Comparison of the optimization meth

Comparison of the optimization methods GA, DE, PSO
and SA to enhance TTC in presence of FACTS device is
presented in this section. The control parameter values [31]
for all the optimization algorithms are given below
• GA: real coded, population=30, generations=300,
crossover probability=0.5, mutation probability=0.1.
• DE: population=30, generations=300, differentiation
factor randomly between=-1.5 to 1.5, crossover
probability=0.95.
• PSO: population=30, generations=300, cognitive
learning factor=2, cooperative factor=2, social learning
factor=0.5, inertial constant=0.5 and number of
neighbors=5.
• SA: population=30, generations=300, initial cooling
temperature =100 and cooling constant=0.9.

ผลลัพธ์ (ไทย) 2:

การเปรียบเทียบวิธีการเพิ่มประสิทธิภาพ GA, DE, PSO
และ SA เพื่อเพิ่ม TTC
ในการปรากฏตัวของอุปกรณ์ข้อเท็จจริงที่ถูกนำเสนอในส่วนนี้ ค่าพารามิเตอร์การควบคุม [31]
สำหรับทุกขั้นตอนวิธีการเพิ่มประสิทธิภาพได้รับด้านล่าง• GA: รหัสจริงประชากร = 30 รุ่น = 300,. น่าจะเป็นครอสโอเวอร์ = 0.5 น่าจะเป็นกลายพันธุ์ = 0.1 • DE ประชากร = 30 รุ่น = 300, ความแตกต่างของปัจจัยสุ่มระหว่าง= -1.5 ถึง 1.5, ครอสโอเวอร์น่าจะเป็น= 0.95. • PSO ประชากร = 30 รุ่น = 300, ความรู้ความเข้าใจปัจจัยการเรียนรู้ = 2 ปัจจัยสหกรณ์ = 2 เรียนรู้ทางสังคมปัจจัย= 0.5, คงเฉื่อย = 0.5 และจำนวนเพื่อนบ้าน = 5. • SA: ประชากร = 30 รุ่น = 300, เริ่มต้นการระบายความร้อนที่อุณหภูมิ100 และระบายความร้อนคงที่ = 0.9

ผลลัพธ์ (ไทย) 3:

ถังอับเฉา
ถังอับเฉา