MétaCan
Menu
Retour à la cohorte
Enregistrement W835739657 · doi:10.4018/ijaec.2015010101

A Modified SSLPS Algorithm with Logistic Pseudo-Random Sequence Generator for Improving the Performance of Neka Power Plant

2015· article· en· W835739657 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueInternational Journal of Applied Evolutionary Computation · 2015
Typearticle
Langueen
DomaineComputer Science
ThématiqueMetaheuristic Optimization Algorithms Research
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésMetaheuristicPareto principleLogistic mapComputer scienceMathematical optimizationChaoticTabu searchHeuristicMulti-objective optimizationParallel metaheuristicContext (archaeology)MathematicsArtificial intelligenceMeta-optimization

Résumé

récupéré en direct d'OpenAlex

Metaheuristic techniques have successfully contributed to the development and optimization of large-scale distributed power systems. The archived literature demonstrate that the modification or tuning of the parameters of specific metaheuristics can provide powerful tools suited for optimization of power plants with different types of constraints. In spite of the high potential of metaheuristics in dealing with such systems, most of the conducted researches only address the optimization of the electrical aspects of power systems. In this research, the authors intend to attest the applicability of metaheuristics for optimizing the mechanical aspects of a real-world large-scale power plant, i.e. Neka power plant sited in Mazandaran, Iran. To do so, firstly, based on the laws of thermodynamics and the physics of the problem at hand, the authors implement a mathematical model to calculate the values of exergetic efficiency, energetic efficiency, and total cost of the Neka power plant as three main objective functions. Besides, a memetic supervised neural network and Bahadori's mathematical model are used to calculate the dynamic values of specific heat over the operating procedure of the power plant. At the second stage, a modified version of a recent spotlighted Pareto based multiobjective metaheuristic called synchronous self-learning Pareto strategy (SSLPS) is proposed. The proposed technique is based on embedding logistic chaotic map into the algorithmic architecture of SSLPS. In this context, the resulting optimizer, i.e. chaos-enhanced SSLPS (C-SSLPS), uses the response of time-discrete nonlinear logistic map to update the positions of heuristic agents over the optimization procedure. For the sake of comparison, strength Pareto evolutionary algorithm (SPEA 2), non-dominated sorting genetic algorithm (NSGA-II) and standard SSLPS are taken into account. The results of the numerical study confirm the superiority of the proposed technique as compared to the other rival optimizers. Besides, it is observed that metaheuristics can be successfully used for optimizing the mechanical/energetic parameters of Neka power plant.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,568
Score d'incertitude au seuil0,443

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,291
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle