Investigation of the Genetic Algorithm Convergence Used to Solve the Problem of Eliminating the Temperature Imbalance in Heated Rooms
DOI:
https://doi.org/10.22213/2410-9304-2022-1-106-114Keywords:
artificial intelligence, optimization methods, neural networks, genetic algorithmAbstract
The article justifies the relevance of artificial intelligence application for energy saving and studies of genetic algorithms used to solve the problems of eliminating the temperature imbalance in heated rooms. The objective of this study is to determine the relation between the rate of genetic algorithm convergence used to optimize the temperature of heated rooms and the number of adjustable parameters. The article also provides a brief overview of works in the field of automation and optimization of energy saving and overview of works in the field of genetic algorithms research, including studies of the dependence of the convergence of genetic algorithms on various parameters and the use of genetic algorithms for solving highly specific problems. This paper presents a mathematical formulation of the optimization problem arising from the problem of eliminating the temperature imbalance in heated rooms, including the formula for calculating the objective function. According to this formula, the objective function is the standard deviation of temperatures in heated rooms from the standard. The article also briefly provides a methodology for calculating the equilibrium temperature in heated rooms. The paper describes a genetic algorithm, including block design with explanations. The results of a computational experiment are presented with diagrams and a table. In the conclusion gives the experiment results: if the number of parameters to be regulated during optimization increases then the convergence of the genetic algorithm decreases (the number of iterations for which the stop condition is reached increases). This relation is nonlinear.References
Cass R., Radl B. A neural network modeling and optimization system for online heat rate Improvement and NOx reduction of coal fired furnaces // Proc. World Congress on Neural Networks, 2. Washington, DC, July 1993. P. 656-659.
Применение искусственного интеллекта в энергетике / И. Р. Халитов, А. М. Рахимов, М. М. Фанилевич, Р. Г. Филькин // Высокие технологии, наука и образование: актуальные вопросы, достижения и инновации : сборник статей XII Всероссийской научно-практической конференции. Пенза, 2021. С. 12-14.
Лосев А. Н. Применение искусственного интеллекта в российской энергетике для повышения энергоэффективности сельского хозяйства // Материалы международной научной конференции, посвященной 125-летию со дня рождения В. С. Немчинова. М., 2019. С. 399-403.
Селютин В. Е., Бодрилов П. А., Савиных В. А. Применение искусственного интеллекта в сфере энергетики // Моя профессиональная карьера. Кемерово, 2021. С. 100-103.
Чипига А. Ф., Колков Д. А., Конюшков В. А. Исследование влияния вероятности возникновения оператора мутации на сходимость генетического алгоритма // Современные наукоемкие технологии. 2007. № 10. С. 78.
Долженко А. М., Рыбалко К. К., Робченко М. Н. Сравнение скорости сходимости различных видов генетических алгоритмов // Материалы III Международной научно-практической конференции. Азов, 2016. С. 176-178.
Применение искусственных нейронных сетей в задачах управления генетическим алгоритмом / Д. А. Петросов, Р. А. Ващенко, А. А. Степовой, Н. В. Петросова, А. Н. Зеленина // Моделирование, оптимизация и информационные технологии. 2019. № 4 (27). С. 10-11. DOI: 10.26102/2310-6018/ 2019.27.4.016.
Асанов Ю. А., Белецкая С. Ю., Аль-Саеди Моханад Ридха Ганим. Модификация генетического алгоритма с адаптивным переключением кроссовера // Моделирование, оптимизация и информационные технологии. 2020. № 8 (2). С. 1-2. DOI: 10.26102/2310-6018/2020.29.2.00.
Матюхина Я. С. Нечеткая система управления параметрами генетического алгоритма, настраиваемая генетическим алгоритмом // Математические методы моделирования, управления и анализа данных. Красноярск, 2017. С. 219-220.
Tausnev D. A. Modification of selective pressure in genetic algorithms for solving the problems of unconditional monocriterial optmization // Youth. Society. Modern Science, Technologies & Innovations. Krasnoyarsk. 2020. Num 19, pp. 70-72.
Федоров Е. А. Исследование скорости работы генетического алгоритма и алгоритма полного перебора // Сборник избранных статей научной сессии ТУСУР. Томск, 2019. С. 107-109.
Гулакова Т. К. Исследование зависимости эффективности работы генетического алгоритма от выбора параметров операторов алгоритма на многоэкстремальных тестовых функциях // Актуальные проблемы авиации и космонавтики. Красноярск, 2010. С. 315-317.
Басалаев А. А., Шнайдер Д. А. Метод оптимизации температуры подаваемого теплоносителя в системе централизованного теплоснабжения зданий на основе имитационного моделирования // Вестник Южно-уральского государственного университета. Серия: компьютерные технологии, управление, радиоэлектроника. 2017. Т. 17, № 1. С. 15-22.
Стенников В. А., Чемерзов А. А. Применение алгоритма перебора деревьев и метода имитации отжига для схемно-структурной оптимизации тепловых сетей // Программные продукты и системы. 2018. Т. 31, № 2. С. 387-395.
Shuravin A. P., Vologdin S. V.Comparison of the characteristics of the genetic algorithm and the method of coordinates search for optimization of temperature modes indoor areas // V International Conference on "Information Technology and Nanotechnology" (ITNT-2019). Samara. 2019. Pp. 260-270.
Биоинспирированные методы в оптимизации : монография / Л. А. Гладков, В. В. Курейчик, В. М. Курейчик и др. М. : Физматлит, 2009. 384 с. ISBN 978-5-9221-1101-0.
