie jak moc zainstalowana, produkcja brutto, zużycie energii elektrycznej netto, import, eksport i energia ludności. W modelowaniu SSN wykorzystano strukturę Feed Forward Multilayer Perceptron Network, a do uczenia sieci wykorzystano propagację wsteczną Levenberg-Marquardt. Krzywe S zostały obliczone za pomocą optymalizacji, a ich skuteczność w przewidywaniu zużycia węgla została oceniona statystycznie. Wyniki pokazują, że podejście oparte na optymalizacji opartej na krzywej S zapewnia większą dokładność niż SSN w rozwiązaniu przedstawionego problemu. Wyniki statystyczne obliczone przez GWO mają wyższą dokładność niż PSO, WOA i GA z R2 = 0,9881, RE = 0,011, RMSE = 1,079, MAE = 1,3584 i STD = 1,5187. Nowość tego badania, prezentowana metodyka nie wymaga dodatkowych parametrów wejściowych do analizy. Dzięki temu może być z łatwością wykorzystany z dużą dokładnością do oszacowania zużycia węgla w innych krajach o tendencji wzrostowej zużycia węgla, takich jak Turcja.
    Źródło:
    Gospodarka Surowcami Mineralnymi; 2022, 38, 2; 77--112
    0860-0953
    Pojawia się w:
    Gospodarka Surowcami Mineralnymi
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of Kaplan turbine coordination tests based on least squares support vector machine with an improved grey wolf optimization algorithm
    Autorzy:
    Kong, Fannie
    Xia, Jiahui
    Yang, Daliang
    Luo, Ming
    Powiązania:
    https://bibliotekanauki.pl/articles/2173627.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    Kaplan turbine
    coordination tests
    least squares support vector machine
    improved grey wolf optimization
    turbina Kaplana
    test koordynacyjny
    metoda najmniejszych kwadratów
    ulepszona optymalizacja szarego wilka
    Opis:
    The optimum combination of blade angle of the runner and guide vane opening with Kaplan turbine can improve the hydroelectric generating the set operation efficiency and the suppression capability of oscillations. Due to time and cost limitations and the complex operation mechanism of the Kaplan turbine, the coordination test data is insufficient, making it challenging to obtain the whole curves at each head under the optimum coordination operation by field tests. The field test data is employed to propose a least-squares support vector machine (LSSVM)-based prediction model for Kaplan turbine coordination tests. Considering the small sample characteristics of the test data of Kaplan turbine coordination, the LSSVM parameters are optimized by an improved grey wolf optimization (IGWO) algorithm with mixed non-linear factors and static weights. The grey wolf optimization (GWO) algorithm has some deficiencies, such as the linear convergence factor, which inaccurately simulates the actual situation, and updating the position indeterminately reflects the absolute leadership of the leader wolf. The IGWO algorithm is employed to overcome the aforementioned problems. The prediction model is simulated to verify the effectiveness of the proposed IGWO-LSSVM. The results show high accuracy with small samples, a 2.59% relative error in coordination tests, and less than 1.85% relative error in non-coordination tests under different heads.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 3; art. no. e137124
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of Kaplan turbine coordination tests based on least squares support vector machine with an improved grey wolf optimization algorithm
    Autorzy:
    Kong, Fannie
    Xia, Jiahui
    Yang, Daliang
    Luo, Ming
    Powiązania:
    https://bibliotekanauki.pl/articles/2128160.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    Kaplan turbine
    coordination tests
    least squares support vector machine
    improved grey wolf optimization
    turbina Kaplana
    test koordynacyjny
    metoda najmniejszych kwadratów
    ulepszona optymalizacja szarego wilka
    Opis:
    The optimum combination of blade angle of the runner and guide vane opening with Kaplan turbine can improve the hydroelectric generating the set operation efficiency and the suppression capability of oscillations. Due to time and cost limitations and the complex operation mechanism of the Kaplan turbine, the coordination test data is insufficient, making it challenging to obtain the whole curves at each head under the optimum coordination operation by field tests. The field test data is employed to propose a least-squares support vector machine (LSSVM)-based prediction model for Kaplan turbine coordination tests. Considering the small sample characteristics of the test data of Kaplan turbine coordination, the LSSVM parameters are optimized by an improved grey wolf optimization (IGWO) algorithm with mixed non-linear factors and static weights. The grey wolf optimization (GWO) algorithm has some deficiencies, such as the linear convergence factor, which inaccurately simulates the actual situation, and updating the position indeterminately reflects the absolute leadership of the leader wolf. The IGWO algorithm is employed to overcome the aforementioned problems. The prediction model is simulated to verify the effectiveness of the proposed IGWO-LSSVM. The results show high accuracy with small samples, a 2.59% relative error in coordination tests, and less than 1.85% relative error in non-coordination tests under different heads.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 3; e137124, 1--9
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      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