skull_princess_90
New Member
Download miễn phí Áp dụng thuật toán di truyền tìm kiếm quỹ đạo vận hành tối ưu hồ chứa nước có nhà máy thủy điện làm việc độc lập với quá trình dòng chảy đến là ngẫu nhiên
Thuật toán di truyền xuất phát từkhái niệm lý thuyết Darwin của sựtồn tại thích
hợp nhất và được đưa ra đầu tiên năm 1975 bởi John Holland. Thuật toán di truyền là
thủtục tìm kiếm dựa trên cơsởchọn lọc cơhọc tựnhiên và các di truyền tựnhiên, tìm
kiếm lời giải tốt nhất từtập hợp các lời giải. Goldberg (1989) chỉra sựkhác nhau chủ
yếu giữa Thuật toán di truyền và các phương pháp tối ưu truyền thống nhưsau:
Đặc trưng của Thuật toán di truyền là sửdụng chính sựmã hóa của tập hợp biến
quyết định, không phải là biến quyết định chính bản thân;
Những sựtìm kiếm của Thuật toán di truyền xuất phát từnhững tập hợp các biến
quyết định của quần thể, không phải tập hợp các biến quyết định riêng lẽ;
Thuật toán di truyền sửdụng các thông tin từhàm mục tiêu, không sửdụng từ
các thông tin biết được khác;
Thuật toán di truyền sửdụng theo xác suất, không phải theo quyết định, đểtìm
kiếm các quy tắc.
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Tóm tắt nội dung tài liệu:
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 2(31).20091
ÁP DỤNG THUẬT TOÁN DI TRUYỀN TÌM KIẾM
QUỸ ĐẠO VẬN HÀNH TỐI ƯU HỒ CHỨA NƯỚC
CÓ NHÀ MÁY THỦY ĐIỆN LÀM VIỆC ĐỘC LẬP
VỚI QUÁ TRÌNH DÒNG CHẢY ĐẾN LÀ NGẪU NHIÊN
APPLICATION OF GENETIC ALGORITHMS TO THE SEARCH OF OPTIMAL
OPERATING TRAJECTORY OF A RESERVOIR OF THE INDEPENDENT
WORKING HYDROELECTRIC POWER PLANT, WITH ITS INFLOW AS A
STOACHASTIC PROCESS
Nguyễn Thế Hùng – Lê Hùng
Trường Đại học Bách Khoa, Đại học Đà Nẵng
TÓM TẮT
Trong bài báo này trình bày mô hình Thuật toán di truyền (GA) để tìm quỹ đạo vận
hành tối ưu hồ chứa Nhà máy Thủy điện Ea Krông Rou - Tỉnh Khánh Hòa với đơn mục tiêu là
sản lượng điện năng cực đại. Trên cơ sở chuỗi dòng chảy đến hàng tháng của 23 năm, ứng
dụng phương pháp mô phỏng Monte Carlo để mở rộng dòng chảy đến là 40 lần của chuỗi dòng
chảy tháng lịch sử. Kết quả tính toán đạt được bởi Thuật toán di truyền được so sánh với
phương pháp Quy hoạch động. Thuật toán di truyền đơn mục tiêu ở đây cho thấy dễ dàng mở
rộng nó cho bài toán vận hành tối ưu nhà máy thủy điện đa mục tiêu so với phương pháp qui
hoạch động.
ABSTRACT
This paper presents a Genetic Algorithm (GA) model for finding the optimal operating
trajectory of the reservoir of the hydroelectric power plant of Ea Krong Rou in Khanh Hoa
Province, with a single objective for maximum electricity output. Based on the monthly
streamflow series in 23 years, we apply Monte-Carlo simulation method to extend the inflow up
to 40 times of monthly historic streamflow. The calculation results obtained by the Genetic
Algorithm are compared with those of the dynamic programming method. The paper also shows
that compared with the dynamic programming method, the single object Genetic Algorithm
model is easily extended to that of the multi-object Genetic Algorithm.
1. Giới thiệu
Thuật toán di truyền được lập dựa trên cơ sở lý thuyết Darwin và đã được giới
thiệu lần đầu tiên bởi Holland (1975), sau đó Goldberg (1989). Đến năm 1992
Michalewicz đã phát triển và hoàn thiện phương pháp này; từ đó Thuật toán di truyền
đã được áp dụng trong các lĩnh vực khác nhau, trong đó có một số tác giả đã nghiên cứu
ứng dụng giải bài toán vận hành hồ chứa. East và Hall (1994) ứng dụng Thuật toán di
truyền cho bài toán vận hành hệ thống 4 hồ chứa với mục tiêu là Maximum lợi ích từ
phát điện và cấp nước tưới. Fahmy ứng dụng Thuật toán di truyền tính vận hành hệ
thống hồ chứa và kết quả được so sánh với phương pháp Quy hoạch động. Oliveira và
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 2(31).2009
2
Loucks (1997) đã chứng mình tính hiệu quả của việc vận hành hệ thống hồ chứa bằng
Thuật toán di truyền. Sharif và Wardlaw (2000) ứng dụng Thuật toán di truyền cho tối
ưu hệ thống đa hồ chứa ở Indonesia (Bratas Basin). Liong Shie-Yui, Tariq A. Al-Fayyaz
và Lee Kim Sai sử dụng Thuật toán tiến hóa trên hệ thống lưu vực sông Chaliyar ở
Kerala State, Ấn Độ với hàm mục tiêu cực đại sản xuất điện năng và lượng xả tưới.
Juran Ali Ahmed và Arup Kumar Sarma (2005) vận dụng Thuật toán di truyền để tìm
sách lược vận hành tối ưu của hồ chứa đa mục tiêu trên sông Pagladia, phụ lưu chính
của sông Brahmaputra, kết quả nhận được bởi mô hình Thuật toán di truyền được so
sánh với Quy hoạch động ngẫu nhiên. Janga Reddy và D. Nagesh Kumar (2006) trình
bày Thuật toán tiến hóa đa mục tiêu (MOEA) nhằm tìm kiếm tập hợp các lời giải tối ưu
và khắc phục những mặt hạn chế của phương pháp tối ưu đa mục tiêu (MOOP).
Jothiprakash và Ganesan Shanthi (2007) sử dụng Thuật toán di truyền tìm quy trình vận
hành hồ chứa Pechiparai ở Tamil Nadu Ấn độ. M.S. Hashemi, G.A. Barani and H.
Ebrahimi (2008) ứng dụng Thuật toán di truyền tối ưu vận hành hồ chứa đa mục tiêu
Jiroft, hàm mục tiêu và các ràng buộc được chuyển thành bài toán không ràng buộc
bằng phương pháp hàm phạt ngoài, sau đó dùng Thuật toán di truyền không ràng buộc
để giải.
Mục tiêu của bài báo này là tìm kiếm sách lược vận hành tối ưu hồ chứa có nhà
máy thủy điện Ea Krông Rou làm việc độc lập. Quỹ đạo vận hành tối ưu nhận được bởi
Thuật toán di truyền sẽ được so sánh với Quy hoạch động trên cơ sở dòng chảy đến
được mô phỏng kéo dài 40 lần theo phương pháp mô phỏng Monte Carlo. Cả hai mô
hình Thuật toán di truyền và Quy hoạch động được sử dụng với hàm mục tiêu là sản
lượng điện năng bình quân đạt cực đại.
2. Thuật toán di truyền
Thuật toán di truyền xuất phát từ khái niệm lý thuyết Darwin của sự tồn tại thích
hợp nhất và được đưa ra đầu tiên năm 1975 bởi John Holland. Thuật toán di truyền là
thủ tục tìm kiếm dựa trên cơ sở chọn lọc cơ học tự nhiên và các di truyền tự nhiên, tìm
kiếm lời giải tốt nhất từ tập hợp các lời giải. Goldberg (1989) chỉ ra sự khác nhau chủ
yếu giữa Thuật toán di truyền và các phương pháp tối ưu truyền thống như sau:
Đặc trưng của Thuật toán di truyền là sử dụng chính sự mã hóa của tập hợp biến
quyết định, không phải là biến quyết định chính bản thân;
Những sự tìm kiếm của Thuật toán di truyền xuất phát từ những tập hợp các biến
quyết định của quần thể, không phải tập hợp các biến quyết định riêng lẽ;
Thuật toán di truyền sử dụng các thông tin từ hàm mục tiêu, không sử dụng từ
các thông tin biết được khác;
Thuật toán di truyền sử dụng theo xác suất, không phải theo quyết định, để tìm
kiếm các quy tắc.
Quá trình lặp Thuật toán di truyền tạo ra tiến hóa từ quần thể, mỗi lần lặp bao
gồm các bước như chọn lọc, sinh sản, đánh giá và thay thế.
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 2(31).2009
3
Thuật toán sẽ là ngừng khi quần thể hội tụ tiến tới lời giải tối ưu, cơ sở Thuật
toán di truyền là như sau:
[Bắt đầu] Di truyền ngẫu nhiên quần thể của n nhiễm sắc thể (thay thế các lời giải cho
bài toán);
[Sự thích hợp] Sự đánh giá hàm thích hợp f(x) của mỗi nhiễm sắc thể x trong quần thể;
[Quần thể mới] Tạo ra quần thể mới bằng cách thay các bước sau, đến khi quần thể mới
được hoàn thành;
[Chọn lọc] Chọn lọc 2 nhiễm sắc thể cha mẹ từ quần thể theo hàm thích hợp của chúng
(sự thích hợp tốt nhất, xác suất lớn hơn được chọn lọc);
[Lai ghép] Với xác suất lai ghép, cha mẹ lai ghép tạo ra con mới, nếu lai ghép không
được thực hiện, con sinh ra được copy chính xác từ cha mẹ;
[Đột biến] Với xác suất đột biến, thay đổi con mới sinh ra tại mỗi vị trí (vị trí nhiễm sắc
thể);
[Chấp nhận] Nơi con mới sinh ra trong quần thể mới.
[Thay thế] Sử dụng quần thể mới sinh ra và tiếp tục tính lại các bước ở trên
[Kiểm tra] Nếu điều kiện cuối là thỏa mãn thì ngừng, và thay thế lời giải tốt nhất vào
trong lời giải hiện hành.
[Vòng lặp] Di chuyển đến bước 2 cho đánh giá hàm thích hợp.
Minh hoạ Thuật toán di truyền như dưới đây, quần thể của các nhiễm sắc thể tại
thời gian t được trình bày bởi biến phụ thuộc thời gian P(t), với quần thể ban đầu được
đánh giá ngẫu nhiên là P(0).
procedure GA
begin
t=0;
initialize P(t)=P(0);
evaluate P(t);
While not finished do
Begin
t=t+1;
selec...