Journal international d'intelligence d'essaim et de calcul évolutif

Abstrait

Réduction de la perte de puissance réelle grâce à un essaim de vers luisants amélioré, au développement cognitif, au trou noir et aux algorithmes améliorés des chauves-souris

Kanagasabai Lénine

Cet article propose un algorithme d'optimisation d'essaim de vers luisants amélioré (IGSO), un algorithme d'optimisation du développement cognitif (CDO), un algorithme de trou noir (BHA) et un algorithme de chauve-souris avec combinaison de nombreux schémas (BACS) pour résoudre le problème de puissance réactive optimale. L'algorithme d'optimisation d'essaim de vers luisants (GSO) est un nouvel algorithme qui s'inspire du comportement d'émission de lumière des vers luisants pour attirer des proies. L'algorithme GSO présente des limites dans la recherche globale, un manque de précision de calcul et tombe souvent dans l'optimum local. Afin de surmonter les lacunes susmentionnées du GSO, ce travail présente un algorithme GSO amélioré pour résoudre le problème. L'algorithme d'optimisation d'essaim de vers luisants est incorporé à la mutation hybride parallèle qui unit la mutation de distribution uniforme à la mutation de distribution gaussienne. Dans l'algorithme proposé (IGSO), la longueur de pas de déplacement dynamique est implémentée pour chaque individu. Lorsque la position reste inchangée dans une génération, une variation de distribution normale au ver luisant est appliquée. Ensuite, dans cet article, l'algorithme d'optimisation du développement cognitif (CDO) est utilisé pour résoudre le problème de la puissance réactive. La théorie de Piaget sur le développement cognitif, qui comprend la maturation, l'interaction sociale, l'équilibrage ; ces trois processus sont utilisés tout au long de la nouvelle phase d'apprentissage et améliorent constamment l'infrastructure cognitive. Ensuite, ce travail présente l'algorithme du trou noir (BHA) pour résoudre le problème de la puissance réactive optimale. L'évolution de la population se fait en poussant les candidats dans l'itinéraire du candidat le plus exceptionnel dans les itérations et le trou noir qui échangent avec ceux de l'espace d'exploration. Le candidat formidable parmi tous les candidats dans les itérations est sélectionné comme trou noir et les candidats restants structurés comme les étoiles standard. La formation des trous noirs n'est pas capricieuse mais elle se forme en tant que candidats authentiques de la population créée. Pour améliorer l'exploration et l'exploitation des étoiles, des informations sur la gravité ont été utilisées. Les forces gravitationnelles entre les étoiles sont définies et la progression des étoiles vers le trou noir est habituée lors de l'incursion dans l'espace de solution. Ensuite, dans cet article, l'algorithme Bat avec combinaison de nombreux schémas (BACS) est proposé pour résoudre le problème de la puissance réactive optimale. L'algorithme Bat est imité à partir des actions de la chauve-souris ; les délais sont principalement utilisés pour l'émission vers la réflexion et l'utilisent pour la navigation. La capacité de convergence globale de l'algorithme devient plus faible lorsque la progression de l'opérateur augmente et lorsque l'opérateur d'exploration augmente, alors la précision de la convergence sera inadéquate. Par conséquent, dans cet article, de nombreux schémas ont été sélectionnés pour résoudre le problème et cela fonctionne comme une stratégie de sélection autonome. Dans l'algorithme proposé, différents individus préfèrent une stratégie différente pour moderniser la position en référence à la qualité de la forme physique. Algorithme d'optimisation améliorée de l'essaim de vers luisants (IGSO) proposé,L'algorithme d'optimisation du développement cognitif (CDO), l'algorithme du trou noir (BHA) et l'algorithme Bat avec combinaison de nombreux schémas (BACS) ont été testés dans un système de test de bus standard IEEE 14, 30 300 et les résultats de simulation montrent que l'algorithme projeté a considérablement réduit la perte de puissance réelle.