Economic Load Dispatch Solutions at Small, Medium, and Large Scales Utilizing Chaotic Spotted Hyena Optimization
Notice bibliographique
Résumé
Incorporating ideas from both spotted hyenas and chaotic functions, the newly developed chaotic spotted hyena optimization (CSHO) is a meta-heuristic search algorithm that takes its cues from the natural hierarchy and hunting strategy of hyenas. Prey is either (a) actively sought after and pursued, (b) deemed too difficult to approach, (c) causing problems and encircled, or (d) rendered immobilized before being attacked. In this work, we demonstrate how the CSHO method may be used to solve the economic load dispatch problem (ELDP) for a power grid that is both non-convex and subject to dynamic changes. Comparisons are made to other algorithms like particle swarm optimization, ant lion optimizer, complex algorithm (CM), enhanced swift converging simulated annealing (ESCSA), hybrid many-objective particle swarm optimization (HMAPSO), parallel particle swarm optimization (PPSO), multi objective particle swarm optimization (MPPSO), discrete particle swarm optimization (DPSO), adaptive phasor particle swarm optimization (APPSO), k-Logic, and spherical vector-based particle swarm optimization (SPSO) to validate the findings, which show that CSHO performs well for ELDP in systems of various sizes. In both the absence and presence of transmission losses, the CSHO and traditional approaches are used to find optimal solutions to the economic load dispatch issue for the 3-, 6-, 10-, 13-, 38-, 40- (including valve point loading), and 140-unit systems, respectively. The CSHO algorithm is shown to be capable of producing competitive outcomes in a variety of benchmarking exercises, against the backdrop of various well-known traditional, heuristic, and meta-heuristic search 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 tête enseignante, 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 ».