Skalowanie funkcji przystosowania w problemie identyfikacji parametrycznej modelu matematycznego silnika indukcyjnego

• Autorzy: Rutczyńska-Wdowiak K.

Identyfikatory

DOI

10.15199/48.2017.10.35

Warianty tytułu

EN

The scaling of fitness function in problem of parametric identification of induction motor mathematical model

• Języki publikacji: PL

Abstrakty

PL

W pracy koncentrowano się na poprawie zbieżności i dokładności algorytmu genetycznego (AG) wykorzystanego w identyfikacji parametrycznej modelu matematycznego silnika indukcyjnego. W tym celu dokonano modyfikacji funkcji przystosowania poprzez jej przeskalowanie. Próbowano określić, czy wprowadzona w AG modyfikacja wpłynie również na skrócenie czasu analizowanego procesu. Zasadność podjęcia tej tematyki wynika z faktu, że rozważany problem jest w literaturze zaliczany do trudnych i czasochłonnych, a więc należy poszukać sposobów, które zapewnią poprawę wyników identyfikacji.

EN

The work focused on improving the convergence and accuracy of genetic algorithm (GA) used in the parametric identification of induction motor mathematical model. For this purpose, modifications fitness function by the rescaling were made. They attempted to determine whether the modification introduced in the GA will also shorten the time analyzed process. Whether any of this subject stems from the fact, that the problem is considered in the literature classified as difficult and time-consuming, and therefore look for ways to provide improvement of identification.

Słowa kluczowe

PL

algorytm genetyczny; skalowanie funkcji przystosowania; identyfikacja parametryczna; silnik indukcyjny; model matematyczny

EN

genetic algorithm; scaling of fitness function; parametric identification; induction motor; mathematical model

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2017
• Tom: R. 93, nr 10
• Strony: 149--153
• Opis fizyczny: Bibliogr. 25 poz., rys., tab.

Twórcy

autor

Rutczyńska-Wdowiak K.

• Politechnika Świętokrzyska, Katedra Systemów Informatycznych, ul. Tysiąclecia Państwa Polskiego 7, 25-314 Kielce

Bibliografia

• [1] Bonyadi M. R., Michalewicz Zb., Analysis of stability, local convergence and transformation sensitivity of a variant of particle swarm optimization algorithm, IEEE Transactions on Evolutionary Computation, Vol. 20, (2016), No. 3, pp. 370 - 385
• [2] Bonyadi M. R., Michalewicz Zb., Stability analysis of the particle swarm optimization without stagnation, IEEE Transactions on Evolutionary Computation, Vol. 20, (2016), No. 5, pp. 814 - 819
• [3] Derugo P., Szabat K., Adaptive neuro-fuzzy PID controller for nonlinear drive system, COMPEL: The International Journal for Computation and Mathematics in Electrical and Electronic Engineering, Vol. 34 (2015), Iss. 3, pp. 792 - 807
• [4] Dybkowski M., Orłowska-Kowalska T., Estymacja prędkości i wybranych parametrów schematu zastępczego silnika indukcyjnego w bezczujnikowym układzie napędowym, Przegląd Elektrotechniczny, 88 (2012), 4b, 64-69
• [5] Ghandar, A., Michalewicz, Z., Schmidt, M., To, T.-D., Zurbruegg, R., Computational Intelligence for Evolving Trading Rules, IEEE Transactions on Evolutionary Computation, 13 (2009), No. 1, 71- 86
• [6] Goldberg D. E., Algorytmy genetyczne i ich zastosowania, Wydawnictwa Naukowo-Techniczne, (2003)
• [7] Goldberg D. E., Genetic Algorithms in Search, Optimization and Machine Learning (2002)
• [8] Gorzalczany M. B., Rudzinski F., Accuracy vs. Interpretability of Fuzzy Rule-Based Classifiers: An Evolutionary Approach, Lecture Notes in Computer Science, 7269 (2012), 222-230
• [9] Gorzalczany M. B., Piekoszewski J., Rudzinski F., Microarray Leukemia gene data clustering by means of generalized selforganizing neural networks with evolving tree-like structures, Lecture Notes in Computer Science, 7269 (2015), 15-25
• [10] Gorzalczany M. B., Piekoszewski J., Rudzinski F., Generalized Tree-Like Self-Organizing Neural Networks with Dynamically Defined Neighborhood for Cluster Analysis, Lecture Notes in Computer Science, 8468 (2014), pp. 713-725
• [11] Grzyb A., Algorytmy ewolucyjne, Optymalizacja i polioptymalizacja w technice, Wyd. Politechniki Koszalińskiej, (2011), 263-281
• [12] Kisielewski P., Grzyb A., Algorytmy ewolucyjne w optymalizacji z dwuwartościowymi zmiennymi decyzyjnymi, Mat. XXVIII Konferencji Naukowej Polioptymalizacja i CAD, Wyd. Politechniki Koszalińskiej, (2009)
• [13] Kisielewski P., Zmodyfikowany algorytm węgierski optymalnego pokrycia zbiorów, Mat. XXVIII Konferencji Naukowej Polioptymalizacja i CAD, Wyd. Politechniki Koszalińskiej, (2009)
• [14] Lubo F. G., Lima C. F., Michalewicz Zb., Parameter Setting in Evolutionary Algorithms, Springer-Verlag (2010)
• [15] Michalewicz Zb., Genetic Algorithms + Data Structures = Evolution Programs, Springer-Verlag Berlin Heidelbderg GmbH (2010)
• [16] Michalewicz Zb., Fogel D. B., How to Solve it: Modern Heuristics, Springer (2000)
• [17] Orłowska-Kowalska T., Szabat K., Ritter W., Identyfikacja parametrów silnika indukcyjnego za pomocą algorytmów genetycznych, Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów elektrycznych Politechniki Wrocławskiej Nr 54, Studia i Materiały (2013), Nr 23
• [18] Pełczewski Wł., Krynke M., Metoda zmiennych stanu w analizie dynamiki układów napędowych, WNT (1984)
• [19] Rutczyńska-Wdowiak K., Analiza wpływu wskaźnika jakości na wyniki identyfikacji parametrycznej modelu matematycznego silnika indukcyjnego z zastosowaniem algorytmu genetycznego, Przegląd Elektrotechniczny, R. 92 (2016), NR 4/2016, str. 202-204
• [20] Rutczyńska-Wdowiak K., Identyfikacja parametryczna modelu matematycznego silnika indukcyjnego z wykorzystaniem wybranego algorytmu ewolucyjnego, Przegląd Elektrotechniczny, R. 92 (2016), NR 7/2016, str. 170-173
• [21] Rutczyńska-Wdowiak K., Dobór kryterium zatrzymania algorytmu genetycznego na przykładzie identyfikacji parametrycznej modelu matematycznego silnika indukcyjnego, Przegląd Elektrotechniczny, R. 92 (2016), NR 12/2016, str. 283-288
• [22] Rutczyńska-Wdowiak K., Analiza wpływu wartości współczynnika wagowego wskaźnika jakości w problemie identyfikacji modelu matematycznego silnika indukcyjnego z zastosowaniem algorytmu genetycznego, Logistyka (2014), nr 6
• [23] Rutkowski L., Metody i techniki sztucznej inteligencji, PWN (2005)
• [24] Simon D., Evolutionary Optimization Algorithms, Wiley & Sons (2013)
• [25] Stefański T., Synteza adaptacyjnych algorytmów sterowania momentem falownikowego napędu samochodu elektrycznego z silnikiem indukcyjnym, Z. N. Politechniki Świętokrzyskiej, seria Monografie, studia, rozprawy (1995), nr 4

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).