دانلود ترجمه مقاله یک الگوریتم بهینه سازی ازدحام ذرات چندعاملی ترکیبی برای پخش بار اقتصادی

1. مقدمه 2. فرمول بندی مساله پخش بار اقتصادی 3. بهینه سازی استاندارد ازدحام ذرات و تحلیل آن 4. سیستم چند عاملی 5. روش بهینه سازی ازدحام ذرات مبتنی بر چندعامل ترکیبی 6. نتایج و بحث و بررسی 7. نتیجه گیری‌ها

در این مقاله برای حل مساله پخش بار اقتصادی، الگوریتم بهینه سازی جدیدی موسوم به بهینه سازی ازدحام ذرات چند عامل ترکیبی به کار گرفته شده است. این مقاله ابتدا الگوریتم PSO استاندارد را تحلیل کرده و مسائل معروف آن را از نظر پیوستگی در پاسخ بررسی می‌کند. حاصل الگوریتم ارائه شده این است که این الگوریتم در مقایسه با همتاهای خود پاسخ‌های بهینه بهتری بدست می‌دهد. این الگوریتم مبتنی است بر سیستم چندعاملی با همکاری روش تصمیم گروهی زنبورها برای یافتن محل بعدی. الگوریتم ارائه شده برای توابع هدف گوناگون با هر تعداد پارامتر، معادله LPT، به خوبی عمل می‌کند، و نیز عملکرد خوبی روی مسائل بهینه سازی نامحدود دارد. نتایج آزمایشگاهی ثابت می‌کند که HMAPSO نسبت به مدل‌های PSO دیگر قوت و صحت بیشتری دارد. همچنین نتایج نشان می‌دهند که HMAPSO تصادفی بودن را در الگوریتم از بین می‌برد و در اجرای بهینه سازی کلی به طور قابل توجهی پیشرفت دارد. مطالعه ای روی زمان همگرایی با در نظر گرفتن تعداد عامل ها انجام شد و دیده شد که هرچه تعداد عامل ها افزایش یابد زمان همگرایی نیز افزایش می یابد. از آنجا که تعداد عامل ها به طور عکس متناسب با طول گام است می‌توان نتیجه گرفت که اگر طول گام کوچک باشد، همگرایی تضعیف می‌شود. پاسخ HMAPSO یک نوع پیوستگی در پاسخ دارد و لذا برای مسائل بهینه سازی زمان واقعی و بهنگام گزینه بهتری بدست می‌دهد.

In this paper a new optimization algorithm known as hybrid multi agent particle swarm optimization is employed to solve the economic power dispatch problem. The paper first analyzed the standard PSO algorithm and discusses its known problems of consistency in solution and of premature phenomenon. The upshot of the proposed algorithm is that it generates better optimal solutions as compared to its counterparts. The algorithm is based on Multiagent system with collaboration of natural swarm group decision method by bees to find next site. The proposed algorithm performs well on different objective functions with any number of parameters, LPT equation and also performs well on unconstrained optimization problems. Experimental results prove the robustness and accuracy of HMAPSO over other PSO models. The results also show that HMAPSO removes the randomness in the algorithm and improves significantly in global optimization performance. A study is done on the convergence time with respect to the number of agents was done and it was seen that as the number of agents increased the convergence time increased. Since the number of agents is inversely proportional to the step length it can be inferred that the convergence is poor if the step length is small. The solution of HMAPSO shows consistency in the solution and hence it gives a better option to optimize real-time and on-line optimization problems.