基于改进蜜獾算法的波能转换器阵列优化
Array Optimization of Wave Energy Converters via Improved Honey Badger Algorithm
通讯作者: 韩一鸣,讲师;E-mail:2451250809@qq.com.
责任编辑: 王历历
收稿日期: 2023-02-1 修回日期: 2023-05-10 接受日期: 2023-05-26
基金资助: |
|
Received: 2023-02-1 Revised: 2023-05-10 Accepted: 2023-05-26
作者简介 About authors
杨博(1988—),教授,博士生导师,从事基于人工智能的新能源系统优化与控制研究.
针对波浪能转换器(WEC)阵列发电效率提升问题,提出一种基于改进蜜獾算法的三系WEC阵列优化方法.首先,为克服原始蜜獾算法(HBA)收敛速度慢、收敛精度低等缺陷,引入佳点集初始化、混沌机制和蜜獾种群变异3种策略对原始HBA进行改进.此外,为了验证改进蜜獾算法(IHBA)的先进性和有效性,开展2个浮标、10个浮标和20个浮标3个不同规模的WEC阵列优化实验.2浮标阵列仿真结果表明,WEC阵列优化存在多组最优解,且IHBA、HBA、遗传算法和粒子群优化算法都能以不同速度找到最优解.然而,随着WEC阵列规模的增大,3种对比算法都会陷入局部最优解.相反地,IHBA依然表现出较强寻优能力并能搜寻到全局最优解.最后,IHBA所获10浮标和20浮标的阵列q因子分别高达1.059和0.968,远优于其他3种算法.
关键词:
In order to enhance the generation efficiency of wave energy converter (WEC) arrays, an optimization method for three-tether WEC array based on an improved honey badger algorithm is proposed. First, to overcome the shortcomings of the primal honey badger algorithm (HBA), such as slow convergence speed and low convergence accuracy, three improvement strategies are introduced, i.e., good point set initialization, chaos mechanism, and honey badger population mutation. Then, three wave farms including 2-buoy, 10-buoy, and 20-buoy are tested to verify the advancement and effectiveness of the improved honey badger algorithm (IHBA). The simulation results of the 2-buoy array demonstrate that there are multiple groups of optimal solutions in WEC array optimization. Furthermore, IHBA, HBA, genetic algorithm, and particle swarm optimization can find these optimal solutions at different speeds. Nevertheless, with increasing size of the WEC array, three comparative algorithms fall into local optima solutions. On the contrary, IHBA still exhibits a strong optimization ability and can seek global optima solutions. Finally, the q-factor values obtained by IHBA in 10-buoy and 20-buoy arrays reach 1.059 and 0.968, respectively, which are dramatically larger than those of other algorithms.
Keywords:
本文引用格式
杨博, 刘炳强, 陈义军, 武少聪, 束洪春, 韩一鸣.
YANG Bo, LIU Bingqiang, CHEN Yijun, WU Shaocong, SHU Hongchun, HAN Yiming.
波浪能发电系统是将海洋波浪的动能转化为电能的装置, 整个装置由波浪能转换器(Wave Energy Converter, WEC)、功率输出(Power Take off, PTO)系统以及其他辅助系统组成[11].其中,PTO系统包括中间转换系统(水力透平、空气透平、液压马达、增速齿轮箱等)和发电机[12].迄今为止,WEC的类型主要包括振荡水柱式WEC、点吸收式WEC、截止式WEC等.完全浸没式CETO WEC[13]也属于点吸收式,它能通过浮标的上下运动吸收波浪能.这类WEC在高密度海况下具有较长使用寿命,同时,设备视觉冲击和对海洋生态的影响都比较小,是目前WEC阵列优化中的重要研究对象.
单个WEC无法同时捕获不同海面位置的波浪能量,发电效率较低,而且能量输出不稳定,难以满足用电需求,不利于大规模发电.将WEC以阵列的形式布置进行发电,可以改善单一WEC发电的弊端.然而,与光伏阵列、风电场不同,WEC阵列中浮标之间存在比较复杂的水动力相互作用,这些相互作用对阵列的发电效率既是建设性的也是破坏性的[14-15],主要与阵列中WEC的形状、位置和海况等因素有关.此外,这些相互作用使WEC阵列优化构成一个非凸、多模态、连续和具有约束的问题,目前采用q因子作为WEC阵列排布好坏的评价指标[16].因此,如何对WEC尺寸、位置等进行优化,充分利用WEC之间的相互作用已成为波浪能发电工程的研究热点.WEC阵列的优化是一项极具挑战性的工作,Budal[17]于20世纪70年代首先开始WEC阵列优化研究工作,对点吸收式WEC之间的互相作用进行简化计算.之后有很多学者在此基础上对WEC水动力模型进行修正和完善,提出各种方法来实现WEC阵列布局的优化,主要包含机器学习方法、数学方法和元启发式算法.传统的数学方法如抛物线交集法和蒙特卡罗方法,在提升q因子上具有较好性能[18-19].然而,在解决非线性问题上,元启发式算法具有强大能力,因此被广泛应用于WEC阵列布局优化中[16].文献[20]中利用改进差分进化算法,对含有3个、5个、8个浮标的小规模WEC阵列进行优化排布,其中,8浮标的阵列q因子提高到了1.898.文献[21]中提出基于遗传算法(Genetic Algorithm, GA)的二自由度浮标式WEC阵列的优化策略,对2个、3个、5个浮标组成的WEC阵列进行优化设计,显著提高WEC阵列捕获波浪能的效率.然而,上述研究工作波浪特性单一,且并未对大规模的WEC阵列进行研究.
Hashim等[22]于2021年提出蜜獾优化算法(Honey Badger Algorithm, HBA).该算法主要受蜜獾觅食行为的启发,具有模型简单、易于实现、收敛速度快等特点.但HBA局部开发能力较弱,并且面对复杂问题时难以跳出局部最优.为了提高HBA的优化性能,研究人员主要从调整控制参数、更新搜索机制以及算法融合等多方面对HBA进行改进.文献[23]中引入逻辑映射和反向学习对蜜獾种群初始化进行了改进,提高了算法的随机性;文献[24]中在蜜獾捕食阶段引入交叉变异原则,提升了算法的收敛速度;文献[25]中在局部搜索阶段中引入维度学习策略,平衡了算法勘探与开发的能力.上述改进算法相比于原始HBA在性能上有一定提升,但仍存在一些不足,如部分改进算法的改进策略单一,仅对算法的某一阶段进行改进;改进策略并没有从根本上优化蜜獾的挖掘寻优机制,算法的寻优能力并未得到提升;改进算法的测试实验不够,并未对高纬度及复杂问题进行分析讨论,未能充分体现算法的优越性.
由于WEC阵列优化问题的复杂性,上述算法并未能精确、快速地解决此棘手问题,难以获得较合适的WEC阵列布局.通过合理改进HBA的寻优机制平衡算法的局部探索和全局搜索能力,有望成为高效解决上述难题的技术之一.因此,本文提出改进蜜獾算法(Improved Honey Badger Algorithm, IHBA),引入佳点集初始化、混沌机制和蜜獾种群变异3种策略对原始HBA进行改进.以WEC阵列q因子最大化为目标,利用IHBA对2个浮标、10个浮标和20个浮标3个不同规模的WEC阵列进行优化设计.同时,将HBA、GA和粒子群优化 (Particle Swarm Optimization, PSO)[26]作为对比算法进行测试,实验结果验证了IHBA在WEC阵列优化问题上的先进性和有效性.
1 波浪能发电装置阵列模型
1.1 三系波浪能发电装置
图1
1.2 三系WEC阵列数学模型
式中:Mi为第i个浮标的质量矩阵;
其中,第i个浮标受到的波浪辐射力为
式中:λi, j为第j个浮标对第i个浮标作用的附加阻尼系数;μi, j第j个浮标对第i个浮标作用的附加质量系数.
根据无功控制理论,PTO控制力可近似为两个力的叠加,包括一个与速度成反比例的阻尼力和一个与位移成比例的弹簧力,因此:
式中:Bpto, i、Kpto, i分别为第i个WEC装置的阻尼系数和刚度系数;
在WEC阵列中,多个WEC共存且彼此相对靠近,浮标之间的水动力相互作用不可忽视.此外,波浪的辐射情况也依赖于WEC在阵列中的布局.由于浮标是球形的,可以忽略由波浪引起的横滚、纵倾运动,所以在WEC吸收波浪能的过程中只考虑平移运动,即浪涌、摇摆和起伏.当一个频率为ω、入射角为0 rad、波高为H的规则海浪到达WEC场后,频域内含N个浮标的WEC场在海浪荷载作用下的运动可描述为[13]
式中:MΣ为N个浮标的广义质量矩阵;AΣ (ω)为流体动力附加质量矩阵;
在确定波浪的频率ω、方向、入射角度、波高H和WEC的位置后,式(4)中的附加质量、辐射阻尼和波浪激励力等水动力系数可以通过半解析模型进行求解[28].WEC阵列中第i个浮标所吸收波浪能的功率为
式中:
含有N个WEC的阵列所吸收的波浪能总功率可通过下式计算:
式中:B为PTO的阻尼系数.
根据式(6)计算出整个WEC阵列吸收的波浪能功率后,就可以估算出该阵列在特定海况下的年平均发电量,具体的计算方法可参考文献[21].
定义用阵列q因子来评估WEC阵列优劣:
式中:P0为仅有单个WEC工作时,其吸收的波浪能功率.
同样地,为了反映阵列中每个WEC波浪能吸收情况,也可以用相互作用系数qi反映每个浮标的波浪能转换,定义为
1.3 波浪特性
图2
与原始50F海况模型相比,该近似海况模型可以显著减少计算成本,同时测试结果与50F模型的相似率可以保证在80%以上.因此,采用该近似模型模拟WEC阵列的海洋环境.
2 改进蜜獾算法设计
2.1 蜜獾算法
蜜獾主要采用两种方式觅食,一种是根据猎物的信息强度自主挖掘的模式,按照心形线轨迹挖掘蜂巢,简称挖掘模式;另一种是蜜獾通过导蜜鸟的指引到达蜂巢,简称采蜜模式.原始蜜獾算法的数学模型如下.
2.1.1 种群初始化
蜜獾种群的数量和位置根据下式进行初始化:
式中:A为整个蜜獾种群;xm为第m只蜜獾的位置,m=1, 2, …, n;n、D分别为蜜獾个体总数及维度;um、lm分别为搜索空间的上界和下界;r1为(0, 1)内的随机数.
2.1.2 嗅觉强度定义
蜜獾觅食速度主要取决于嗅觉强度Im的大小,Im越大,则蜜獾运动速度越快.嗅觉强度的定义如下:
式中:r2为(0, 1)内的随机数;S为猎物的集中强度;dm为猎物与第m只蜜獾的距离;xprey表示猎物的位置.
2.1.3 衰减因子更新
为了确保勘探到开发的平稳过渡,引入时变搜索衰减因子α,减少蜜獾觅食过程中随时间变化的随机性,定义如下:
式中:tmax为最大迭代次数;C为参数.
2.1.4 蜜獾位置更新
包括以下两种模式.
(1) 挖掘模式.
在自主觅食挖掘过程中,蜜獾以心形线轨迹进行挖掘,可描述为
式中:xnew为蜜獾更新后位置;β为蜜獾的捕猎能力,默认β=6;I为嗅觉强度;r3、r4、r5均为(0, 1)内3个不同的随机数.蜜獾的搜索方向由F决定:
式中:r6为(0, 1)内的随机数.
(2) 采蜜模式.
蜜獾通过导蜜鸟找到蜂巢,这一行为可以利用下式模拟:
式中:r7为(0, 1)内的随机数.
2.2 改进蜜獾算法
2.2.1 佳点集初始化策略
对于GA、PSO和HAB等群体优化算法而言,初始化种群的质量好坏对算法收敛速度和全局优化效果有较大影响.然而,在原始HBA算法中,种群的初始化都是随机产生的,难以保证良好的种群多样性.因此,引入佳点集策略对蜜獾种群进行初始化,相对于随机初始化种群,佳点集策略产生的序列更加均匀,种群覆盖全局范围更广,有利于HBA的全局寻优.佳点集的定义如下:
设GD为D维欧氏空间单位立方体,当γ∈GD时,产生佳点集合:
且集合Pn(k)各点之间的偏差满足:
式中:C(γ, ε)为仅与γ和ε有关的常数,ε>0;γ为佳点.
2.2.2 混沌机制策略
混沌机制根据混沌理论生成伪随机值而不是随机值,可以提高算法的全局探索能力.由于采用佳点集策略对HBA进行初始化,并不需要对r1进行更新,所以基于混沌机制更新原始HBA的两个随机值r2、r3,如下:
式中:
2.2.3 变异策略
为解决HBA算法早熟、收敛精度等问题,同时不改变原始算法的复杂度,引入高斯变异策略,对式(15)和式(17)的蜜獾位置迭代给予相应的高斯变异算子,如下:
式中:xnew(t+1)为下一次迭代蜜獾的位置;N(0, 1)为标准高斯分布.
变异策略可以使HBA在搜索初期获得足够扰动以增加算法的全局搜索能力,而在算法末期减少扰动以避免最优解的动荡,加快收敛速度.
3 基于改进蜜獾算法的波能转化器阵列优化设计
3.1 目标函数
利用IHBA对含N个浮标的WEC阵列进行优化,每个WEC装置包含横纵坐标2个分量.因此,需要优化的变量主要是浮标坐标位置,主要目标是在预定海域内找到每个浮标的最佳位置,最大限度地利用浮标之间相互作用提高WEC阵列的波浪能捕获,即实现q因子最大化.因此,构建的目标函数如下:
式中:(xi, yi)代表第i个浮标的位置坐标.
3.2 约束条件
考虑到实际工程中WEC的安装以及维修,定义两个浮标之间的安全距离(dsave)为50 m,同时各个浮标之间的坐标要保证在所定义的海域内,故在整个WEC阵列优化过程中应满足以下约束条件:
式中:xU和yU为所定义海域的长度和宽度.
3.3 基于IHBA的WEC阵列优化框架
在确定好目标函数以及约束条件后,为保证起始蜜獾种群的多样性,增强搜索空间的覆盖程度,按式(9)、式(18)~(19)、式(25)在搜索空间内初始化蜜獾种群中的每个个体,并根据式(24)计算个体适应度值.接着根据式(11)~(17)、式(20)、式(23)进行迭代,更新个体位置和适应度值.此外,在每次迭代中不满足约束条件的个体会更新为上一代的最优个体,完成迭代后保留最优个体位置和适应度值.
4 算例分析
为验证所设计IHBA的有效性,以HBA、GA、以及PSO作为参照算法,分别对3个规模(2个浮标、10个浮标和20个浮标)的三系WEC阵列进行优化,各个算法的主要参数如表1所示.表中:pc 为交叉概率;pm 为变异概率;Wi为惯性因子;C1为加速度常数;C2为加速度常数.其中,在2浮标小规模阵列中,分别将5F波和1F波作为海浪条件进行实验,所有算法的种群大小和最大迭代次数分别为 n=60和tmax=400.在中规模10浮标和大规模20浮标阵列中,考虑到计算成本,只进行波浪条件为1F时的WEC阵列优化实验,同时设置各算法的种群大小和最大迭代次数分别为n=40和tmax=200,WEC装置以及环境条件的参数如表2所示.此外,当入射角为0 rad、波高为1.9 m、波的传播方向为从左至右时,计算出了单个WEC在5F波和1F波孤立工作下吸收的波浪能功率分别为 350.9 kW和 554.7 kW.所有仿真实验均在配置为2.90 GHz Intel(R) Core(TM) i5-9400 CPU,32.0 GB RAM,64位Windows 10的计算机上通过MATLAB 2019b环境运行.
表1 不同算法的主要参数
Tab.1
算法 | 参数 | 数值 |
---|---|---|
IHBA | C | 2 |
β | 6 | |
HBA | C | 2 |
β | 6 | |
GA | pc | 0.5 |
pm | 0.01 | |
PSO | Wi | 1.0 |
C1 | 1.49445 | |
C2 | 1.49445 |
表2 WEC阵列优化实验主要参数
Tab.2
参数 | 数值 |
---|---|
浮标半径/m | 5 |
浮标质量/t | 376 |
浮标下潜深度/m | 6 |
海水深度/m | 50 |
海水密度 /(kg·m-3) | 1020 |
重力加速度/(m·s-2) | 9.8 |
波高/m | 1.9 |
入射角度/rad | 0 |
Kpto/(kN·m-1) | 387 |
Bpto/(kN·m-1) | 161 |
4.1 小规模2浮标阵列优化
图3
图3
各算法优化2浮标阵列所得q因子收敛曲线
Fig.3
Convergence curves of q-factor obtained by various algorithms for 2-buoy array
表3 5F波下各算法优化后的2浮标阵列实验结果
Tab.3
算法 | i | X/m | Y/m | PΣ/W | q | 仿真时间/h |
---|---|---|---|---|---|---|
IHBA | 1 | 80 | 9 | 729129.63 | 1.0389 | 0.8 |
2 | 80 | 100 | ||||
HBA | 1 | 63 | 8 | 729129.73 | 1.0389 | 0.9 |
2 | 63 | 96 | ||||
GA | 1 | 100 | 100 | 729129.56 | 1.0389 | 0.9 |
2 | 100 | 9 | ||||
PSO | 1 | 96 | 98 | 729129.65 | 1.0389 | 0.7 |
2 | 96 | 7 |
表4 1F波下各算法优化后的2浮标阵列实验结果
Tab.4
算法 | i | X/m | Y/m | Pi/W | PΣ/W | qi | q |
---|---|---|---|---|---|---|---|
IHBA | 1 | 80 | 9 | 577830.38 | 1158261.22 | 1.04 | 1.043 |
2 | 80 | 100 | 577830.38 | 1.04 | |||
HBA | 1 | 63 | 8 | 579130.61 | 1155660.76 | 1.04 | 1.042 |
2 | 63 | 96 | 579130.61 | 1.04 | |||
GA | 1 | 100 | 100 | 577830.39 | 1155660.78 | 1.04 | 1.042 |
2 | 100 | 9 | 577830.39 | 1.04 | |||
PSO | 1 | 96 | 98 | 577830.41 | 1155660.82 | 1.04 | 1.042 |
2 | 96 | 7 | 577830.41 | 1.04 |
图4
图4
各算法优化后的2浮标阵列最优布局
Fig.4
Optimal layouts of 2-buoy array obtained by different methods
4.2 中等规模10浮标阵列优化
当波浪特性为1F,海域面积为 1 000 m×1 000 m 时,4种算法对10个浮标阵列优化过程中q因子收敛曲线图如图5所示.其中,4种算法在迭代50次后都能将阵列q因子提升到1以上.同时,从4条收敛曲线可以看出,利用佳点集策略进行初始化后的IHBA初期适应度值高于其他算法.3种对比算法在优化过程中陷入局部最优,原始HBA在阵列q因子的提升上相对GA和PSO的效果较好,但IHBA的寻优能力显著高于其他3种启发式算法,经IHBA优化后的阵列q因子比HBA、GA、PSO分别高出4.54%、4.64%、5.58%.
图5
图5
各算法优化10浮标阵列所得q因子收敛曲线
Fig.5
Convergence curves of q-factor obtained by different algorithms for 10-buoy array
表5 各算法优化后的10浮标阵列实验结果
Tab.5
![]() |
图6
图6
各算法优化后的10浮标阵列最优布局
Fig.6
Optimal layouts of 10-buoy array obtained by different methods
4.3 大规模20浮标阵列优化
相比较于2个浮标和10个浮标组成的阵列,20个浮标阵列的优化工作更具挑战性,因为浮标之间相互作用变得更加复杂,搜索空间的复杂性要高很多.同样在波浪特性为1F和海域面积为1 000 m×1 000 m 下,利用前述4种算法对20个浮标组成的阵列进行优化,各算法的阵列q因子收敛曲线图如图7所示.不难看出4种算法优化后的20浮标阵列q因子都能达到0.9以上.同时,HBA、GA和PSO在优化过程中仍然陷入局部最优,经IHBA优化后的阵列q因子比HBA, GA和PSO所优化结果分别高3.75%、4.42%和3.20%,在4种方法中仍然处于最高水平,再次验证所提方法的先进性和有效性.
图7
图7
各算法优化20浮标阵列所得q因子收敛曲线
Fig.7
Convergence curves of q-factor obtained by different algorithms for 20-buoy array
表6 各算法优化后的20浮标阵列实验结果
Tab.6
![]() |
图8
图8
各算法优化后的20浮标阵列最优布局
Fig.8
Optimal layouts of 20-buoy array obtained by different methods
5 结论
海洋中波浪的辐射和散射会严重影响WEC阵列发电效率.针对此问题,提出一种多策略改进的蜜獾优化算法,对不同规模WEC阵列进行布局优化和对比分析,主要研究成果和创新点可概括如下:
(1) 对原始HBA进行改进,利用佳点集策略初始化种群,增加了种群多样性.同时,引入混沌机制生成伪随机数,提高算法的全局探索能力.此外,在蜜獾挖掘和采蜜阶段引入种群变异策略,进一步提升解的质量.
(2) 建立基于IHBA的三系WEC阵列优化模型,利用IHBA对3个不同规模大小的WEC阵列进行布局优化.为了验证其先进性和有效性,在相同条件下对比验证了所提方法与原始HBA、GA和PSO算法的优化效果.
(3) 仿真结果表明,在小规模2个浮标的阵列优化中,4种算法中均能找到最优解,验证了WEC阵列优化问题含有多个最优解;在10浮标和20浮标WEC阵列优化中,HBA、GA和PSO都陷入局部最优,而采用佳点集初始化的IHBA在初始适应度值上占有优势,在优化过程中也表现出强大的寻优能力.其中,经IHBA优化后的10浮标阵列q因子比HBA、GA和PSO所得分别高出4.54%、4.64%和5.58%.经IHBA优化的20浮标阵列q因子比HBA、GA和PSO所优化结果分别高出3.75%、4.42%和3.20%.
本文主要研究WEC阵列吸收波能功率最大化,IHBA在WEC阵列优化上具有较好的优化效果,IHBA能够充分挖掘WEC之间的积极作用,从而提高WEC阵列的发电效率,对工程实践中波浪能的开发和利用具有一定的参考价值.未来将在此基础上综合考虑WEC的投资成本以及其建设对海洋环境的影响,海况模拟也将进一步丰富.同时,也将开展海上风能与波浪能发电装置科学集成的研究.
参考文献
Dynamic reconfiguration for TEG systems under heterogeneous temperature distribution via adaptive coordinated seeker
[J].
A critical survey of technologies of large offshore wind farm integration: Summary, advances, and perspectives
[J].
Wave energy converter array layout optimization: A critical and comprehensive overview
[J].
The value of renewable energy research and development investments with default consideration
[J].
Design of permanent magnet synchronous generators for wave power generation
[J].
海洋波浪能浮标发展现状及前景
[J].
Development status and prospect of ocean wave energy buoy
[J].
冲击水轮机式小型波浪能转换系统研究
[J].
Research on small wave energy converter system of pelton turbine
[J].
振荡浮子波能发电装置浮子运动性能的试验研究
[J].
Experimental study on movement performance of oscillating buoys WEC
[J].
直驱式波浪发电用全超导初级励磁直线发电机的设计与分析
[J].
Design and analysis of a fully-superconducting primary-excitation linear generator for direct-driven wave energy generation
[J].
An analysis of the potential benefits of centralised predictive control for optimal electrical power generation from wave energy arrays
[J].
波浪能发电控制技术研究综述
[J].
Review of wave energy power generation control technology research
[J].
波浪发电系统功率控制方法综述
[J].
DOI:10.12067/ATEEE1909007
[本文引用: 1]
波浪发电是利用清洁可再生海洋能源的有效手段,由于波浪能量不稳定且比较分散,导致波浪发电系统的能量转换效率较低,制约了波浪发电技术的发展。因此,采取一定的功率控制方法使波浪发电系统充分利用波浪资源、提高波浪能转换效率是十分必要的。本文介绍了波浪发电功率控制的经典理论——幅值相位控制和复共轭控制,对近几年国内外提出的各种功率控制方法进行分类总结,阐述了功率控制研究的发展趋势:波浪预测和智能控制是未来的研究热点,考虑到未来大规模的阵列波浪发电装置并网问题,有必要研究功率控制目标与其他控制目标结合的多目标优化控制问题。
Summary of power control methods for wave power generation system
[J].
Wave energy converter array optimization: A genetic algorithm approach and minimum separation distance study
[J].
On the park effect in arrays of oscillating wave energy converters
[J].
Layout optimisation of offshore wave energy converters using a novel multi-swarm cooperative algorithm with backtracking strategy: A case study from coasts of Australia
[J].
Theory for absorption of wave power by a system of interacting bodies
[J].
Optimal configurations of wave energy device arrays
[J].
Prediction and optimization of wave energy converter arrays using a machine learning approach
[J].
基于差分进化的波浪能转换装置阵列优化
[J].
Array optimization of wave energy converters by differential evolution algorithm
[J].
基于遗传算法的二自由度波浪能装置阵列优化
[J].
DOI:10.19912/j.0254-0096.tynxb.2020-1067
[本文引用: 2]
针对浮子式波浪能装置阵列发电效率提升问题,采用遗传算法对一种二自由度浮子式波浪能发电装置阵列进行优化排布。首先介绍二自由度波浪能发电装置及其阵列数学模型;然后开展二自由度装置阵列优化模型的构建及其遗传算法求解研究;接着对100 m×100 m海域范围内分别开展2、3、5个装置阵列的排布优化计算,并对2个装置阵列的优化结果进行验证,分析波浪能装置阵列影响因子q增大的机理;计算结果表明遗传算法能有效优化二自由度装置阵列排布,增强阵列中各装置之间的相互作用,提升波浪能装置阵列发电效率。
Optimization of 2-dof wave energy converters array based on genetic algorithm
[J].
DOI:10.19912/j.0254-0096.tynxb.2020-1067
[本文引用: 2]
To improve the efficiency of the floating wave energy converters arrays, the genetic algorithm is used to optimize the 2-DOF floating wave energy converters arrays. In this paper, the 2-DOF wave energy converter and its array mathematical model are first introduced, and then the study on the construction of 2-DOF device array optimization model and its genetic algorithm solution is conducted. On this basis, the arrangement optimization calculation of 2, 3 and 5 device arrays with the area of 100 m×100 m sea area is carried out respectively. Furthermore, the optimization results of two device arrays are verified, and the mechanism for the increase of the interaction factor <em>q</em> of wave energy converters arrays is analyzed. The results show that the genetic algorithm can effectively optimize the array arrangement of 2-DOF devices, enhance the interaction between the devices in the array, and improve the power generation efficiency of wave energy converters arrays.
Honey badger algorithm: New metaheuristic algorithm for solving optimization problems
[J].
Model identification of proton-exchange membrane fuel cells based on a hybrid convolutional neural network and extreme learning machine optimized by improved honey badger algorithm
[J].
基于改进HBA算法的生鲜闭环供应链网络鲁棒优化设计
[J].
Robust optimization design of fresh closed-loop supply chain network based on improved honey badger algorithm
[J].
Modified honey badger algorithm based global MPPT for triple-junction solar photovoltaic system under partial shading condition and global optimization
[J].
Particle swarm optimization based solar PV array reconfiguration of the maximum power extraction under partial shading conditions
[J].
An optimal arrangement of mooring lines for the three-tether submerged point-absorbing wave energy converter
[J].
Radiation and diffraction by a submerged sphere advancing in water waves of finite depth
[J].
The wave energy resource along Australia’s Southern margin
[J].
动态进化与交互学习机制融合的蚁群算法
[J].
DOI:10.13976/j.cnki.xk.2020.9322
[本文引用: 1]
针对蚁群算法收敛速度慢,易陷入局部最优等问题,提出动态进化与交互学习机制融合的蚁群算法(DEILACO).结合小生境的思想在两个种群内部构建动态进化模型,采取自适应进化机制,依据种群内部子群的寻优状态,对子群进行分级淘汰,合理调整进化方向,避免子群陷入局部最优;同时双种群采用交互学习机制,通过衡量种群内各子群适应度的标准差,自适应地调整交互周期,降低种群间的通信开销,并采取学习对象差异配对交流策略,提高交流效率和求解精度.最后采用多组不同规模的TSP (traveling salesman problem)算例实验分析,并与其它多种群算法进行对比.结果表明,该算法在提高求解精度和寻优速度方面表现更优.
Ant colony algorithm based on dynamic evolution and interactive learning mechanism
[J].
/
〈 |
|
〉 |
