coding methods have been considered. In the binary representation,
an individual has G x T genes (where G is the number of generating
units and T is the number of periods) and the value of gene (g,t) is
set to 1 if unit g starts maintenance at time t, and 0 otherwise. In
the integer representation, a individual has G genes and the value
of gene g corresponds to the maintenance starting period of generating
unit g. Binary or gray encoding of the latter values may also
be used. Dahal and McDonald (1997) showed that integer-coding is
the most efficient encoding strategy since it generates the smallest
search space. Moreover, the integer coding reduces the probability
of infeasibility during the process, and it avoids the overhead necessary
to code and decode a solution. Baskar et al. (2003) revisited
the binary for integer representation, the real encoding (using real
values instead of integer values), and the classic integer encoding. For
their experiments, integer coding proves to be the best independently
of the problem size. Wang and Handschin (2000) and Reihani et al.
(2012) reached the same conclusions about the efficiency of integercoding.
Despite these findings, binary coding is still used in some approaches
(Eshraghnia et al., 2006; Leou, 2006; Mohanta et al., 2004,
2007; Suresh & Kumarappan, 2013). Finally, Volkanovski and Mavko
(2008) introduced a completely different encoding strategy that uses
real values between 0 and 1 obtained by dividing the maintenance
starting time value by the number of periods of the horizon.
Needless to say, contrary to solution encoding, the fitness function
associated to every individual is problem dependent. Usually, it
includes penalties associated with the violations of some constraints.
Fuzzy models may be developed to handle data uncertainties (see
Section 2.3) through the use of fuzzy evaluation functions.
Being population-based metaheuristics, GAs require initial solutions
to built the initial population. The literature reports on
randomly generated solutions (Dahal et al., 1999; Huang, 1997;
Leou, 2006; Mohanta et al., 2004, 2007; Reihani et al., 2012) and
heuristically generated solutions (Burke & Smith, 2000; Dahal &
Chakpitak, 2007; Volkanovski & Mavko, 2008). The latter are often
built using constructive methods that are mainly based on the following
process: ranking generating units in order of decreasing capacity,
and iteratively schedule the maintenance of the units when
the demand is at its lowest level, while satisfying the constraints of
the model. GAs try to improve solutions by applying the classic operators
such as tournament or roulette wheel selection, one or two-point
crossovers, random mutation and a replacement policy based usually
on elitism. To reduce the probability of trapping in local optima, Dahal
and Chakpitak (2007), Mohanta et al. (2004), Mohanta et al. (2007)
accepted non-improving solutions at each iteration according to the
probabilistic acceptance criterion of simulated annealing.
Langdon and Treleaven (1997) designed a GA to schedule the
maintenance of the transmission lines combined with some greedy
heuristics. Some GAs include a local search algorithm for improving
the quality of the solutions. Neighborhoods are usually defined by
changing the maintenance starting time of a randomly selected generator.
Burke and Smith (2000) tested the combination of a genetic
algorithm with several local search methods: a basic hill climbing
technique, a simulated annealing, and a tabu search. Hybridization
with tabu search proved to be the most efficient approach in their
experiments. El-Sharkh et al. (2003) maintained feasibility using a
hill climbing technique during the solution process. Leou (2006) executed
simulated annealing for each individual solution of the population.
Reihani et al. (2012) designed an hybrid algorithm based on
extremal optimization and a GA.
GAs are mostly used in regulated power systems; they allow dealing
with the non-linearity of the main reliability-based objectives.
วิธีการเข้ารหัสได้รับการพิจารณา ตัวแทนไบนารีคนมี G x ยีน T (ซึ่ง G คือ จำนวนสร้างหน่วยและ T คือ จำนวนของรอบระยะเวลา) และค่าของยีน (g, t)ตั้งค่าเป็น 1 ถ้า g หน่วยเริ่มต้นการบำรุงรักษาที่เวลา t และ 0 มิฉะนั้น ในแสดงจำนวนเต็ม บุคคลมียีน G และค่าของยีน g ตรงกับรอบระยะเวลาเริ่มต้นของการสร้างบำรุงรักษาหน่วยกรัมไบนารี หรือเข้ารหัสสีเทาค่าหลังยังอาจสามารถใช้ Dahal และแมคโดนัลด์ (1997) พบว่า จำนวนเต็มในการเขียนโค้ดจะรหัสกลยุทธ์มีประสิทธิภาพมากที่สุดเนื่องจากสร้างน้อยที่สุดค้นหาพื้นที่ นอกจากนี้ การเขียนโปรแกรมจำนวนเต็มลดความน่าเป็นของ infeasibility ในระหว่างกระบวนการ เพื่อหลีกเลี่ยงค่าใช้จ่ายที่จำเป็นรหัส และถอดรหัสวิธีแก้ไข Baskar et al. (2003) มาเยือนไบนารีสำหรับจำนวนเต็ม ตัวเข้ารหัส (ใช้จริงจริงค่าแทนค่าจำนวนเต็ม), และการเข้ารหัสเต็มคลาสสิก สำหรับทดลอง โค้ดเต็มพิสูจน์ให้ได้อย่างอิสระขนาดปัญหา วัง และ Handschin (2000) และ Reihani et al(2012) ถึงข้อสรุปเดียวกันเกี่ยวกับประสิทธิภาพของ integercodingแม้ผลการวิจัยเหล่านี้ การเข้ารหัสแบบไบนารียังคงใช้ในบางวิธี(Eshraghnia et al. 2006 Leou, 2006 Mohanta et al. 20042007 Suresh & Kumarappan, 2013) ในที่สุด Volkanovski และ Mavko(2008) นำมาใช้เป็นกลยุทธ์การเข้ารหัสอื่นที่ใช้จริงค่าระหว่าง 0 และ 1 ได้ โดยแบ่งการบำรุงรักษาค่าเวลาเริ่มต้นของรอบระยะเวลาของการจำเป็นต้องพูด ขัดโซลูชันการเข้ารหัส การทำงานออกกำลังกายเกี่ยวข้องกับแต่ละคนมีปัญหาขึ้น มักจะ มันมีบทลงโทษที่เกี่ยวข้องกับการละเมิดข้อจำกัดบางอย่างรุ่นเลือนอาจพัฒนาขึ้นเพื่อจัดการกับข้อมูลไม่แน่นอน (ดูส่วนที่ 2.3) โดยใช้ฟังก์ชันการประเมินเลือนเป็น metaheuristics ตามประชากร ก๊าซต้องใช้โซลูชันเริ่มต้นสร้างประชากรเริ่มต้น รายงานวรรณคดีโซลูชั่นสุ่ม (Dahal et al. 1999 หวง 1997Leou, 2006 Mohanta et al. 2004, 2007 Reihani ร้อยเอ็ด 2012) และโซลูชั่นที่สร้างสำนึก (วิลล์ส & Smith, 2000 Dahal และChakpitak, 2007 Volkanovski & Mavko, 2008) หลังมักสร้างขึ้นโดยใช้วิธีการสร้างสรรค์ที่จะยึดตามต่อไปนี้กระบวนการ: การสร้างหน่วยในการลดกำลังการผลิต การจัดอันดับและตารางการบำรุงรักษาของหน่วยซ้ำ ๆ เมื่อความต้องอยู่ในระดับต่ำที่สุด ในขณะที่ข้อจำกัดของความพึงพอใจรุ่น ก๊าซพยายามปรับปรุงแก้ไข โดยการใช้ตัวดำเนินการแบบคลาสสิกเช่นเลือกล้อทัวร์นาเมนต์หรือรูเล็ต หนึ่ง หรือสองจุดcrossovers กลายพันธุ์แบบสุ่ม และนโยบายแทนการใช้ปกติบน elitism การลดความน่าดักในถิ่น optima, Dahalและ Chakpitak (2007), Mohanta et al. (2004), Mohanta et al. (2007)ยอมรับไม่ได้รับการปรับปรุงแก้ไขในแผนตามเกณฑ์การยอมรับ probabilistic ของหลอมจำลองแลงดอนและ Treleaven (1997) ออกแบบ GA การจัดกำหนดการการบำรุงรักษาสายส่งรวมกับความโลภบางรุก ก๊าซบางอย่างรวมถึงอัลกอริทึมค้นหาท้องถิ่นสำหรับการปรับปรุงคุณภาพของการแก้ปัญหา ละแวกใกล้เคียงมักจะกำหนดโดยเปลี่ยนแปลงเวลาของเครื่องกำเนิดไฟฟ้าแบบสุ่มเริ่มต้นการบำรุงรักษาการรวมกันของพันธุกรรมการทดสอบวิลล์สและสมิธ (2000)อัลกอริทึมค้นหาท้องถิ่นหลายวิธี: มีพื้นฐานการปีนเขาเทคนิค หลอมจำลอง และการค้นหาทาบู Hybridizationพิสูจน์แล้วว่าเป็นวิธีมีประสิทธิภาพในการค้นหาทาบูของพวกเขาการทดลอง El Sharkh et al. (2003) สภาพความเป็นไปได้ใช้เป็นเขาปีนเทคนิคในระหว่างกระบวนการแก้ปัญหา Leou (2006) ดำเนินการจำลองการอบเหนียวสำหรับการแก้ปัญหาแต่ละแต่ละตัวของประชากรอัลกอริทึมแบบไฮบริดที่อิงการออกแบบ Reihani et al. (2012)การเพิ่มประสิทธิภาพ extremal และจอร์เจียเป็นก๊าซส่วนใหญ่จะใช้ในระบบควบคุมไฟฟ้า พวกเขาอนุญาตให้จัดการด้วยการไม่เชิงเส้นของวัตถุประสงค์เชื่อถือตามหลักการ
การแปล กรุณารอสักครู่..
![](//thimg.ilovetranslation.com/pic/loading_3.gif?v=b9814dd30c1d7c59_8619)
วิธีการเข้ารหัสได้รับการพิจารณา ในการเป็นตัวแทนไบนารี
บุคคลมียีน T G X (ที่ g คือจำนวนของการสร้าง
หน่วยและ T คือจำนวนงวด) และมูลค่าของยีน (G, T) คือ
การตั้งค่า 1 ถ้าหน่วยกรัมเริ่มต้นการบำรุงรักษาตลอดเวลา T และ 0 เป็นอย่างอื่น ใน
การเป็นตัวแทนจำนวนเต็มบุคคลมียีน G และความคุ้มค่า
ของยีน g สอดคล้องกับระยะเวลาการบำรุงรักษาเริ่มต้นของการสร้าง
หน่วยกรัม การเข้ารหัสแบบไบนารีหรือสีเทาของค่าหลังนอกจากนี้ยังอาจ
ถูกนำมาใช้ Dahal และโดนัลด์ (1997) แสดงให้เห็นว่าจำนวนเต็มเข้ารหัสเป็น
กลยุทธ์การเข้ารหัสที่มีประสิทธิภาพมากที่สุดนับตั้งแต่มันสร้างที่เล็กที่สุด
พื้นที่ค้นหา นอกจากนี้การเข้ารหัสจำนวนเต็มลดความน่าจะเป็น
ของ infeasibility ในระหว่างกระบวนการและจะหลีกเลี่ยงค่าใช้จ่ายที่จำเป็น
ในรหัสและถอดรหัสวิธีการแก้ปัญหา Baskar et al, (2003) เยือน
ไบนารีสำหรับการแสดงจำนวนเต็มการเข้ารหัสจริง (ใช้จริง
ค่าแทนค่าจำนวนเต็ม) และการเข้ารหัสจำนวนเต็มคลาสสิก สำหรับ
การทดลองของพวกเขาจำนวนเต็มเข้ารหัสพิสูจน์ให้เป็นอิสระที่ดีที่สุด
ที่มีขนาดปัญหา . วังและ Handschin (2000) และ Reihani, et al
(2012) ถึงข้อสรุปเดียวกันเกี่ยวกับประสิทธิภาพของ integercoding ได้.
แม้จะมีการค้นพบเหล่านี้รหัสไบนารียังคงใช้ในวิธีการบางอย่าง
(Eshraghnia et al, 2006;. Leou 2006; Mohanta et อัล, 2004.
2007; & Suresh Kumarappan, 2013) สุดท้าย Volkanovski และ Mavko
(2008) แนะนำกลยุทธ์การเข้ารหัสที่แตกต่างกันอย่างสิ้นเชิงที่ใช้
ค่าจริงระหว่าง 0 และ 1 ได้โดยการหารบำรุงรักษา
เริ่มต้นค่าเวลาจากจำนวนระยะเวลาของขอบฟ้า.
จำเป็นต้องพูดตรงกันข้ามกับการเข้ารหัสการแก้ปัญหาการออกกำลังกาย ฟังก์ชั่น
ที่เกี่ยวข้องกับบุคคลทุกคนที่เป็นปัญหาขึ้น มักจะ
รวมถึงบทลงโทษที่เกี่ยวข้องกับการละเมิดข้อ จำกัด บางอย่าง.
จำลองฟัซซี่อาจจะพัฒนาขึ้นเพื่อจัดการกับข้อมูลความไม่แน่นอน (ดู
มาตรา 2.3) ผ่านการใช้งานฟังก์ชั่นการประเมินผลเลือน.
เป็น metaheuristics ประชากรที่ใช้ก๊าซจำเป็นต้องมีการแก้ปัญหาการเริ่มต้น
ในการสร้างประชากรเริ่มต้น . รายงานหนังสือที่เกี่ยวกับ
การแก้ปัญหาที่สร้างแบบสุ่ม (Dahal et al, 1999;. Huang, 1997;
Leou 2006; Mohanta et al, 2004, 2007.. Reihani et al, 2012) และ
การแก้ปัญหาการสร้าง heuristically (เบิร์คสมิ ธ & 2000; Dahal &
Chakpitak 2007; & Volkanovski Mavko 2008) หลังมักจะถูก
สร้างขึ้นโดยใช้วิธีการที่สร้างสรรค์ที่จะตามหลักดังต่อไปนี้
ขั้นตอน: การจัดอันดับการสร้างหน่วยในการสั่งซื้อของกำลังการผลิตลดลง
และซ้ำตารางการบำรุงรักษาของหน่วยงานเมื่อ
มีความต้องการอยู่ในระดับต่ำสุดในขณะที่ความพึงพอใจของข้อ จำกัด ของ
รูปแบบ . GAs พยายามที่จะปรับปรุงการแก้ปัญหาโดยการใช้ประกอบการคลาสสิก
เช่นการแข่งขันหรือการเลือกล้อรูเล็ตหนึ่งหรือสองจุด
ไขว้การกลายพันธุ์แบบสุ่มและนโยบายการทดแทนตามมักจะ
เกี่ยวกับอภิสิทธิ์ เพื่อลดความน่าจะเป็นของการวางกับดักใน Optima ท้องถิ่น Dahal
และ Chakpitak (2007), et al, Mohanta (2004), et al, Mohanta (2007)
ได้รับการยอมรับการแก้ปัญหาไม่ใช่การปรับปรุงที่ซ้ำกันไปตาม
เกณฑ์การยอมรับความน่าจะเป็นของการหลอมจำลอง.
แลงดอนและ Treleaven (1997) ได้รับการออกแบบ GA กำหนดเวลา
การบำรุงรักษาสายส่งรวมกับโลภบาง
การวิเคราะห์พฤติกรรม บาง GAs รวมถึงขั้นตอนวิธีการค้นหาในท้องถิ่นสำหรับการปรับปรุง
คุณภาพของการแก้ปัญหาที่ ละแวกใกล้เคียงที่มักจะถูกกำหนดโดย
. การเปลี่ยนแปลงการบำรุงรักษาเวลาเริ่มต้นของการกำเนิดสุ่มเลือก
เบิร์คและสมิ ธ (2000) การทดสอบการรวมกันของพันธุกรรม
ขั้นตอนวิธีการด้วยวิธีการค้นหาในท้องถิ่นหลายขั้นพื้นฐานเนินเขาปีน
เทคนิคการหลอมจำลองและการค้นหาห้าม การผสมข้ามพันธุ์
กับการค้นหาห้ามพิสูจน์แล้วว่าเป็นวิธีที่มีประสิทธิภาพมากที่สุดในพวกเขา
ทดลอง El-Sharkh et al, (2003) การบำรุงรักษาเป็นไปได้โดยใช้
เทคนิคเนินเขาปีนเขาในระหว่างขั้นตอนการแก้ปัญหา Leou (2006) ดำเนินการ
หลอมจำลองสำหรับแต่ละวิธีการแก้ปัญหาของแต่ละบุคคลของประชากร.
Reihani et al, (2012) ได้รับการออกแบบขั้นตอนวิธีไฮบริดบนพื้นฐานของ
การเพิ่มประสิทธิภาพ extremal และ GA.
ก๊าซใช้ส่วนใหญ่ในระบบไฟฟ้าที่มีการควบคุม; พวกเขาช่วยให้จัดการ
กับที่ไม่เป็นเชิงเส้นในวัตถุประสงค์ที่น่าเชื่อถือตามหลัก
การแปล กรุณารอสักครู่..
![](//thimg.ilovetranslation.com/pic/loading_3.gif?v=b9814dd30c1d7c59_8619)
รหัสวิธีการได้รับการพิจารณา ในการไบนารีแต่ละคนได้ G x t ยีน ( ที่ G เป็นจำนวนสร้างหน่วยและ t คือจํานวนงวด ) และค่าของยีน ( G , T ) คือตั้งค่าเป็น 1 ถ้าหน่วยกรัม เริ่มรักษาที่เวลา t และ 0 เป็นอย่างอื่น ในจำนวนเต็มแทนบุคคลได้ G ยีนและค่าของยีน G สอดคล้องกับระยะเวลาของการรักษาเริ่มต้นหน่วย กรัม ไบนารีหรือรหัสสีเทาของค่าหลังอาจจะยังจะใช้ dahal และ McDonald ( 2540 ) พบว่าเป็นจำนวนเต็มนะครับมีประสิทธิภาพมากที่สุดกลยุทธ์การเข้ารหัสตั้งแต่มันสร้างน้อยที่สุดพื้นที่ค้นหา นอกจากนี้ยังเป็นช่วยลดความน่าจะเป็นนะครับของ infeasibility ในระหว่างกระบวนการ และหลีกเลี่ยงค่าใช้จ่ายที่จำเป็นรหัส และถอดรหัส โซลูชั่น baskar et al . ( 2003 ) มาเยือนไบนารีแทนจำนวนเต็มจริงการเข้ารหัส ( ใช้จริงค่าแทนจำนวนเต็มค่า ) , และคลาสสิกโดยการเข้ารหัส สำหรับการทดลองของพวกเขา รหัสจำนวนเต็มเป็นดีที่สุด อย่างอิสระเรื่องของขนาด วังและ handschin ( 2000 ) และ reihani et al .( 2012 ) ถึงข้อสรุปเดียวกันเกี่ยวกับประสิทธิภาพของ integercoding .แม้จะมีการค้นพบเหล่านี้ , ไบนารีรหัสยังคงใช้ในบางวิธี( eshraghnia et al . , 2006 ; leou , 2006 ; mohanta et al . 20042007 ; ซูเรส & kumarappan 2013 ) และสุดท้าย volkanovski mavko( 2008 ) เปิดตัวกลยุทธ์ที่ใช้ในการเข้ารหัสที่แตกต่างกันอย่างสิ้นเชิงคุณค่าที่แท้จริงระหว่าง 0 และ 1 ได้ โดยแบ่งการรักษาค่าเริ่มต้นเวลา ด้วยจำนวนครั้งของขอบฟ้าไม่จำเป็นต้องพูด ตรงข้ามกับโซลูชั่นการเข้ารหัส ฟังก์ชั่น ฟิตเนสที่เกี่ยวข้องกับบุคคลทุกปัญหาขึ้นอยู่กับ โดยปกติรวมถึงบทลงโทษที่เกี่ยวข้องกับการละเมิดของข้อจำกัดแบบจำลองฟัซซี่อาจจะพัฒนาขึ้นเพื่อจัดการกับความไม่แน่นอนของข้อมูล ( ดูส่วน 2.3 ) ผ่านการใช้ฟังก์ชันการประเมินผลแบบฟัซซี่ถูก - ตามจำนวนประชากรเมตาฮิวริ ิก แก๊ส ต้องใช้วิธีแก้ไขปัญหาเบื้องต้นการสร้างประชากรเริ่มต้น รายงานในวรรณคดีโซลูชั่นที่สร้างขึ้นแบบสุ่ม ( dahal et al . , 1999 ; Huang , 1997 ;leou , 2006 ; mohanta et al . , 2004 , 2007 ; reihani et al . , 2012 ) และโซลูชั่นที่สร้างขึ้น heuristically ( Burke & Smith , 2000 ; dahal &chakpitak , 2007 ; volkanovski & mavko , 2008 ) หลังบ่อยๆสร้างขึ้นโดยใช้วิธีการสร้างสรรค์ที่เป็นหลักยึดต่อไปกระบวนการ : การจัดอันดับหน่วยผลิตเพื่อลดการผลิตซ้ำและตารางการบำรุงรักษาของหน่วยเมื่อมีความต้องการในระดับต่ำสุดของ ขณะภิรมย์จำกัดแบบจำลอง ก๊าซพยายามปรับปรุงโซลูชั่นโดยการใช้ผู้ประกอบการคลาสสิกเช่น การแข่งขัน หรือ การเลือกล้อรูเล็ต , หนึ่งหรือสองจุดไขว้ การกลายแบบสุ่มและนโยบายการทดแทนตามปกติใน 24 . ลดความน่าจะเป็นของการวางกับดักใน dahal Optima ท้องถิ่นและ chakpitak ( 2007 ) , mohanta et al . ( 2004 ) , mohanta et al . ( 2007 )รับพัฒนาโซลูชั่นที่ไม่ซ้ำกันไปตามเกณฑ์การยอมรับความเป็นไปได้ของการดำรงอยู่ .ดู treleaven ( 1997 ) ออกแบบให้มีตารางกาบำรุงรักษาสายส่งรวมกับบางตะกละการวิเคราะห์พฤติกรรม . แก๊ส รวมถึงขั้นตอนวิธีการค้นหาในท้องถิ่นสำหรับการปรับปรุงคุณภาพของโซลูชั่น ย่านมักจะกำหนดโดยการรักษาเริ่มต้นของการสุ่มเลือกเครื่องกำเนิดไฟฟ้าเบิร์กและ Smith ( 2000 ) การทดสอบการรวมกันของพันธุกรรมวิธีหลายวิธีค้นหา : พื้นฐานการปีนเขาเทคนิค , การดำรงอยู่ , และบริการค้นหา . เบสด้วยวิธีการค้นหาแบบตาบูพิสูจน์แล้วว่าเป็นวิธีที่มีประสิทธิภาพที่สุดในของพวกเขาการทดลอง เอล sharkh et al . ( 2003 ) ในการใช้รักษาการปีนขึ้นเขา และในระหว่างกระบวนการแก้ปัญหา leou ( 2006 ) ประหารการดำรงอยู่ของแต่ละวิธีของแต่ละคนreihani et al . ( 2012 ) ออกแบบโดยอยู่บนพื้นฐานของลูกผสมการเพิ่มประสิทธิภาพ extremal และกาก๊าซส่วนใหญ่จะใช้ในการควบคุมระบบไฟฟ้ากำลัง พวกเขาอนุญาตให้ติดต่อกับไม่ของความน่าเชื่อถือหลักตามวัตถุประสงค์
การแปล กรุณารอสักครู่..
![](//thimg.ilovetranslation.com/pic/loading_3.gif?v=b9814dd30c1d7c59_8619)