MaOTLBO: Many-objective teaching-learning-based optimizer for control and monitoring the optimal power flow of modern power systems
Notice bibliographique
Résumé
This paper recommends a new Many-Objective Teaching-Learning-Based Optimizer (MaOTLBO) to handle the Many-Objective Optimal Power Flow (MaO-OPF) problem of modern complex power systems while meeting different operating constraints. A reference point-based mechanism is utilized in the basic version of Teacher Learning-Based Optimizer (TLBO) to formulate the MaOTLBO algorithm and directly applied to DTLZ test benchmark functions with 5, 7, 10-objectives and IEEE-30 bus power system with six different objective functions, namely the minimization of the voltage magnitude deviation, total fuel cost, voltage stability indicator, total emission, active power loss, and reactive power loss. The results obtained from the MaOTLBO optimizer are compared with the well-known standard many-objective algorithms, such as the Multi-Objective Evolutionary Algorithm based on Decomposition with Dynamical Resource Allocation (MOEA/D-DRA) and Non-Dominated Sorting Genetic Algorithm-version-III (NSGA-III) presented in the literature. The results show the ability of the proposed MaOTLBO to solve the MaO-OPF problem in terms of convergence, coverage, and well-Spread Pareto optimal solutions. The experimental outcomes indicate that the suggested MaOTLBO gives improved individual output and compromised solutions than MOEA/D-DRA and NSGA-III algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».