Revista internacional de inteligencia de enjambre y computación evolutiva

Abstracto

Reducción real de la pérdida de potencia mediante un enjambre de luciérnagas mejorado, desarrollo cognitivo, agujeros negros y algoritmos mejorados de murciélagos

Lenin de Kanagasabai

Este artículo propone un algoritmo de optimización de enjambre de luciérnagas mejorado (IGSO), un algoritmo de optimización del desarrollo cognitivo (CDO), un algoritmo de agujero negro (BHA) y un algoritmo de murciélago con combinación de numerosos esquemas (BACS) para resolver el problema de potencia reactiva óptima. El algoritmo de optimización de enjambre de luciérnagas (GSO) es un nuevo algoritmo que se estimula a partir del comportamiento de emisión de luz de las luciérnagas para atraer presas. El algoritmo GSO tiene limitaciones en la búsqueda global, una caída en la precisión computacional y a menudo cae en el óptimo local. Para superar las deficiencias mencionadas anteriormente del GSO, este trabajo presenta un algoritmo GSO mejorado para resolver el problema. El algoritmo de optimización de enjambre de luciérnagas incorpora la mutación híbrida paralela que une la mutación de distribución uniforme con la mutación de distribución gaussiana. En el algoritmo propuesto (IGSO) se implementa la longitud de paso de movimiento dinámico para cada individuo. Cuando la posición no cambia en cualquier generación, se aplica la variación de distribución normal a la luciérnaga. En este artículo se utiliza el algoritmo de optimización del desarrollo cognitivo (CDO) para resolver el problema de la potencia reactiva. La teoría de Piaget sobre el desarrollo cognitivo, que tiene; maduración, interacción social, equilibrio; todos estos tres procesos se utilizan a lo largo de la nueva fase de aprendizaje y se mejora constantemente la infraestructura cognitiva. Luego, este trabajo presenta el algoritmo de agujero negro (BHA) para resolver el problema de potencia reactiva óptima. La evolución de la población se realiza mediante el empuje de los candidatos en el itinerario del candidato más excepcional en iteraciones y el agujero negro que se intercambia con aquellos en el espacio de exploración. El candidato tremendo entre todos los candidatos en iteraciones se selecciona como un agujero negro y los candidatos restantes se estructuran como las estrellas estándar. La formación de agujeros negros no es caprichosa, sino que se forma como candidatos genuinos de la población creada. Para mejorar la exploración y explotación de las estrellas, se ha utilizado la información de la gravedad. Las fuerzas gravitacionales entre las estrellas son definidas y la progresión de las estrellas hacia el agujero negro se acostumbra durante la incursión en el espacio de solución. En este artículo se propone un algoritmo de murciélago con combinación de numerosos esquemas (BACS) para resolver el problema de potencia reactiva óptima. El algoritmo de murciélago imita las acciones del murciélago; principalmente, se utilizan retrasos de tiempo para la emisión y la reflexión y se emplean para la navegación. La capacidad de convergencia global del algoritmo se debilita cuando aumenta el progreso del operador y cuando aumenta el operador de exploración, entonces la precisión de convergencia será inadecuada. En consecuencia, en este artículo se han seleccionado numerosos esquemas para resolver el problema y funciona como una estrategia de selección autónoma. En el algoritmo propuesto, diferentes individuos prefieren diferentes estrategias para modernizar la posición con referencia a la calidad de la aptitud. Algoritmo de optimización de enjambre de gusanos luminosos (IGSO) mejorado propuesto,El algoritmo de optimización del desarrollo cognitivo (CDO), el algoritmo de agujero negro (BHA) y el algoritmo de murciélago con combinación de numerosos esquemas (BACS) se han probado en el sistema de prueba de bus IEEE 14, 30,300 estándar y los resultados de la simulación muestran que el algoritmo proyectado redujo considerablemente la pérdida de potencia real.