Identyfikatory
Warianty tytułu
Investigation of effectiveness of immune algorithm in optimization of induction motors
Języki publikacji
Abstrakty
Przedstawiono algorytm optymalizacyjny wzorowany na działaniu systemu immunologicznego ssaków (CSA - Clonal Selection Algorithm), który wytwarza przeciwciała zwalczające szkodliwe organizmy - antygeny. W optymalizacji przyjmuje się, że antygenem jest hipotetyczne rozwiązanie optymalne, a przeciwciałami - rozwiązania uzyskiwane podczas działania algorytmu. Wyniki obliczeń optymalizacyjnych silników indukcyjnych dwuklatkowych uzyskane przy zastosowaniu algorytmu CSA potwierdziły jego przydatność w zadaniach optymalizacji.
Optimization algorithm based on fundamental behavior of mammal immune system (CSA - Clonal Selection Algorithm) have been presented. That system create antibodies, which eliminates harmful organisms - antigens. In optimization the hypothetical optimal solution is assumed as antigen, and solutions obtained during process - as antibodies. The results of four double-cage induction motor optimization obtained from CSA procedure, has been proved its usefulness for induction motors optimization.
Wydawca
Czasopismo
Rocznik
Tom
Strony
96--99
Opis fizyczny
Bibliogr. 11 poz., rys., tab.
Twórcy
autor
- Instytut Elektrotechniki, Zakład Maszyn Elektrycznych, ul. Pożaryskiego 28, 04-703 Warszawa, a.rudenski@iel.waw.pl
Bibliografia
- [1] Campelo F., Guimaräes G., Igarashi H., Ramirez J.A.: A Clonal Selection Algorithm for Optimization in Electromagnetics. I.E.E.E. Trans. on Magnetics, Vol. 41, No. 5, (2005), 1736-1739.
- [2] Chun J-S., Kim M-K., Jung H-K.: Shape Optimization of electromagnetic devices using Immune Algorithm. IEEE Trans. on Magnetics, Vol. 33, No 2, (1997), 1876-1879.
- [3] Chun J-S., Jung H-K., Hahn S-Y.: A Study on Comparison of Optimization Performances between Immune Algorithm and other Heuristic Algorithms. IEEE Trans. on Magnetics, Vol. 34, No 5, (1998), 2972-2975.
- [4] de Castro L.N., Von Zuben F.J.: Learning and Optimization Using the Clonal Selection Principle. I.E.E.E. Trans. on Evolutionary Computation, Vol. 6, No 3, (2002), 239-251.
- [5] Kennedy J., Eberhart R. C.: Particle Swarm Optimization, Proc. of the IEEE Conf. on Neural Networks, Piscatawyy NJ, (1995), 1942-1948.
- [6] Ray T., Liew K.M.: Society and Civilization: An Optimization Algorithm Based on the Simulation of Social Behavior. I.E.E.E. Trans. on Evolutionary Computation, Vol. 3, No. 4, (2003), 386-396.
- [7] Dąbrowski M., Rudeński A.: Badanie skuteczności nieewolucyjnych niedeterministycznych metod optymalizacji w projektowaniu silników indukcyjnych. Proc. of XLIV International Symposium on Electrical Machines SME’08. 213-214.
- [8] Dąbrowski M., Rudeński A.: Application of evolutionary algorithms for optimization of electrical machines. Proc. of ZkwE 2005, 106-113.
- [9] Rudeński A.: Zagadnienia kary za przekroczenie ograniczeń w projektowaniu optymalnych maszyn elektrycznych za pomocą metod ewolucyjnych. Przegląd Elektrotechniczny, Nr 12/2007, 73-78.
- [10] Dąbrowski M., Rudeński A.: Hybrydowa metoda optymalizacji w projektowaniu trójfazowych silników indukcyjnych przy zwiększonej liczbie zmiennych decyzyjnych. Proc. XLII International Symposium on Electrical Machines SME 2006. s. 131-134.
- [11] Dąbrowski M., Rudeński A.: Application of non-deterministic hybrid method for optimization of three-phase induction motors by increased number of independent variables. Poznan University of Technology Academic Journals, No.52, pp. 145-157.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-BPOM-0014-0002