جستجوی مقالات مرتبط با کلیدواژه « shuffled frog leaping algorithm » در نشریات گروه « برق »
تکرار جستجوی کلیدواژه «shuffled frog leaping algorithm» در نشریات گروه «فنی و مهندسی»-
In this study, optimal energy management is addressed in the residential building. The residential building is equipped with renewable energies including wind turbines (WT) and photovoltaic (PV) systems. Stochastic programming is used to model the uncertainty of renewable energy resources. To manage these uncertainties and reduce the total daily cost of energy, the load control program is adopted. In this respect, five different types of loads are modeled in the building, including interruptible, uninterruptible, constant-energy, constant-power and movable loads. The above charges are properly adjusted and shipped to minimize energy costs and address the uncertainties of renewable energy by hybrid sine cosine shuffled frog leaping algorithm. The residential building is considered as later active in the network, which transfers energy from network to the building and vice versa. The simulation results show that the proposed model can efficiently harness all the energy possible from WT-PV systems, manage uncertainties, minimize total daily costs and operate as an island. All of these objectives are achieved by optimal load distribution and control within the proposed load control program.Keywords: Sine Cosine Algorithm, Shuffled Frog Leaping Algorithm, Renewable Energy, Residential Building, Energy Management}
-
International Journal of Industrial Electronics, Control and Optimization, Volume:5 Issue: 4, Autumn 2022, PP 304 -315Wind power has been considered a future alternative to fossil energy resources. However, due to its stochastic nature, the integration of wind power plants (WPPs) into power systems poses some reliability problems such as a mismatch between load profile and efficient wind power generation. This issue can be alleviated by considering the correlation between hourly load and wind speed variations in the planning phase. To this end, a reliability-based wind power planning procedure is proposed and formulated as a stochastic programming problem. The objective function is the minimization of total costs, including capital investment, operating and maintenance, and customer energy not served costs. A new hybrid method that combines features of the load-duration curve and the K-means clustering algorithm is proposed to model the uncertainty of the input data. A shuffled frog-leaping algorithm is used to solve the proposed model. The simulation results indicate that the amount of adaptation between hours with high loads and those with high wind speeds markedly affects the selection of wind sites as optimal locations for WPP installation. Considering this issue can also improve power system reliability in the presence of WPPs.Keywords: Power system reliability, Shuffled frog leaping algorithm, Uncertainty modeling, Wind power planning}
-
شبکه حسگر بی سیم، متشکل از مجموعه ای از حسگرهای توزیع مکانی شده با ساختار ازپیش معین یا تصادفی است. مسئله پوشش دهی، یکی از شاخص های عملکردی این شبکه، شامل سه دسته پوشش دهی اهداف، نواحی و مرز است. مسئله مدنظر این مقاله به تحلیل مسایل پوشش دهی اهداف و نواحی در یک شبکه با پخش تصادفی معطوف است. در این راستا، الگوریتم تحلیلی شدیدترین نزول مبتنی بر قاعده های آرمیجو و وولف برای نخستین بار برای حل مسئله پوشش دهی اهداف پیشنهاد می شود و در مسئله پوشش دهی نواحی از یک روش ترکیبی مبتنی بر روش شدیدترین نزول و الگوریتم های تکاملی وراثتی و جهش قورباغه ای به هم آمیخته استفاده می شود. بر مبنای ارزیابی عملکرد روش های پیشنهادی در سناریوهای مختلف، مشخص می شود استفاده از روش شدیدترین نزول در مقایسه با الگوریتم وراثتی به پیچیدگی محاسباتی کمتر و دقت بالاتر در پوشش دهی اهداف منجر می شود و مهم تر اینکه این روش، قابلیت مدیریت نحوه حرکت حسگرها به مقصد را نیز دارا است. نتایج در مسئله پوشش دهی نواحی نیز نشان می دهند الگوریتم جهش قورباغه ای به هم آمیخته در مقایسه با الگوریتم وراثتی، دقت بیشتری در پوشش دهی دارد؛ البته این افزایش در ازای پیچیدگی بالاتر حاصل می شود.
کلید واژگان: الگوریتم شدیدترین نزول, الگوریتم جهش قورباغه ای به هم آمیخته, الگوریتم وراثتی, پوشش دهی اهداف و نواحی, شبکه حسگر بی سیم, قاعده های جستجوی آرمیجو و وولف}Wireless sensor network (WSN) is a set of spatially distributed sensors with the pre-determined or randomly structure. Coverage, as an important performance indicator of WSNs, is subdivided into three classes of target coverage, area coverage and barrier coverage. This paper investigates problems of target and area coverage for a randomly distributed WSN. To this end, the analytical algorithm of steepest descent (SD) with Armijo and Wolf rules is suggested as a new solution for target coverage, and the SD algorithm along with evolutionary Genetic and Shuffled Frog Leaping algorithms (GA and SFLA) are utilized for the maximization of area coverage. According to the results of performance evaluation over different scenarios, it is confirmed that utilizing SD algorithm for the target coverage could increase the coverage accuracy and reduce the computational complexity compared with the evolutionary method the GA. Moreover, the SD algorithm can manage sensors movement towards targets. Furthermore, in the case of area coverage, the results reveal that SFLA provides more coverage accuracy in comparison with the GA although this improvement leads to more complexity of the SFLA.
Keywords: Steepest Descent Algorithm, Shuffled Frog Leaping Algorithm, Genetic Algorithm, Target, Areas Coverage, Armijo, Wolf Search Rules} -
شبکه‌های حسگر بی‌سیم متشکل از هزاران گره با انرژی باتری محدود هستند و مصرف بهینه انرژی گره‌های حسگر یک چالش اساسی در این نوع از شبکه‌هاست. خوشه‌بندی گره‌های حسگر در دسته‌های مجزا و تبادل اطلاعات از طریق سرخوشه‌ها، یکی از راهکارهای بهبود مصرف انرژی است. این مقاله یک پروتکل مسیریابی مبتنی بر خوشه‌بندی جدید را به نام SFLCFBA ارایه می‌دهد. پروتکل پیشنهادی به طور بیولوژیکی از ویژگی‌های جستجوی سریع و موثر الهام‌گرفته از الگوریتم قورباغه جهنده را که بر اساس رفتار غذایابی قورباغه‌ها عمل می‌کند برای خوشه‌بندی گره‌های حسگر استفاده می‌کند. در پروتکل پیشنهادی همچنین از منطق فازی به منظور محاسبه برازندگی گره‌ها، بر حسب دو معیار فاصله تا سینک و انرژی باقیمانده سطح باتری گره حسگر استفاده می‌شود. روش پیشنهادی در شبیه‌ساز OPNET شبیه‌سازی شد و نتایج حاصل از شبیه‌سازی با پروتکل NODIC و استاندارد 4/15/802 IEEE مقایسه شدند. نتایج به دست آمده از شبیه‌سازی نشان‌دهنده عملکرد بهتر پروتکل پیشنهادی از نظر انرژی سطح باتری، نسبت سیگنال به نویز، تاخیر انتها به انتها و میزان بسته‌های تحویل‌شده به ایستگاه پایه یا سینک می‌باشد.
کلید واژگان: شبکه حسگر بی سیم, الگوریتم قورباغه جهنده, خوشه بندی, منطق فازی, استاندارد 4, 15, 802 IEEE}Wireless sensor networks consist of thousands of sensor nodes with limited energy. Energy efficiency is a fundamental challenge issue for wireless sensor networks. Clustering sensor nodes in separate categories and exchanging information through clusters is one of the ways to improve energy consumption. This paper presents a new cluster-based routing protocol called SFLCFBA. The proposed protocol biologically uses fast and effective search features inspired by the Shuffled Frog Leaping algorithm, which acts based on the Frog food behavior to cluster sensor nodes. The proposed protocol also uses fuzzy logic to calculate the node fitness, based on the two criteria of distance to the sink and the remaining energy of the sensor node or power of battery level. IEEE 802.15.4 Protocol and NODIC Protocol with the proposed methodology and OPNET Simulator were simulation and the results in terms of energy consumption, end to end delay, signal to noise ratio, the success property data and throughput were compared with each other. The results of the simulation showed that the proposed method outperforms the IEEE 802.15.4 Protocol and NODIC Protocol due to the use of the criteria listed.
Keywords: WSN, shuffled frog leaping algorithm, clustering, fuzzy logic, IEEE802.15.4 standard} -
Regarding optimization problems, there is a high demand for high-performance algorithms that can process the problem solution-space efficiently and find the best ones quite quickly. An approach to get this target is based on using swarm intelligence algorithms; these algorithms apply a population of simple agents to communicate locally with one another and with their surroundings. In this paper, we propose a novel approach based on combining the characteristics of the two algorithms: Cat Swarm Optimization (CSO) and the Shuffled Frog Leaping Algorithm (SFLA). The experimental results show the convergence ratio of our hybrid SFLA-CSO algorithm is seven times higher than that of CSO and five times higher than the convergence ratio of the standard SFLA algorithm. The obtained results also revealed that the hybrid method speeds up the convergence significantly, and reduces the error rate. We compared the proposed hybrid algorithm against the famous relevant algorithms PSO, ACO, ABC, GA, and SA; the results are valuable and promising.Keywords: Cat swarm optimization, Convergence rate, Shuffled frog leaping algorithm, Swarm Intelligence}
-
There are various automatic programming models inspired by evolutionary computation techniques. Due to the importance of devising an automatic mechanism to explore the complicated search space of mathematical problems where numerical methods fails, evolutionary computations are widely studied and applied to solve real world problems. One of the famous algorithm in optimization problem is shuffled frog leaping algorithm (SFLA) which is inspired by behaviour of frogs to find the highest quantity of available food by searching their environment both locally and globally. The results of SFLA prove that it is competitively effective to solve problems. In this paper, Shuffled Frog Leaping Programming (SFLP) inspired by SFLA is proposed as a novel type of automatic programming model to solve symbolic regression problems based on tree representation. Also, in SFLP, a new mechanism for improving constant numbers in the tree structure is proposed. In this way, different domains of mathematical problems can be addressed with the use of proposed method. To find out about the performance of generated solutions by SFLP, various experiments were conducted using a number of benchmark functions. The results were also compared with other evolutionary programming algorithms like BBP, GSP, GP and many variants of GP.
Keywords: Genetic Programming, Shuffled Frog Leaping Algorithm, Shuffled Frog Leaping Programming, Regression Problems} -
در این مقاله، مسئله در مدار قرار گرفتن نیروگاه های حرارتی، با استفاده از ترکیب منطق فازی و الگوریتم جهش قورباغه حل شده است که در آن، محدودیت ها و قیود حداقل و حداکثر تولید، حداقل زمان توقف و روشن بودن، زمان راه اندازی، ذخیره چرخان و… در نظر گرفته شده است. از منطق فازی جهت کاهش زمان تولید سیکل های خاموش و روشن بودن نیروگاه ها به عنوان اعضاء جامعه پاسخ های ممکن در حل مسئله در مدار قرار دادن استفاده شده است و الگوریتم جهش قورباغه برای بهینه کردن پاسخ ها به کار می رود و استفاده از روش پیشنهادی، منجر به سرعت در زمان دسترسی به پاسخ بهینه و کاهش هزینه تولید می شود. شبیه سازی در محیط نرم افزاری MATLAB انجام شده است و نتیجه آن در مقایسه با برخی الگوریتم های هوشمند دیگر بهبودهایی را در هزینه تولید و زمان حل مسئله نشان می دهد. این روش قابلیت توسعه در حل مسئله در مدار آوردن نیروگاه های حرارتی در ابعاد مختلف با لحاظ سایر قیود و محدودیت ها را دارا می باشد.کلید واژگان: واحدهای حرارتی, در مدار قرار دادن نیروگاه ها, روش لاگرانژ, الگوریتم جهش قورباغه, منطق فازی}In this paper, the thermal unit commitment is solved by using combined fuzzy logic and Shuffled Frog Leaping Algorithm, in which the minimum and maximum generation constraints, minimum up/down-time constraints, starting time, spinning reserve,and so on are considered. Fuzzy logic is used to reduce the production time of the ON/OFF cycle durations of each unit in the feasible solutions. Shuffled Frog Leaping Algorithm is used to optimize the results. Using the proposed method reduces the computation time and also the generation cost. The simulation has been done in the MATLAB software environment, and as its results compared with some other intelligent algorithms including Lagrange Relaxation (LR), Integer-Coded Genetic Algorithm (GA) and Bacterial Foraging (BF) for improvements in generation cost and problem solving time is shown. This method has the ability to develop solving unit commitment in different dimensions with considering constraints and limits.Keywords: Thermal Units, Unit Commitment, Fuzzy Logic, Shuffled Frog Leaping Algorithm, Lagrange Relaxation}
-
در این مقاله راهکاری ترکیبی و نوین جهت تشخیص نفوذ در شبکه های کامپیوتری معرفی شده است که از مزایای هر دو روش شناسایی سوءاستفاده و شناسایی ناهنجاری بهره می برد. در راهکار پیشنهادی، سامانه های شناسایی ناهنجاری و شناسایی سوءاستفاده به منظور بهبود عملکرد شناسایی نفوذ با هم ترکیب شده اند. رویکرد پیشنهادی از مجموعه ای از الگوریتم ها و مدل ها برای تحقق سامانه تشخیص نفوذ بهره می جوید. برای انتخاب ویژگی های ورودی بهینه به سامانه، از الگوریتم جهش قورباغه استفاده شده است. بخش شناسایی سوءاستفاده در این سامانه، درخت تصمیم گیری را بدین منظور به کار می گیرد. برای شناسایی ناهنجاری در این سامانه، از مدل های شبکه عصبی پایه- شعاعی یا ماشین بردار پشتیبان استفاده شده است. الگوریتم های بهینه سازی ازدحام ذرات یا وراثتی نیز در فرایند آموزش شبکه عصبی به کار گرفته شده اند. نتایج تجربی به دست آمده با استفاده از مجموعه داده NSL-KDD گزارش شده است. این نتایج نشان می دهند که رویکرد پیشنهادی می تواند کارایی شناسایی نفوذ در شبکه را در مقایسه با استفاده صرف از شناسایی ناهنجاری یا سوءاستفاده بهبود ببخشد. هم چنین مدلی با انتخاب ویژگی به کمک الگوریتم جهش قورباغه و دسته بندی با ترکیب روش های درخت تصمیم گیری و ماشین بردار پشتیبان، با 10 ویژگی انتخابی ورودی به نرخ آشکارسازی 4/97 درصد می رسد. این در حالی است که سامانه های آموزش دیده با دادگان مشابه در سایر پژوهش ها با تعداد 33 و 14 ویژگی انتخابی ورودی به ترتیب به نرخ آشکارسازی 3/82 درصد و 1/83 درصد رسیده اند. هم چنین با حفظ نرخ آشکارسازی نفوذ در تراز سایر روش های رقیب شبیه سازی شده در این مقاله، سرعت اجرای الگوریتم تا 28 برابر نسبت به روش های مذکور بهبود پیدا می کند.کلید واژگان: شناسایی نفوذ به شبکه, سامانه آمیختار, درخت تصمیم گیری, شبکه عصبی پایه- شعاعی, الگوریتم جهش قورباغه}In this paper, a novel hybrid method is proposed for intrusion detection in computer networks using combination of misuse-based and anomaly-based detection models with the aim of performance improvement. In the proposed hybrid approach, a set of algorithms and models is employed. The selection of input features is performed using shuffled frog-leaping (SFL) algorithm. The misuse detection module is implemented using decision tree. The anomaly detection module is implemented using radial-basis function neural network (RBFNN) or support vector machine (SVM). The optimum training parameters of RBFNN are obtained using particle swarm optimization or genetic algorithms. The proposed method is evaluated by conducting experiments using the NSL-KDD intrusion dataset. The experimental results show the superior performance of the proposed method as compared to misuse-based and anomaly-based systems. In addition, the combination of decision tree and SVM can achieve detection rate (DR) of 97.4 percent using 10 selected input features by SFL algorithm. However, other hybrid systems tested on NSL-KDD achieved DR of 82.3 percent and 83.1 percent by using 33 and 14 selected features, respectively. The execution time of the proposed method is 28 times lower than other competitive simulated models in this paper, as well.Keywords: Network intrusion detection, hybrid system, decision tree, radial basis function neural network, shuffled frog leaping algorithm}
-
در این مقاله روش موثری برای حل مساله توزیع اقتصادی بار نامحدب بر اساس نسخه جدیدی از الگوریتم جهش قورباغه های به هم آمیخته (SFL) ارائه شده است. مساله توزیع اقتصادی بار در شرایط واقعی، محدود به قیود مساوی و نامساوی مختلفی است که معمولا آن را به مساله ای ناهموار و نامحدب تبدیل و یافتن بهینه فرامحلی با استفاده از روش های ریاضی کلاسیک را دچار مشکل می کند. در الگوریتم پیشنهادی مقاله، به منظور بهبود جستجوی محلی در ممپلکسها و نیز تسریع همگرایی الگوریتم، روش جدیدی برای پرش راه حل های بدتر به سمت راه حل های بهتر پیشنهاد شده است. همچنین به جای تولید تصادفی قورباغه ها، از عملگر ژنتیکی جهش برای تولید قورباغه های جدید استفاده شده است. به منظور ارزیابی روش پیشنهادی، مساله توزیع اقتصادی بار واقعی با استفاده از الگوریتم پیشنهادی، روش SFL مرسوم و نیز یک نسخه بهبود یافته آن، پیشنهادشده توسط محققان دیگر، شبیه سازی و در سه سیستم قدرت نمونه متفاوت اجرا و نتایج آنها مقایسه و بررسی شده است. همچنین، این نتایج با جواب های چند روش دیگر مانند الگوریتم ژنتیک و برخی الگوریتم های ممتیک مشابه، گزارش شده در چند مرجع دیگر، مقایسه شده است. آزمایش ها نشان می دهد که در مقایسه با روش های مذکور، روش پیشنهادی مقاله از عملکرد بهتری برخوردار است.
کلید واژگان: الگوریتم جهش قورباغه های به هم آمیخته, توزیع اقتصادی بار, توابع هزینه ناهموار}This paper presents a New Hybrid Shuffled Frog Leaping (NHSFL) algorithm applied to solve Economic Load Dispatch (ELD) problem. Practical ELD has non-convex cost function and various equality and inequality constraints that convert the ELD problem as a nonlinear، non-convex and non-smooth optimization problem. In this paper، a new frog leaping rule is proposed to improve the local exploration and the performance of the conventional SFL algorithm. Also a genetic mutation operator is used for the creation of new frogs instead of random frog creation that improves the convergence. To show the efficiency of the proposed approach، the non-convex ELD problem is solved using conventional SFL and an improved SFL method proposed by other researchers. Then the results of SFL methods are compared to the results obtained by the proposed NHSFL algorithm. Simulation studies show that the results obtained by NHSFL are more effective and better compared with these algorithms.Keywords: Shuffled frog leaping algorithm, non, convex economic dispatch, non, convex cost functions} -
در این مقاله، یک الگوریتم یادگیری ترکیبی جدید برای طراحی شبکه های موجک فازی به منظور تقریب توابع، کنترل و شناسایی سیستم های غیرخطی ارائه شده است. الگوریتم پیشنهادی مبتنی بر الگوریتم حداقل مربعات متعامد (OLS)، الگوریتم جهش قورباغه های بهم آمیخته (SFL) و روش حداقل مربعات بازگشتی(RLS) می باشد. الگوریتم حداقل مربعات متعامد جهت تعیین ابعاد شبکه، غربال کردن موجکها به منظور انتخاب موجکهای موثرو تعیین تعداد قوانین فازی استفاده می شود. بدین ترتیب با انتخاب موجکهای موثر بر اساس داده های آموزشی شبکه موجک فازی ساخته شده و مقادیر اولیه پارامترهای شبکه تعیین می شوند. سپس پارامترهای خطی و غیرخطی شبکه به ترتیب با استفاده از روش حداقل مربعات بازگشتی و الگوریتم جهش قورباغه ها تنظیم می گردند. برای نشان دادن قابلیت و توانایی روش پیشنهادی، نتایج شبیه سازی در طی چند مثال برای تقریب تابع، کنترل و شناسایی سیستم های غیرخطی آورده شده است. همچنین، نتایج بدست آمده از این روش با نتایج روش های گزارش شده در مقالات دیگر نیز مقایسه شده است. نتایج شبیه سازی نشان می دهند که روش پیشنهادی مقاله، ضمن استفاده از تعداد قانون فازی کمتر، صحت تقریب و شاخص عملکرد مدل را بهبود بخشیده و از عملکرد بهتری برای سیستم های مورد مطالعه، در مقایسه با سایر روش ها، برخوردار است.
کلید واژگان: شبکه های موجک فازی, الگوریتم جهش قورباغه ها, تقریب توابع, شناسایی و کنترل سیستم های غیرخطی}In this paper, a hybrid learning algorithm is presented for fuzzy wavelet networks (FWNs) design for functions approximation, online identification and control of nonlinear systems. The proposed algorithm is based on orthogonal least square (OLS) algorithm, Shufled Frog Leaping (SFL) algorithm and recursive least square method (RLS). The OLS algorithm is used for determine network dimensions, number of fuzzy rules and wavelets in each fuzzy rule and for purifying wavelets in each sub-WNN. So, after selection of important wavelets based on training data set, FWN structure is constructed and initial values of the network parameters are determined. Then linear and nonlinear parameters of the network are tuned based on recursive least square method and SFL algorithm, respectively. In order to show the capabilities and effectiveness of the proposed method, simulation results are presented for some example: function approximation, online identification and control of nonlinear systems. Also, the results obtained by the proposed approach are compared with the previous approaches reported in the literature. Simulation results show that the proposed method improves model approximation accuracy and performance index by using less number of fuzzy rules compare to other methods for study systems.Keywords: Fuzzy Wavelet Networks, Shuffled Frog Leaping Algorithm, Functions Approximation, Identification, Control of Nonlinear System}
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.