1. Trang chủ
  2. » Luận Văn - Báo Cáo

ÁP DỤNG THUẬT TOÁN ĐOM ĐÓM BIT LƯỢNG TỬ CHO BÀI TOÁN TỐI ƯU VỊ TRÍ HỆ THỐNG LƯU TRỮ NĂNG LƯỢNG DỰA TRÊN TIÊU CHÍ ĐIỆN ÁP

178 4 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Tiêu đề Áp Dụng Thuật Toán Đom Đóm Bit Lượng Tử Cho Bài Toán Tối Ưu Vị Trí Hệ Thống Lưu Trữ Năng Lượng Dựa Trên Tiêu Chí Điện Áp
Tác giả Trần Minh Mẫn
Người hướng dẫn TS. Huỳnh Quang Minh
Trường học Đại Học Bách Khoa
Chuyên ngành Kỹ Thuật Điện
Thể loại luận văn thạc sĩ
Năm xuất bản 2022
Thành phố TP. HCM
Định dạng
Số trang 178
Dung lượng 8,05 MB

Cấu trúc

  • 1.1. T V N (15)
  • 1.2. H NG TI P C N TÀI (15)
  • 1.3. PH M VI NGHIÊN C U (16)
  • 1.4. M C TIÊU NGHIÊN C U (16)
  • 1.5. N I DUNG NGHIÊN C U (16)
  • 1.6. ụ NGH A C A TÀI (17)
  • 2.1. T NG QUAN V BÀI TOÁN T I U HịA BESS TRONG H TH NG I N PHÂN PH I (18)
  • 2.2. T NG QUAN V CÁC PH NG PHÁP GI I ĩ C ÁP D NG (20)
  • 3.1. GI I THI U (23)
  • 3.2. BI U TH C C B N C A THU T TOÁN FIREFLY ALGORIMTH (24)
  • 3.3. MÔ HÌNH T I U HịA D A TRÊN THU T TOÁN B Y OM ịM VĨ CÁC HÀM PH T (0)
  • 3.4. THU T TOÁN OM ịM V I L NG T (32)
  • 3.5. M T S PH NG PHÁP C I TI N QUAN TR NG TRONG QUÁ TRÌNH PHÁT TRI N C A THU T TOÁN OM ịM (40)
  • 4.1. MÔ HÌNH H TH NG PIN L U TR (48)
  • 4.2. M NG I N IEEE 33 NÚT (50)
  • 4.3. CÔNG C MATPOWER (53)
  • 4.4. XÂY D NG HÀM M C TIÊU (59)
  • 5.1. XÂY D NG K CH B N (62)
  • 5.2. XÂY D NG S THU T TOÁN (66)
  • 5.3. K T QU TÍNH TOÁN (71)
  • 5.4. NH N XÉT, K T LU N (82)
  • 6.1. XÂY D NG K CH B N (83)
  • 6.2. K T QU TÍNH TOÁN (88)
  • 6.3. NH N XÉT, K T LU N (105)
  • 7.1. K T QU NGHIÊN C U ĩ T C (106)
  • 7.2. H N CH , THI U SÓT (106)
  • 7.3. H NG PHÁT TRI N C A TÀI (107)

Nội dung

T V N

Việt Nam đang hướng đến phát triển bền vững, tăng cường thay thế năng lượng hóa thạch bằng năng lượng tái tạo, giúp giảm thiểu tác động tiêu cực đến môi trường Chính phủ khuyến khích phát triển điện mặt trời và điện gió, đồng thời xây dựng các nhà máy điện năng lượng tái tạo quy mô lớn Các hệ thống điện mặt trời phân tán cũng chiếm một tỷ trọng lớn trong cơ cấu nguồn điện hiện nay Tuy nhiên, các nguồn phân tán này vẫn hoạt động với những đặc tính phụ thuộc vào thời tiết, gây ra một số ảnh hưởng nhất định đến lưới điện phân phối như điện áp, tần suất, tần thất, độ ổn định và độ tin cậy.

Hệ thống lưu trữ năng lượng (ESS) là giải pháp hiệu quả cho các nhà mạng điện ESS bao gồm các thành phần như pin, siêu tụ điện, bánh đà, bộ lưu trữ năng lượng cơ học, bộ lưu trữ năng lượng khí nén, và pin nhiên liệu tái sinh Trong số đó, pin là một phần quan trọng trong việc lưu trữ năng lượng.

Hệ thống lưu trữ năng lượng bằng pin (BESS) được sử dụng rộng rãi nhờ vào hiệu quả và tính kinh tế của nó Việc tối ưu hóa các yếu tố như số lượng, vị trí, dung lượng và giải pháp vận hành là rất cần thiết để đạt được hiệu quả cao nhất.

H NG TI P C N TÀI

V n đ này đã đ c gi i khoa h c nghiên c u và công b k t qu trên các t báo l n, c ng nh các t p chí, h i ngh trong n c và trong khu v c Nhóm tác gi Duong

Quốc Hưng, N Mithulanathan và R.C Bansal đã nghiên cứu ảnh hưởng của hệ thống năng lượng mặt trời (PV) và hệ thống lưu trữ năng lượng (BESS) lên lưới điện phân phối, tập trung vào các yếu tố như tải điện và định mức điện áp Hàm đa mục tiêu được xây dựng dựa trên các phân tích tối ưu về tiêu thụ năng lượng và hiệu suất công suất của các hệ thống PV và BESS Thuật toán tự điều chỉnh (SCA) đã được phát triển phù hợp cho bài toán tối ưu hóa tiêu thụ năng lượng của PV và BESS Kết quả mô phỏng và đánh giá được thực hiện trên lưới điện phân phối với 33 nút.

Nhóm tác giả Hussain Shareef, Wong Ling Ai, và Md Mainul Islam nghiên cứu tối ưu vị trí BESS dựa trên nguồn phát điện xét theo tiêu chí điện áp Thuật toán Firefly Optimization (FA) được sử dụng để mô phỏng và đánh giá hiệu quả so với hai thuật toán khác là Binary FA (BFA) và Binary Gravitational Search (QB.GSA) Lợi điểm phân phối 69 nút được sử dụng để đánh giá các thuật toán này.

Nhóm tác gi Ali Selim, Salah Kamel, Francisco Jurado, Joao A.Pecas Lopes và

Manuel Matos nghiên cứu về trí tuệ nhân tạo và ứng dụng của PV và BESS trong hệ thống điện phân phối bằng thuật toán quyết định logic mờ Hàm mục tiêu của bài toán nhằm giảm thiểu tổn thất công suất, điều chỉnh điện áp và tối đa hóa chất lượng điện áp Thuật toán logic mờ đã được sử dụng và đánh giá hiệu quả qua ba chỉ tiêu, với ba mô hình lưới điện, bao gồm lưới điện IEEE 33 nút và lưới điện thực tế 94 nút.

Nhóm tác gi Panyawoot Boonluk, Apirat Siritaratiwat, Pradit Fuangfoo và

Sirote Khunkitti đã nghiên cứu vị trí và dung lượng của BESS đối với hệ thống điện phân phối, so sánh kết quả giữa hai phương pháp Genetic Algorithm (GA) và Particle Swarm Optimization (PSO) Hàm mục tiêu của bài toán là giảm thiểu chi phí do đỉnh điện áp, tổn thất điện năng và chi phí tránh được khi đáp ứng nhu cầu phụ tải.

K t qu c a 2 ph ng pháp đ c so sánh, cho th y s t ng đ ng v v trí và công su t l p đ t c a BESS đ i v i h th ng đi n IEEE 33 nút.

PH M VI NGHIÊN C U

- Mô hình matlab l i đi n 33 nút, h th ng đi n m t tr i (PV) và h th ng pin l u tr n ng l ng (BESS)

- Xây d ng hàm đa m c tiêu trên các y u t đi n áp, t n th t, ph đnh ph t i

- Thu t toán t i u Firefly Algorithm (FA) v i l ng t (QEA) và m t s ph ng pháp c i ti n

- Áp d ng ph ng pháp cho m t h th ng đi n v n hành th c t

M C TIÊU NGHIÊN C U

Vấn đề xây dựng hệ thống lưới điện thông minh dựa trên năng lượng tái tạo đã được nghiên cứu từ năm 2000, nhưng ngày càng trở nên cấp thiết khi hệ thống điện có sự tham gia của các nguồn điện năng lượng tái tạo Mục tiêu chính là xác định vị trí tối ưu theo các tiêu chí đặt ra liên quan đến BESS và vận hành BESS trong hệ thống điện một cách linh hoạt, nhằm nâng cao chất lượng điện năng và độ tin cậy cung cấp điện Giải quyết vấn đề này có nhiều phương pháp, trong đó phương pháp đom đóm được áp dụng trong phạm vi nghiên cứu này là một trong những giải pháp hiệu quả.

N I DUNG NGHIÊN C U

- Tìm hi u v bài toán t i u BESS trong h th ng đi n phân ph i

- Tìm hi u v các ph ng pháp gi i đã đ c các tác gi th c hi n

- Tìm hi u v thu t toán t i u Firefly Algorithm (FA) và Quantum-Inspired Evolutionary Algorithm (QEA)

- Tìm hi u các ph ng pháp c i ti n thu t toán FA

- Mô hình hóa các ph n t trong H th ng đi n: PV, BESS, l i đi n IEEE 33 nút

- Xây d ng hàm m c tiêu d a trên tiêu chí đi n áp, t n th t, ph đnh ph t i

- Code matlab gi i bài toán t i u BESS dùng thu t toán FA và QBFA

- Áp d ng ph ng pháp cho m t h th ng đi n v n hành th c t

- ánh giá k t qu , nh n xét, k t lu n.

ụ NGH A C A TÀI

- K t qu nghiên c u d ki n đ xu t đ c m t thu t toán m i đ gi i quy t bài toán t i u v trí BESS trong h th ng đi n phân ph i

- Thu t toán m i này th hi n tính u vi t h n trong m t s tr ng h p khi tìm l i gi i t i u cho bài toán và có th i gian tính toán, s vòng l p t t h n các thu t toán khác

IVIMTL là một phương pháp điển hình trong việc phân tích các nguồn điển phân tán, giúp đánh giá và xác định vị trí tối ưu để lắp đặt hệ thống pin lưu trữ năng lượng Phương pháp này phù hợp với công tác thiết kế và vận hành kinh tế của hệ thống sau này.

T NG QUAN V BÀI TOÁN T I U HịA BESS TRONG H TH NG I N PHÂN PH I

Ngày nay, các nguồn năng lượng tái tạo (RES) đã được phát triển rộng rãi nhằm đáp ứng nhu cầu điện ngày càng cao Tuy nhiên, RES thường gặp khó khăn trong việc duy trì tính ổn định do nguồn điện tự nhiên biến động, gây ra mất cân bằng cung cầu điện Kết quả là, một số thời điểm nguồn năng lượng phát ra lên hệ thống điện và tồn thất điện xảy ra trong các mạng phân phối Điều này được biết đến là kết nối của các RES thuộc sự quản lý của các nhà khai thác mạng phân phối (DNO) Chất lượng của các công ty RES thường bán năng lượng điện cho các mạng lưới phân phối dựa trên việc phát điện phụ thuộc vào các nguồn tài nguyên tại thời điểm đó Quang điện (PV) chỉ có thể tạo ra điện vào ban ngày, là một ví dụ điển hình cho vấn đề này.

Các yếu tố quan trọng đối với lưới điện phân phối bao gồm độ tin cậy của hệ thống điện và chất lượng điện đạt tiêu chuẩn Hệ thống lưu trữ năng lượng (ESS) đóng vai trò quan trọng trong việc phân phối với các nguồn năng lượng tái tạo (RES) và kết nối đến các điểm tiêu thụ của RES Ngoài ra, ESS có khả năng cân bằng nguồn điện và nhu cầu điện, cải thiện độ ổn định điện áp, giảm tổn thất điện năng, và nâng cao nhu cầu cao điểm bằng cách lưu trữ năng lượng trong thời gian thấp điểm, cũng như cung cấp điện năng trong thời gian cao điểm ESS được sử dụng cho nhiều mục tiêu, bao gồm cải thiện độ ổn định điện áp, giảm tổn thất điện năng và nâng cao nhu cầu cao điểm.

Vị trí và kích thước tối ưu của việc lắp đặt ESS có thể ảnh hưởng đáng kể đến hiệu quả và độ tin cậy của hệ thống điện I Nadji và cộng sự đã đề xuất kích thước tối ưu của một cài đặt ESS được coi là chi phí tối thiểu với vị trí yêu thích nhất bằng cách xem xét chỉ số hiệu suất chi phí (CSI) M Nick và cộng sự đã đưa ra chi phí đầu tư tối thiểu của một cài đặt ESS, nhấn mạnh tầm quan trọng của việc tối ưu hóa vị trí và kích thước để đạt được hiệu quả kinh tế cao nhất.

Hệ thống lưu trữ năng lượng (ESS) có vai trò quan trọng trong việc tối ưu hóa chi phí phát sinh và nâng cao hiệu suất của hệ thống điện Việc lắp đặt hệ thống lưu trữ năng lượng pin (BESS) không chỉ cải thiện hiệu quả mà còn tăng tính linh hoạt trong việc quản lý năng lượng, giúp tối đa hóa lợi nhuận cho nhà cung cấp điện BESS kết hợp với các nguồn năng lượng tái tạo (RES) có thể hỗ trợ tiêu thụ điện ngày càng tăng Bên cạnh việc lắp đặt ESS với vị trí và kích thước tối ưu, việc kiểm soát lịch trình hoạt động của ESS cũng rất quan trọng để nâng cao hiệu quả của hệ thống điện và tạo ra lợi nhuận từ việc bán điện.

N Jayasekara và cộng sự đã đề xuất một phương pháp thích hợp để tìm ra kiểu đánh giá, đánh giá và hoạt động tối ưu của BESS Tuy nhiên, các chi phí như chi phí pin, chi phí lắp đặt và chi phí bảo trì của BESS đã được bao gồm trong hàm mục tiêu Do đó, việc đánh giá và định giá thu được của BESS không thể thích hợp nhằm mục đích nâng cao hiệu quả, giảm thiểu chi phí phát sinh, tổn thất điện năng và nhu cầu cao điểm của mạng phân phối Hơn nữa, việc so sánh các thuật toán tối ưu hóa khác nhau chưa được nghiên cứu để xác minh kết quả mô phỏng thu được Công việc này nhằm mục đích tìm ra vị trí và kích thước tối ưu của BESS trong mạng phân phối với RES được kết nối, nhằm đáp ứng nhu cầu tải thay đổi trong một ngày Chức năng mục tiêu là giảm thiểu chi phí phát sinh trong mạng lưới phân phối, bao gồm chi phí lắp đặt, tổn thất điện năng và nhu cầu cao điểm.

Hệ thống lưu trữ năng lượng (BESS) được đánh giá cao trong mạng lưới phân phối, với việc cài đặt BESS đã được thực hiện trên mạng phân phối 33 bus IEEE Kết quả mô phỏng cung cấp bởi hai thuật toán, bao gồm thuật toán di truyền (GA) và thuật toán tối ưu bầy đàn (PSO), đã được so sánh để xác minh kết quả mô phỏng và tính thích hợp của các thuật toán này.

Bài toán t i u BESS có th chia thành hai lo i, tùy theo l nh v c áp d ng:

-Bài toán t nh: Th ng đ c ng d ng trong giai đo n thi t k , l p d án nh xác đ nh s l ng, dung l ng đnh m c và v trí đ t t i u c a BESS trong h th ng đi n

Bài toán đặt ra là xác định giá trị của hệ thống lưu trữ năng lượng (BESS) trong các điều kiện vận hành khác nhau, bao gồm phân tích các yếu tố như phí tổn, tần suất công suất, độ lệch điện áp và chất lượng điện áp Việc tối ưu hóa BESS phụ thuộc vào nhiều yếu tố, từ nguồn điện phân phối đến các điều kiện vận hành cụ thể, nhằm đảm bảo hiệu quả và tiết kiệm chi phí cho hệ thống.

T NG QUAN V CÁC PH NG PHÁP GI I ĩ C ÁP D NG

2.2.1 Thu t toán Whale Optimazation Algorithm ậ WOA

Bài báo [32] trình bày phương pháp tối ưu vị trí của hệ thống lưu trữ năng lượng (BESS) sử dụng thuật toán tối ưu cá voi (WOA) dựa trên tiêu chí giảm thiểu tổn thất công suất Thuật toán WOA, cùng với khả năng khám phá và khai thác tốt, là hai tính năng quan trọng trong các thuật toán tối ưu metaheuristic Trong nghiên cứu này, WOA được áp dụng để tối ưu hóa vị trí của BESS trong mạng lưới phân phối, nhằm giảm thiểu tổn thất năng lượng.

Nghiên cứu này phân tích vai trò của Hệ thống lưu trữ năng lượng (BESS) trong hệ thống phân phối điện, với hai trường hợp có và không có sự tích hợp của nguồn điện tái tạo phân tán (PVDG) Mục tiêu là giảm thiểu tổn thất trong hệ thống điện phân phối Hai kịch bản chính được xem xét: kịch bản đầu tiên liên quan đến lưới điện phân phối thông thường, và kịch bản thứ hai liên quan đến lưới điện tích hợp PVDG Nghiên cứu cũng chỉ ra rằng việc sử dụng BESS có thể giúp giảm tổn thất điện năng một cách hiệu quả, đặc biệt là trong các khu vực có phát điện phân tán Người ta nhận thấy rằng với cùng một công suất BESS, việc bố trí ở hai vị trí khác nhau trong hệ thống có thể ảnh hưởng đến hiệu quả giảm thiểu tổn thất điện năng.

2.2.2 Ph ng pháp Fuzzy decision ậ making (FDM)

Bài báo [3] trình bày phương pháp tối ưu cài đặt giá trị trục của PV và BES trong hệ thống điện phân phối sử dụng phương pháp ra quyết định mờ (Fuzzy decision-making) Đối với bài toán đa mục tiêu, cần phải chọn được giải pháp tối ưu nhất trong số các giải pháp khác nhau Trong công việc này, việc phát triển phương pháp FDM được sử dụng để đạt được kết quả tối ưu Lợi thế của việc sử dụng phương pháp FDM là cho phép người thực hiện đưa ra mức độ ưu tiên cho một chức năng nhất định hơn chức năng khác thông qua các quy tắc mờ Bên cạnh đó, hàm FDM quy định hàm tiêu tối ưu có giá trị trọng số cao nhất tùy thuộc vào tất cả các giải pháp không bị chi phối.

Thuật toán MCSSA đã được áp dụng để tối ưu hóa việc phân phối điện năng trong lưới phân phối Nghiên cứu này tập trung vào ba mục tiêu chính: tối ưu hóa điểm áp, điều chỉnh điểm áp và cải thiện độ ổn định điểm áp Phương pháp FDM đã được sử dụng để lập kế hoạch tối ưu cho việc sử dụng nguồn BES nhằm nâng cao hiệu suất của hệ thống điện, đặc biệt là khi hệ thống PV không phát điện liên tục Thuật toán đã được xác thực dựa trên ba tình huống sử dụng hệ thống tiêu chuẩn IEEE 33 nút Kết quả nghiên cứu đã so sánh phương pháp FDM với các kỹ thuật tối ưu hóa hiện có, chứng minh tính ưu việt của thuật toán MCSSA trong việc xác định cài đặt tối ưu.

PV và BES trong l i phân ph i đ gi m thi u t n th t công su t, đ l ch đi n áp

2.2.3 Thu t toán Particle Swarm Optimization (PSO)

Bài báo này trình bày phương pháp tối ưu vị trí và công suất lắp đặt của BESS trong hệ thống điện phân phối, với mục tiêu giảm chi phí điện áp, tổn thất điện năng và phát thải khí nhà kính Kết quả mô phỏng việc cài đặt BESS được đánh giá trên mạng phân phối 33 bus IEEE Thuật toán tối ưu bầy đàn (PSO) đã được áp dụng để giải quyết vấn đề tối ưu hóa này PSO là một phương pháp tối ưu hóa hiệu quả cao, được phát minh gần đây, với nhiều đặc tính đáng mong đợi, bao gồm tính đơn giản và khả năng thực hiện tốt Nó tương tự với một số phương pháp di truyền và thuật toán tiến hóa, nhưng yêu cầu ít tính toán hơn trong chương trình máy tính và ít dòng lệnh hơn Tối ưu hóa bầy đàn dựa trên các nghiên cứu về bầy chim và bầy cá, khi các nhà nghiên cứu nhận ra rằng các thuật toán mô phỏng của họ có tính tối ưu hóa.

Vị trí và công suất lắp đặt BESS tối ưu trong mạng phân phối với RESs đã được trình bày Hàm mục tiêu được coi là tối thiểu hóa tổng chi phí phát sinh trong mạng lưới phân phối, bao gồm chi phí sai lệch điện áp, tổn thất điện năng và nhu cầu cao điểm.

Việc cài đặt hệ thống lưu trữ năng lượng (BESS) được thực hiện trong mạng phân phối 33 bus IEEE bằng cách sử dụng thuật toán di truyền (GA) và thuật toán tối ưu bầy đàn (PSO) nhằm tối ưu hóa hàm mục tiêu Kết quả cho thấy cả hai thuật toán đều có khả năng tối ưu hóa hiệu quả BESS trong mạng lưới phân phối, giúp giảm chi phí, giảm độ lệch điện áp, tiết kiệm năng lượng và đáp ứng nhu cầu cao Đồng thời, nó cũng hỗ trợ tích cực cho việc tích hợp nguồn năng lượng tái tạo (RES) trong các hệ thống điện Nghiên cứu chỉ ra rằng PSO hiệu quả hơn GA trong việc tối ưu hóa các mục tiêu cho vấn đề này.

2.2.4 Thu t toán Genetic Algorithm (GA)

Bài báo [33] trình bày phương pháp tối ưu vị trí và vận hành của BESS trong hệ thống điện phân phối, với mục tiêu chi phí tối thiểu Việc vận hành hệ thống phân phối yêu cầu lập kế hoạch phù hợp, trong đó hàm mục tiêu được xem như một bài toán phi tuyến tính (NLP) giải quyết bằng thuật toán di truyền (GA) GA giúp tìm kiếm thông minh, tối ưu hóa quá trình chọn lọc sinh học Phương pháp này cho phép phân tích không gian tìm kiếm một cách hiệu quả và tìm ra các giải pháp tối ưu GA đã được áp dụng trong một số nghiên cứu như [34] [35], cho thấy hiệu quả so với các thuật toán meta-heuristic khác trong điều kiện giải pháp đa mục tiêu Do đó, GA có khả năng tạo ra một tập hợp các giải pháp không bị chi phối trong quá trình tối ưu hóa, và được sử dụng để giải quyết các hàm mục tiêu đang nghiên cứu, với các thông số như tỷ lệ chéo, dân số, v.v.

Bài báo này phân tích lợi ích chi phí của việc lưu trữ năng lượng đối với chi phí tổn thất năng lượng được tối ưu hóa và lợi ích từ việc cài đặt chênh lệch giá, không coi đây là một quá trình đầu tư tối ưu hóa khó khăn Trong quá trình quyết định đầu tư tối ưu hóa, bốn trạng thái hệ thống được xem xét, giúp tiếp cận tốt hơn trong việc lập kế hoạch và vận hành Kế hoạch này được xem xét trong năm năm để đánh giá hiệu quả sử dụng năng lượng lưu trữ trong mạng phân phối Mục đích khác của bài báo là trình bày hoạt động tối ưu cho BESS trong các trạng thái khác nhau, áp dụng tiêu chuẩn lưới điện IEEE 33 nút Kết quả cho thấy lợi ích từ việc giảm thiểu NPV của chi phí tổn thất điện năng mà không cần xem xét lợi ích chênh lệch giá là đáng kể, và tỷ lệ tiết kiệm trong chương trình trình bày là cao Bên cạnh đó, hoạt động tối ưu đã được xác định và tất cả các ràng buộc đã được kiểm tra lại.

CH NG 3 GI I THI U THU T TOÁN

GI I THI U

Thuật toán bầy đom đóm, được xuất bản bởi Yang, là một thuật toán dựa trên trí tuệ bầy đàn, mô phỏng hành vi tương tác của đàn đom đóm trong tự nhiên thông qua sự phát sáng của chúng Thuật toán này đã chứng minh hiệu quả cao trong các bài toán tối ưu toàn cục Tuy nhiên, nghiên cứu về việc áp dụng thuật toán này cho tối ưu hóa chịu điều kiện ràng buộc vẫn còn rất giới hạn.

Phương pháp sử dụng hàm phạt là một kỹ thuật phổ biến trong việc xử lý các ràng buộc khi áp dụng thuật toán bầy đàn Phương pháp này đơn giản và dễ sử dụng, có thể áp dụng cho tất cả các loại ràng buộc, bao gồm ràng buộc thực và bất đẳng thức, tuyến tính và phi tuyến, liên tục và gián đoạn Đặc điểm nổi bật của phương pháp này là việc điều chỉnh giá trị hàm mục tiêu bằng cách thêm các giá trị phạt vào hàm mục tiêu của các cá thể không thỏa mãn điều kiện ràng buộc Nếu các cá thể càng xa miền hợp lệ, các giá trị phạt sẽ tăng lên và ngược lại Tuy nhiên, một thách thức lớn của phương pháp này là xác định hệ số phạt một cách phù hợp Để giải quyết vấn đề này, nhiều nghiên cứu đã đề xuất các phương pháp thích nghi trong việc xác định hệ số phạt sử dụng trong các hàm phạt Michalewicz cho rằng nên sử dụng một hệ số phạt thích nghi vì các phương pháp hàm phạt khác nhau thường cho các kết quả khác nhau cho các bài toán khác nhau Coello so sánh các phương pháp sử dụng hàm phạt kết hợp với thuật toán tối ưu hóa và chỉ ra rằng xác định hệ số phạt cho các hàm phạt phụ thuộc vào từng bài toán cụ thể Tuy nhiên, rất ít nghiên cứu thực nghiệm đánh giá sự hiệu quả của từng loại hàm phạt cho bài toán tối ưu hóa Các hướng dẫn tổng quát cho việc điều chỉnh hệ số phạt khi giải các bài toán tối ưu hóa các ràng buộc còn rất thiếu Do đó, nghiên cứu này nhằm thúc đẩy việc sử dụng và nâng cao hiệu quả sử dụng của thuật toán bầy đàn và phương pháp xử lý ràng buộc bằng các hàm phạt trong tối ưu hóa.

• Thi t l p m t mô hình t i u d a trên thu t toán b y đom đóm và ph ng th c x lý ràng bu c b ng các hàm ph t

• Kh o sát s hi u qu c a các hàm ph t (hàm t nh, hàm đ ng, hàm t thích nghi) b ng các thí nghi m tính toán

• xu t các h ng d n đ n gi n d s d ng đ hi u ch nh h s ph t giúp cho các k s trong vi c s d ng mô hình t i u hóa.

BI U TH C C B N C A THU T TOÁN FIREFLY ALGORIMTH

3.2.1 Mô hình hóa bài toán t i u hóa có đi u ki n ràng bu c

- Bài toán t i u hóa k t c u t ng quát đ c mô hình hóa nh sau [43]:

Hàm mục tiêu m c tiêu là yếu tố quan trọng trong thiết kế, bao gồm các biến thiết kế và các ràng buộc như vật chất, lực tác động Các cân nhắc trên và dưới của biến thiết kế cũng cần được xem xét để đảm bảo tính khả thi và hiệu quả của sản phẩm.

; D là s l ng bi n s thi t k ; và là s l ng ràng bu c b t đ ng th c và đ ng th c

3.2.2 Thu t toán b y đom đóm om đóm là m t nhóm loài côn trùng cánh c ng nh (trong t nhiên có kho ng

Có khoảng 2000 loài đom đóm, nổi bật với khả năng phát quang Chúng thường hoạt động vào ban đêm, tạo nên ánh sáng đặc trưng trong mùa hè ở các vùng nhiệt đới Ánh sáng của đom đóm là một loại phân hóa học, cụ thể là ánh sáng sinh học, được tạo ra từ các cơ quan phát sáng chuyên biệt Đom đóm sử dụng ánh sáng sinh học để thu hút bạn tình, đóng vai trò quan trọng trong việc sinh sản của chúng.

Hình 3.1 S di chuy n c a b y đom đóm

Hình 3.2 L u đ thu t toán đom đóm

B t đ u thu t toán nh ngh a hàm m c tiêu , trong đó

Kh i t o qu n th đom đóm

Tính toán c ng đ sáng c a cá th nh ngh a h s h p th ánh sáng

For to ( s l ng cá th )

For to ( s l ng cá th )

If di chuy n cá th đ n g n cá th

End if ánh giá cá th m i và c p nh t c ng đ sáng End for

X p h ng các cá th đom đóm và tìm ra cá th t t nh t

Thuật toán bầy đom đóm được phát triển bởi Yang nhằm tối ưu hóa các bài toán toàn cục bằng cách mô phỏng sự tương tác giữa các cá thể đom đóm thông qua ánh sáng Trong quá trình tìm kiếm giải pháp, mỗi cá thể thu hút và di chuyển về phía những cá thể khác phát sáng hơn Thực nghiệm cho thấy, thuật toán bầy đom đóm hiệu quả hơn so với thuật toán bầy đàn.

Sự thu hút của cá thể đom đóm đến từ ánh sáng của nó, và mức độ thu hút này giảm dần khi khoảng cách đến các cá thể khác xa hơn Nếu một cá thể không tìm thấy cá thể nào phát sáng hơn, nó sẽ di chuyển một cách ngẫu nhiên trong không gian để tìm kiếm Hình 1 minh họa chuyển động của bốn cá thể đom đóm trong một khu vực, trong đó cá thể được ký hiệu là gi s và gi s Các cá thể 2 và 4 di chuyển gần các cá thể sáng hơn, trong khi các cá thể 1 và 3 di chuyển một cách ngẫu nhiên.

Thuật toán quy định độ sáng của mặt cá thể bầy đàn dựa vào vị trí của nó trong không gian tìm kiếm Do đó, một cá thể ở vị trí có hàm mục tiêu cao sẽ phát sáng mạnh mẽ hơn và có khả năng thu hút các cá thể đom đóm khác về phía mình Hình 2 mô tả thuật toán bầy đom đóm này.

C ng đ sáng I đ c tính toán nh sau:

Trong đó, = c ng đ sáng t i ngu n sáng; = h s h p th ánh sáng; kho ng cách t i ngu n sáng

Vì s h p d n c a m t cá th đom đóm t l thu n v i ánh sáng phát t nó, s h p d n c a m t cá th (ký hi u là ) đ c đ nh ngh a nh sau:

Kho ng cách gi a cá th đom đóm i t i v trí và cá th j t i v trí đ c tính toán nh sau:

Trong đó, d = s chi u c a không gian tìm ki m; ||.|| là ký hi u c a kho ng cách Euclid

S di chuy n c a cá th i khi b thu hút b i m t cá th sáng h n j đ c đ nh ngh a nh sau:

Trong bài viết, các vị trí của cá thể trong vòng lặp được xác định bởi g+1 và g, trong khi vị trí của cá thể tại vòng lặp được ký hiệu là h Hệ số hấp thụ sáng nằm trong khoảng từ 0.1 đến 10, và giá trị hấp thụ dừng lại tại 0 Hệ số ảnh hưởng từ chuyển động ngẫu nhiên của đom đóm được thể hiện qua biến rand, với giá trị được phân phối chuẩn.

3.2.3 X lý ràng bu c v i các hàm ph t

Tối ưu hóa có ràng buộc là một bài toán thường gặp trong tối ưu Việc xử lý các ràng buộc khi sử dụng thuật toán đàn đom đóm được nghiên cứu thông qua các hàm phạt Kỹ thuật này đơn giản và áp dụng cho tất cả các loại ràng buộc Bằng cách đưa các cá thể đom đóm vào miền hợp lệ, chúng ta điều chỉnh giá trị hàm mục tiêu bằng cách cộng thêm các giá trị phạt nếu cá thể đó không thỏa mãn điều kiện ràng buộc Khi các cá thể trong miền hợp lệ, các giá trị phạt bằng 0, và với các cá thể càng xa miền hợp lệ, các giá trị phạt càng tăng lên Sử dụng phương pháp này, chúng ta cần xác định giá trị hàm phạt, thông qua hàm phạt, một cách phù hợp Việc xác định giá trị hàm phạt phụ thuộc vào từng vấn đề tối ưu hóa cụ thể Giải quyết vấn đề này, các loại hàm phạt khác nhau đã được đề xuất: hàm phạt tĩnh, hàm phạt động và hàm phạt thích nghi.

Gi s nh thu t toán b y đom đom đang đ c s d ng đ gi i quy t v n đ t i u hóa sau:

(3.11) Hàm m c tiêu m i fn(x) đ c đ nh ngh a nh sau:

Trong đó, và là các hàm ph t t ng ng v i ràng bu c 1 và 2 Hàm m c tiêu m i có th đ c đ nh ngh a m t cách t ng quát nh sau:

Trong đó, m = s l ng ràng bu c là hàm ph t t ng ng v i ràng bu c th i Gi s ràng bu c th i có d ng: , hàm ph t đ c đ nh ngh a nh sau:

Đối với hàm phức, có sự khác biệt giữa các điều kiện và ràng buộc Khi một hàm vi phạm các ràng buộc này, nó sẽ không còn hợp lệ trong miền tìm kiếm Cần lưu ý rằng với các ràng buộc dạng bất đẳng thức, chúng ta có thể chuyển đổi về dạng khác Ví dụ, điều kiện của ràng buộc có thể được thể hiện qua các biểu thức cụ thể.

, ta có th bi n đ i m t cách t ng đ ng thành d ng:

Để quy đổi một ràng buộc thành một cặp ràng buộc khác, ta cần xác định các giá trị cụ thể của ràng buộc ban đầu Nếu giá trị của ràng buộc đầu tiên là A và ràng buộc thứ hai là B, ta có thể quy đổi thành các ràng buộc tương ứng Tuy nhiên, nếu giá trị x không thỏa mãn cả hai ràng buộc A và B, thì nó sẽ không đáp ứng được các yêu cầu của ràng buộc đã đặt ra.

Các lo i hàm ph t khác nhau ch y u ch khác nhau cách th c xác đ nh h s ph t Ph n ti p theo c a bài báo s trình bày 3 d ng hàm ph t

3.2.3.1 Hàm ph t t nh i v i hàm ph t t nh, h s ph t đ c xác đ nh tr c khi quá trình t i u hóa b t đ u và gi nguyên giá tr trong su t quá trình tìm ki m:

Trong hàm ph t đ ng, h s ph t ban đ u đ c xác đ nh tr c khi quá trình t i u hóa b t đ u và giá tr c a nó thay đ i theo th i gian tìm ki m:

Trong đó, g = s vòng l p tính đ n th i đi m hi n t i Hàm số phức tạp là hàm của s vòng l p, có thể là tuyến tính hoặc phi tuyến Một cách đơn giản để tiếp cận là sử dụng một hàm bậc nhất.

Hệ thống phát triển bao gồm hai giai đoạn chính: giai đoạn đầu, hệ thống cho phép các cá thể tự do khám phá không gian tìm kiếm; giai đoạn sau, hệ thống cần hạn chế các cá thể rời khỏi vùng không hợp lệ.

Hàm ph t t thích nghi cho phép h s ph t t ng hay gi m so v i vòng l p tr c Bean và Hadj-Alouane đ xu t quy lu t sau:

• N u các cá th t t nh t trong k th h g n nh t đ u vi ph m ràng bu c thì t ng h s ph t:

• N u các cá th t t nh t trong k th h g n nh t đ u th a mãn ràng bu c thì gi m h s ph t:

Trong đó, là h s ph t t i vòng l p g c a ràng bu c th i; và là các h s t ng và h s gi m

3.3 MÔ HÌNH T I U HÓA D A TRÊN THU T TOÁN B Y OM ịM VÀ CÁC HÀM PH T

Mô hình tối ưu hóa đa trên thuật toán đom đóm và các hàm phạt được trình bày trong Hình 3 Thuật toán đom đóm được sử dụng để tìm kiếm lựa chọn tốt nhất của các biến thiết kế trong không gian tìm kiếm Đồng thời, các hàm phạt được áp dụng để xử lý các ràng buộc của bài toán tối ưu.

Hình 3.3 T i u hóa d a trên thu t toán đom đóm và các hàm ph t

Bắt đầu thu thập toán: Các thông số của thu thập bao gồm số vòng lặp tối đa, số cá thể đom đóm trong quần thể, hệ số hấp thụ ánh sáng, loại và thông số của hàm phát động quy định tại bậc này Thông thường, các thông số này có thể được điều chỉnh sau, trong đó d là số biến thiết kế cần điều chỉnh cho quá trình tối ưu hóa hài hòa.

(2) Kh i t o qu n th đom đóm ban đ u: Các cá th đom đóm trong vòng l p đ u tiên đ c kh i t o m t cách ng u nhiên trong kho ng cho phép c a t ng bi n thi t k

C ng t i b c này, qu n th đom đóm đ c đánh giá thông qua hàm m c tiêu c ng v i giá tr c a các hàm ph t

(3) Ki m tra đi u ki n d ng: N u vòng l p hi n t i thì quá trình t i u hóa ti p t c di n ra Khi đi u ki n d ng đ c th a mãn, bi n s thi t k t t nh t đã đ c tìm ra b i thu t toán

Cá thể đom đóm di chuyển đến các cá thể khác sáng hơn Nếu không tìm thấy cá thể nào sáng hơn, chúng sẽ di chuyển ngẫu nhiên trong không gian để tìm kiếm.

(5) ánh giá các cá th đom đóm: Các cá th s đ c đánh giá và x p lo i đ tìm ra các cá th t t h n Thông tin c a cá th t t nh t s đ c l u l i

3.4 THU T TOÁN OM ịM V I L NG T

3.4.1 Ph ng pháp l ng t (Quantum-Inspried evolutionary algorithm ậ QEA)

Máy tính lượng tử được phát triển vào đầu những năm 1980 và chính thức hóa vào cuối những năm 1980 Đến những năm 1990, nhiều nghiên cứu về máy tính lượng tử đã chứng minh rằng chúng mạnh hơn máy tính cổ điển trong các vấn đề chuyên biệt khác nhau Các thuật toán lượng tử nổi tiếng như thuật toán Shor và thuật toán Grover đã được phát triển Nghiên cứu về tính toán lượng tử và thuật toán lượng tử bắt đầu vào cuối những năm 1990 và được chia thành hai lĩnh vực: một lĩnh vực tập trung vào việc tạo ra các thuật toán lượng tử mới bằng cách sử dụng các kỹ thuật lập trình động, và lĩnh vực còn lại tập trung vào tính toán lượng tử lý thuyết cho máy tính cổ điển, trong đó các nguyên tắc như sóng điện, giao thoa và liên tục được nghiên cứu Khái niệm giao thoa đã được đưa vào một toán tử chéo, và thông tin trong máy tính lượng tử được lưu trữ dưới dạng hai trạng thái là bit lượng tử hoặc qubit, với qubit có thể ở trạng thái “1”, “0” hoặc bất kỳ trạng thái nào của hai trạng thái này.

Ngày đăng: 13/10/2022, 07:46

TRÍCH ĐOẠN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN