view in publisher's site

A hybrid cooperative co-evolution algorithm framework for optimising power take off and placements of wave energy converters

Wave energy technologies have the potential to play a significant role in the supply of renewable energy on a world scale. One of the most promising designs for wave energy converters (WECs) are fully submerged buoys. In this work, we explore the optimisation of WEC arrays consisting of three-tether buoys. Such arrays can be optimised for total energy output by adjusting both the relative positions of buoys and also the power-take-off (PTO) parameters for each buoy. The search space for these parameters is complex and multi-modal. Moreover, the evaluation of each parameter setting is computationally expensive and thus limits the number of full model evaluations that can be made. To handle this problem, we propose a new hybrid cooperative co-evolution algorithm (HCCA). HCCA consists of a symmetric local search plus Nelder-Mead and a cooperative co-evolution algorithm (CC) with a backtracking strategy for optimising the positions and PTO settings of WECs, respectively. For assessing the effectiveness of the proposed approach five popular Evolutionary Algorithms (EAs), four alternating optimisation methods and two recent hybrid ideas (LS-NM and SLS-NM-B) are compared in four real wave situations (Adelaide, Tasmania, Sydney and Perth) with two wave farm sizes (4 and 16). The experimental study shows that the hybrid cooperative framework performs best in terms of both runtime and quality of obtained solutions.

یک چارچوب الگوریتم تکاملی مشترک تعاونی برای بهینه‌سازی توان و استفاده از مبدل‌های انرژی موج در نظر گرفته می‌شود.

فن‌آوری‌های موج انرژی پتانسیل بازی در تامین انرژی تجدیدپذیر در مقیاس جهانی را دارند. یکی از the طراحی‌های مبدل‌های انرژی موج (WECs)، buoys کاملا مستغرق است. در این تحقیق، بهینه‌سازی آرایه‌های WEC متشکل از buoys three را بررسی می‌کنیم. این آرایه را می توان برای کل خروجی انرژی با تنظیم موقعیت نسبی of و همچنین پارامترهای خاموش (PTO)برای هر بویه، بهینه‌سازی نمود. فضای جستجو برای این پارامترها پیچیده و چند وجهی است. علاوه بر این، ارزیابی هر یک از تنظیمات پارامتر از نظر محاسباتی گران است و بنابراین تعداد evaluations های مدل کامل را محدود می‌کند که می توان آن‌ها را ساخت. برای رسیدگی به این مشکل، یک الگوریتم تکاملی مشترک ترکیبی (HCCA)پیشنهاد می‌کنیم. HCCA شامل یک جستجوی محلی متقارن به علاوه Nelder - مید و یک الگوریتم تکاملی هم‌کاری مشترک (CC)با یک استراتژی backtracking برای بهینه‌سازی موقعیت و تنظیمات PTO WECs می‌باشد. برای ارزیابی اثربخشی رویکرد پیشنهادی پنج الگوریتم تکاملی عمومی (EAs)، چهار روش بهینه‌سازی متناوب و دو ایده ترکیبی اخیر (LS، تاسمانی، سیدنی و پرت)با دو اندازه‌های مختلف زراعی (۴ و ۱۶)مقایسه می‌شوند. مطالعه تجربی نشان می‌دهد که چارچوب تعاونی هیبرید از نظر زمان اجرا و هم کیفیت راه‌حل‌های به‌دست‌آمده بهتر عمل می‌کند.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Control and Systems Engineering
  • ترجمه مقاله Control and Systems Engineering
  • مقاله مهندسی کنترل و سیستم‌ها
  • ترجمه مقاله مهندسی کنترل و سیستم‌ها
  • مقاله Theoretical Computer Science
  • ترجمه مقاله Theoretical Computer Science
  • مقاله علوم کامپیوتر نظری
  • ترجمه مقاله علوم کامپیوتر نظری
  • مقاله Software
  • ترجمه مقاله Software
  • مقاله نرم‌افزار
  • ترجمه مقاله نرم‌افزار
  • مقاله Information Systems and Management
  • ترجمه مقاله Information Systems and Management
  • مقاله سیستم‌های اطلاعاتی و مدیریت
  • ترجمه مقاله سیستم‌های اطلاعاتی و مدیریت
  • مقاله Artificial Intelligence
  • ترجمه مقاله Artificial Intelligence
  • مقاله هوش مصنوعی
  • ترجمه مقاله هوش مصنوعی
  • مقاله Computer Science Applications
  • ترجمه مقاله Computer Science Applications
  • مقاله کاربردهای علوم کامپیوتر
  • ترجمه مقاله کاربردهای علوم کامپیوتر
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.