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 "swarm intelligence" wg kryterium: Temat

  Lista filtrów
Wyrównaj
Wyświetlanie 1-15 z 19
Tytuł:
Swarm intelligence for network routing optimization
Autorzy:
Dempsey, P.
Schuster, A.
Powiązania:
https://bibliotekanauki.pl/articles/309012.pdf
Data publikacji:
2005
Wydawca:
Instytut Łączności - Państwowy Instytut Badawczy
Tematy:
network routing
swarm intelligence
ant algorithms
Opis:
This paper presents the results of a comparative study of network routing approaches. Recent advances in the field suggest that swarm intelligence may offer a robust, high quality solution. The overall aim of the study was to develop a framework to facilitate the empirical evaluation of a swarm intelligence routing approach compared to a conventional static and dynamic routing approach. This paper presents a framework for the simulation of computer networks, collection of performance statistics, generation and reuse of network topologies and traffic patterns.
Źródło:
Journal of Telecommunications and Information Technology; 2005, 3; 24-28
1509-4553
1899-8852
Pojawia się w:
Journal of Telecommunications and Information Technology
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Improvements to Glowworm Swarm Optimization algorithm
Ulepszenia algorytmu Glowworm Swarm Optimization
Autorzy:
Oramus, P.
Powiązania:
https://bibliotekanauki.pl/articles/305567.pdf
Data publikacji:
2010
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
inteligencja roju
optymalizacja
swarm intelligence
glowworm swarm optimization
multimodal function optimization
Opis:
Glowworm Swarm Optimization algorithm is applied for the simultaneous capture of multiple optima of multimodal functions. The algorithm uses an ensemble of agents, which scan the search space and exchange information concerning a fitness of their current position. The fitness is represented by a level of a luminescent quantity called luciferin. An agent moves in direction of randomly chosen neighbour, which broadcasts higher value of the luciferin. Unfortunately, in the absence of neighbours, the agent does not move at all. This is an unwelcome feature, because it diminishes the performance of the algorithm. Additionally, in the case of parallel processing, this feature can lead to unbalanced loads. This paper presents simple modifications of the original algorithm, which improve performance of the algorithm by limiting situations, in which the agent cannot move. The paper provides results of comparison of an original and modified algorithms calculated for several multimodal test functions.
Algorytm Glowworm Swarm Optimization jest stosowany do równoczesnego odnajdywania wielu optimów funkcji multimodalnych. Algorytm używa zespołu agentów przeszukujących przestrzeń poszukiwań i wymieniających się informacjami o wartości funkcji przystosowania w danym położeniu. Funkcja przystosowania jest reprezentowana przez poziom emitującego światło pigmentu - lucyferyny. Agenci poruszają się w kierunku losowo wybranego sąsiada, który rozgłasza wyższą wartość poziomu lucyferyny. Niestety w przypadku braku sąsiadów agent nie porusza się wcale. Stanowi to niepożądaną cechę algorytmu ograniczającą jego wydajność. W przypadku przetwarzania równoległego cecha ta może prowadzić do niezrównoważenia obciążenia. Praca ta przedstawia proste modyfikacje oryginalnego algorytmu zwiększające jego wydajność poprzez ograniczanie liczby takich sytuacji, w których agent nie może się poruszyć. Przedstawione zostały wyniki porównania pracy oryginalnego i zmodyfikowanych algorytmów dla kilku funkcji testowych.
Źródło:
Computer Science; 2010, 11; 7-20
1508-2806
2300-7036
Pojawia się w:
Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
A comparative study on multi-swarm optimisation and bat algorithm for unconstrained non linear optimisation problems
Autorzy:
Baidoo, E.
Opoku Oppong, S
Powiązania:
https://bibliotekanauki.pl/articles/117918.pdf
Data publikacji:
2016
Wydawca:
Polskie Towarzystwo Promocji Wiedzy
Tematy:
swarm intelligence
bio-inspired
bat algorithm
multi-swarm optimisation
nonlinear optimisation
Opis:
A study branch that mocks-up a population of network of swarms or agents with the ability to self-organise is Swarm intelligence. In spite of the huge amount of work that has been done in this area in both theoretically and empirically and the greater success that has been attained in several aspects, it is still ongoing and at its infant stage. An immune system, a cloud of bats, or a flock of birds are distinctive examples of a swarm system. In this study, two types of meta-heuristics algorithms based on population and swarm intelligence - Multi Swarm Optimization (MSO) and Bat algorithms (BA) – are set up to find optimal solutions of continuous non-linear optimisation models. In order to analyze and compare perfect solutions at the expense of performance of both algorithms, a chain of computational experiments on six generally used test functions for assessing the accuracy and the performance of algorithms, in swarm intelligence fields are used. Computational experiments show that MSO algorithm seems much superior to BA.
Źródło:
Applied Computer Science; 2016, 12, 4; 59-77
1895-3735
Pojawia się w:
Applied Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Swarm intelligence algorithm based on competitive predators with dynamic virtual teams
Autorzy:
Yang, S.
Sato, Y.
Powiązania:
https://bibliotekanauki.pl/articles/91592.pdf
Data publikacji:
2017
Wydawca:
Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Tematy:
swarm intelligence
sitness predator optimizer
dynamic virtual team
population diversity
Opis:
In our previous work, Fitness Predator Optimizer (FPO) is proposed to avoid premature convergence for multimodal problems. In FPO, all of the particles are seen as predators. Only the competitive, powerful predator that are selected as an elite could achieve the limited opportunity to update. The elite generation with roulette wheel selection could increase individual independence and reduce rapid social collaboration. Experimental results show that FPO is able to provide excellent performance of global exploration and local minima avoidance simultaneously. However, to the higher dimensionality of multimodal problem, the slow convergence speed becomes the bottleneck of FPO. A dynamic team model is utilized in FPO, named DFPO to accelerate the early convergence rate. In this paper, DFPO is more precisely described and its variant, DFPO-r is proposed to improve the performance of DFPO. A method of team size selection is proposed in DFPO-r to increase population diversity. The population diversity is one of the most important factors that determines the performance of the optimization algorithm. A higher degree of population diversity is able to help DFPO-r alleviate a premature convergence. The strategy of selection is to choose team size according to the higher degree of population diversity. Ten well-known multimodal benchmark functions are used to evaluate the solution capability of DFPO and DFPO-r. Six benchmark functions are extensively set to 100 dimensions to investigate the performance of DFPO and DFPO-r compared with LBest PSO, Dolphin Partner Optimization and FPO. Experimental results show that both DFPO and DFPO-r could demonstrate the desirable performance. Furthermore, DFPO-r shows better robustness performance compared with DFPO in experimental study.
Źródło:
Journal of Artificial Intelligence and Soft Computing Research; 2017, 7, 2; 87-101
2083-2567
2449-6499
Pojawia się w:
Journal of Artificial Intelligence and Soft Computing Research
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Fireworks Algorithm for Unconstrained Function Optimization Problems
Autorzy:
Baidoo, E.
Powiązania:
https://bibliotekanauki.pl/articles/117784.pdf
Data publikacji:
2017
Wydawca:
Polskie Towarzystwo Promocji Wiedzy
Tematy:
Fireworks algorithm
Function optimization
swarm intelligence
Mathematical programming
Natural computing
Opis:
Modern real world science and engineering problems can be classified as multi-objective optimisation problems which demand for expedient and efficient stochastic algorithms to respond to the optimization needs. This paper presents an object-oriented software application that implements a firework optimization algorithm for function optimization problems. The algorithm, a kind of parallel diffuse optimization algorithm is based on the explosive phenomenon of fireworks. The algorithm presented promising results when compared to other population or iterative based meta-heuristic algorithm after it was experimented on five standard ben-chmark problems. The software application was implemented in Java with interactive interface which allow for easy modification and extended expe-rimentation. Additionally, this paper validates the effect of runtime on the al-gorithm performance.
Źródło:
Applied Computer Science; 2017, 13, 1; 61-74
1895-3735
Pojawia się w:
Applied Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Intelligent algorithms for routing sensory networks operating in explosion hazard zones
Autorzy:
Stankiewicz, Krzysztof
Jagoda, Jerzy
Tonkins, Matthew
Powiązania:
https://bibliotekanauki.pl/articles/2016485.pdf
Data publikacji:
2021
Wydawca:
Politechnika Wrocławska. Wydział Geoinżynierii, Górnictwa i Geologii. Instytut Górnictwa
Tematy:
routing algorithm
Internet of Things
explosion hazardous area
sensor network
swarm intelligence
Opis:
The article presents intelligent routing algorithms currently used in sensory networks, in terms of determining the possibility of their integration into systems working in potentially explosive atmospheres. Selected types of scribing algorithms were characterized. The analysis of simulation tests performed on selected types of scribing algorithms was carried out. The analysis of equipment solutions which can be used to build a network node operating in the conditions of methane and/or coal dust explosion hazard was carried out.
Źródło:
Mining Science; 2021, 28; 103-115
2300-9586
2353-5423
Pojawia się w:
Mining Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
FLC control for tuning exploration phase in bio-inspired metaheuristic
Autorzy:
Kiełkowicz, K.
Grela, D.
Powiązania:
https://bibliotekanauki.pl/articles/106299.pdf
Data publikacji:
2016
Wydawca:
Uniwersytet Marii Curie-Skłodowskiej. Wydawnictwo Uniwersytetu Marii Curie-Skłodowskiej
Tematy:
Bat algorithm
swarm intelligence
metaheuristics
optimization
fuzzy logic
Mamdami-Type inference system
Opis:
Growing popularity of the Bat Algorithm has encouraged researchers to focus their work on its further improvements. Most work has been done within the area of hybridization of Bat Algorithm with other metaheuristics or local search methods. Unfortunately, most of these modifications not only improves the quality of obtained solutions, but also increases the number of control parameters that are needed to be set in order to obtain solutions of expected quality. This makes such solutions quite impractical. What more, there is no clear indication what these parameters do in term of a search process. In this paper authors are trying to incorporate Mamdani type Fuzzy Logic Controller (FLC) to tackle some of these mentioned shortcomings by using the FLC to control the exploration phase of a bio-inspired metaheuristic. FLC also allows us to incorporate expert knowledge about the problem at hand and define expected behaviors of system – here process of searching in multidimensional search space by modeling the process of bats hunting for their prey.
Źródło:
Annales Universitatis Mariae Curie-Skłodowska. Sectio AI, Informatica; 2016, 16, 2; 32-38
1732-1360
2083-3628
Pojawia się w:
Annales Universitatis Mariae Curie-Skłodowska. Sectio AI, Informatica
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Population diversity maintenance in brain storm optimization algorithm
Autorzy:
Cheng, S.
Shi, Y.
Qin, Q.
Zhang, Q
Bai, R.
Powiązania:
https://bibliotekanauki.pl/articles/91571.pdf
Data publikacji:
2014
Wydawca:
Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Tematy:
brainstorm
optimization algorithm
convergence
divergence
brainstorm optimization
BSO
swarm intelligence
BSO algorithm
Opis:
The convergence and divergence are two common phenomena in swarm intelligence. To obtain good search results, the algorithm should have a balance on convergence and divergence. The premature convergence happens partially due to the solutions getting clustered together, and not diverging again. The brain storm optimization (BSO), which is a young and promising algorithm in swarm intelligence, is based on the collective behavior of human being, that is, the brainstorming process. The convergence strategy is utilized in BSO algorithm to exploit search areas may contain good solutions. The new solutions are generated by divergence strategy to explore new search areas. Premature convergence also happens in the BSO algorithm. The solutions get clustered after a few iterations, which indicate that the population diversity decreases quickly during the search. A definition of population diversity in BSO algorithm is introduced in this paper to measure the change of solutions’ distribution. The algorithm’s exploration and exploitation ability can be measured based on the change of population diversity. Different kinds of partial reinitialization strategies are utilized to improve the population diversity in BSO algorithm. The experimental results show that the performance of the BSO is improved by part of solutions re-initialization strategies.
Źródło:
Journal of Artificial Intelligence and Soft Computing Research; 2014, 4, 2; 83-97
2083-2567
2449-6499
Pojawia się w:
Journal of Artificial Intelligence and Soft Computing Research
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Designing fuzzy rule-based controllers from data using particle swarm optimization
Projektowanie rozmytych regulatorów regułowych na bazie danych z wykorzystaniem tzw. optymalizacji rojowej
Autorzy:
Gorzałczany, M. B.
Głuszek, A.
Powiązania:
https://bibliotekanauki.pl/articles/153296.pdf
Data publikacji:
2010
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
inteligencja obliczeniowa
regulatory rozmyte
systemy wieloagentowe
inteligencja rojowa
dane pomiarowe
computational intelligence
fuzzy controllers
multi-agent systems
swarm intelligence
measurement data
Opis:
The paper presents a hybrid combination of fuzzy rule-based systems and particle swarm optimization (PSO) approach - referred to as PSO fuzzy rule-based technique - for optimizing sets of fuzzy control rules synthesized from control data. The application of the proposed technique to a complex and non-linear problem of the control of backing up a truck to a loading dock is also presented in the paper.
Artykuł prezentuje hybrydowe połączenie rozmytych systemów regułowych z metodami tzw. optymalizacji rojowej w celu optymalizowania zestawów rozmytych reguł sterujących syntetyzowanych z danych opisujących procesy sterowania. Zatem, artykuł proponuje rozszerzenie tradycyjnego zestawu komponentów wykorzystywanych dotychczas w budowie systemów tzw. inteligencji obliczeniowej obejmującego sztuczne sieci neuronowe, systemy rozmyte, algorytmy ewolucyjne (przede wszystkim, algorytmy genetyczne) czy też tzw. zbiory przybliżone o nowe narzędzie przeszukiwania rozważanych przestrzeni rozwiązań. Najpierw sformułowany został problem budowy regulatorów, których funkcjonowanie opisywane jest przy pomocy zestawów reguł rozmytych, na bazie danych opisujących procesy sterowania. Następnie przedstawiono zarys procesu syntezy rozmytych reguł sterowania z wykorzystaniem metod tzw. optymalizacji rojowej. Z kolei, zaprezentowano zastosowanie proponowanego podejścia do złożonego i nieliniowego problemu sterowania cofaniem ciężarówki do rampy załadowczej. Przedstawiono uzyskaną bazę reguł regulatora rozmytego, kształty funkcji przynależności zbiorów rozmytych występujących w regułach sterowania oraz wybrane przykłady trajektorii ruchu ciężarówki ze sterowaniem rozmytym.
Źródło:
Pomiary Automatyka Kontrola; 2010, R. 56, nr 12, 12; 1424-1426
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Swarm intelligence approach to safe ship control
Autorzy:
Lazarowska, A.
Powiązania:
https://bibliotekanauki.pl/articles/258674.pdf
Data publikacji:
2015
Wydawca:
Politechnika Gdańska. Wydział Inżynierii Mechanicznej i Okrętownictwa
Tematy:
ant colony optimization
collision avoidance
computer simulation
marine transport
path planning
safe ship control
safety at sea
swarm intelligence
Opis:
This paper presents an application of the Ant Colony Optimization (ACO) technique in a safe ship control system. The method developed solves the problem of path planning and collision avoidance of a ship in the open sea as well as in restricted waters. The structure of the developed safe ship control system is introduced, followed by a presentation of the applied algorithm. Results showing the problem-solving capability of the system are also included. The aim of the system developed is to increase automation of a safe ship control process. It is possible to apply the proposed method in Unmanned Surface Vehicles (USVs) control system, what will contribute to the enhancement of their autonomy.
Źródło:
Polish Maritime Research; 2015, 4; 33-40
1233-2585
Pojawia się w:
Polish Maritime Research
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
Tytuł:
Badanie i analiza algorytmów rojowych w optymalizacji parametrów regulatora kursu statku
Study and analysis of swarm intelligence in optimizing parameters of the ship course controller
Autorzy:
Tomera, M.
Powiązania:
https://bibliotekanauki.pl/articles/266857.pdf
Data publikacji:
2015
Wydawca:
Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Tematy:
algorytmy rojowe
algorytm genetyczny
optymalizacja stochastyczna
regulator PID
sterowanie statkiem
swarm intelligence
genetic algorithm
random optimization
PID controller
ship control
Opis:
W pracy przedstawione zostały badania i analiza zastosowania wybranych algorytmów rojowych do optymalizacji parametrów regulatora PID w układzie sterowania statkiem na kursie. Optymalizacja ta polegała na minimalizacji czasowego wskaźnika jakości wyznaczanego na podstawie odpowiedzi skokowej. Do optymalizacji parametrów regulatora kursu statku wykorzystane zostały algorytmy rojowe, takie jak: algorytm mrówkowy, zmodyfikowany algorytm mrówkowy, algorytm sztucznej kolonii pszczół oraz algorytm optymalizacji rojem cząstek. Przeprowadzone zostały badania szybkości znajdowania optymalnego rozwiązania i wykonana została analiza porównawcza uzyskanych wyników. Zaprezentowane wyniki badań pozwalają stwierdzić, że algorytm optymalizacji rojem cząstek charakteryzuje się najlepszą jakością optymalizacji parametrów regulatora kursu statku.
The paper presents the research and analysis of the use of certain swarm intelligence algorithms to optimize the parameters of PID control in a ship on the course. This optimization was to minimize the performance quality index based on step response of the mathematical model of control system. To optimize the parameters of the ship course controller have been used 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). Rate tests were conducted to find the optimal solution and a comparative analysis of the results was made. The presented results of research allow us to conclude that the particle swarm optimization (PSO) algorithm has the best quality of optimizing the control parameters of the course controller.
Źródło:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2015, 46; 103-106
1425-5766
2353-1290
Pojawia się w:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
A nature inspired collision avoidance algorithm for ships
Autorzy:
Lazarowska, A.
Powiązania:
https://bibliotekanauki.pl/articles/24201448.pdf
Data publikacji:
2023
Wydawca:
Uniwersytet Morski w Gdyni. Wydział Nawigacyjny
Tematy:
collision avoidance algorithm
safe own Ship's Trajectory
safe navigation
ant colony optimization
firefly agorithm
path planning
swarm intelligence
nature inspired computing
Opis:
Nature inspired algorithms are regarded as a powerful tool for solving real life problems. They do not guarantee to find the globally optimal solution, but can find a suboptimal, robust solution with an acceptable computational cost. The paper introduces an approach to the development of collision avoidance algorithms for ships based on the firefly algorithm, classified to the swarm intelligence methods. Such algorithms are inspired by the swarming behaviour of animals, such as e.g. birds, fish, ants, bees, fireflies. The description of the developed algorithm is followed by the presentation of simulation results, which show, that it might be regarded as an efficient method of solving the collision avoidance problem. Such algorithm is intended for use in the Decision Support System or in the Collision Avoidance Module of the Autonomous Navigation System for Maritime Autonomous Surface Ships.
Źródło:
TransNav : International Journal on Marine Navigation and Safety of Sea Transportation; 2023, 17, 2; 341--346
2083-6473
2083-6481
Pojawia się w:
TransNav : International Journal on Marine Navigation and Safety of Sea Transportation
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:
Optymalizacja liczby i położenia odwiertów eksploatacyjnych z wykorzystaniem mapy potencjału produktywności
Optimization of the number and placement of exploitation wells using a productivity potential map
Autorzy:
Łętkowski, Piotr
Powiązania:
https://bibliotekanauki.pl/articles/31344029.pdf
Data publikacji:
2022
Wydawca:
Instytut Nafty i Gazu - Państwowy Instytut Badawczy
Tematy:
optymalizacja
symulacje złożowe
inteligencja roju
optymalizacja rojem cząstek
optymalna liczba odwiertów
optymalne położenie odwiertów
mapa potencjału produktywności
optimization
reservoir simulation
swarm intelligence
particle swarm optimization
optimal number of wells
optimal well placement
productivity potential map
Opis:
Jednym z podstawowych elementów planu zagospodarowania złoża węglowodorów jest określenie liczby i położenia odwiertów eksploatacyjnych (produkcyjnych i zatłaczających). Należy jednak zauważyć, że zdecydowana większość prac poświęcona temu zagadnieniu opisuje proces optymalizacji położenia, a nie liczby odwiertów, przyjmując, że jest ona zadana arbitralnie. Wynika to 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. W artykule przedstawiono modyfikację podstawowej metody optymalizacyjnej uwzględniającą zmianę liczby odwiertów w czasie optymalizacji, przy czym optymalizacja położenia i liczby odwiertów przebiega równocześnie. Podstawową metodą optymalizacyjną w skonstruowanym algorytmie jest optymalizacja rojem cząstek (ang. PSO) – jedna z najbardziej efektywnych metod optymalizacji bezgradientowej, należąca do grupy metod stochastycznych. Została ona zmodyfikowana dla potrzeb przyjętego problemu optymalizacyjnego poprzez zmianę postaci funkcji celu oraz wprowadzenie zmiennej progowej, co pozwoliło na operowanie zmienną liczbą odwiertów. W celu poprawienia zbieżności algorytm uzupełniono o mechanizm mutacji oparty na mapie potencjału produktywności. Testy zbieżności metody przeprowadzone na przykładzie złoża testowego PUNQ-S3 wskazały na zadowalającą efektywność zaproponowanego rozwiązania. Algorytm potrzebował 150 iteracji i 750 wywołań funkcji celu, aby 2,5-krotnie zwiększyć początkową wartość NPV przy równoczesnej 3,5-krotnej redukcji liczby odwiertów produkcyjnych. Z kolei zastosowanie algorytmu do optymalizacji liczby i rozmieszczenia odwiertów zatłaczających przy zadanej liczbie konfiguracji odwiertów wydobywczych pozwoliło na zwiększenie zysku netto o 1/3 przy ponad 2-krotnej redukcji liczby odwiertów
One of the basic elements of the hydrocarbon reservoir development plan is to determine the number and location of production and injection wells. 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 exploitation wells assuming that it was an 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 presents modification of the basic optimization method taking into account the change in the number of wells during optimization. The optimization of the placement and number of wells run simultaneously. The basic optimization method in the constructed algorithm is particle swarm optimization (PSO) – one of the most effective methods of non-gradient optimization, belonging to the group of stochastic methods. It was modified for the needs of the adopted optimization problem by changing the form of the objective function and introducing the threshold variable which allowed to change the number of wells. In order to improve the convergence, the algorithm is supported by a mutation mechanism based on the productivity potential map. The convergence tests carried out based on the example of the PUNQ-S3 benchmark field showed the satisfactory effectiveness of the proposed solution. The algorithm took 150 iterations and 750 objective function calls to increase the starting NPV value by 2.5 times while reducing the number of production wells by 3.5 times. On the other hand, the use of the algorithm to optimize the number and placement of injection wells for a given number of production wells configuration allowed to increase the NPV value profit by 1/3 with a reduction of more than 2 times in the number of wells.
Źródło:
Nafta-Gaz; 2022, 78, 12; 861-871
0867-8871
Pojawia się w:
Nafta-Gaz
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 19

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