Effectiveness of the MPSO algorithm in optimization of the coil arrangement

• Autorzy: Borowska B.

Warianty tytułu

PL

Skuteczność algorytmu MPSO w optymalizacji układu cewek

• Języki publikacji: EN

Abstrakty

EN

One of the most important problems in designing of various constructions is optimization of technical facilities. The optimization process leads to find the best solution of a considered problem, and the solution should meet established criteria. Evolutionary algorithms have been found to be effective in solving such optimization problems. In the following paper, a modification of the PSO algorithm has been proposed in order to determine an optimal geometry of the coil arrangement evoking, in a defined active area, magnetic field of the largest possible gradient, and simultaneously keep this gradient relatively stable. The computations confirmed high efficiency of the proposed method. The results were also compared with the achievements of other evolutionary algorithms.

PL

Jednym z najważniejszych zagadnień w projektowaniu różnych konstrukcji jest optymalizacja urządzeń technicznych. Jej celem jest znalezienie najlepszego rozwiązania rozpatrywanego zagadnienia o najlepszych w sensie przyjętych kryteriów parametrach. Do rozwiązywania tego typu zadań m.in. stosuje się algorytmy ewolucyjne. Aby algorytm był skuteczny często niezbędne jest jednak przeprowadzenie bardzo dużej liczby obliczeń. W celu redukcji kosztów obliczeń w artykule zaproponowano algorytm MPSO będący modyfikacją algorytmu PSO do problemu wyznaczenia optymalnej konstrukcji. Zadaniem zaproponowanego algorytmu było wyznaczenie optymalnej geometrii układu cewek generujących w zdefiniowanym obszarze aktywnym pola magnetycznego o możliwie dużym gradiencie przy zachowaniu jak największej stałości tego gradientu. Na podstawie przeprowadzonych badań, dokonano porównania efektywności zaproponowanej metody MPSO z osiągnięciami standardowego algorytmu optymalizacji cząsteczkowej PSO oraz algorytmu Θ-PSO zaproponowanego przez Zhong i innych [24]. Przeprowadzone obliczenia potwierdziły skuteczność algorytmu MPSO.

Słowa kluczowe

EN

electromagnetism; optimization; particle swarm optimization (PSO); magnetic field

PL

elektromagnetyzm; optymalizacja; algorytm PSO; pole magnetyczne

• Wydawca: Sieć Badawcza Łukasiewicz - Instytut Elektrotechniki
• Czasopismo: Prace Instytutu Elektrotechniki
• Rocznik: 2010
• Tom: Z. 246
• Strony: 35--44
• Opis fizyczny: Bibliogr. 24 poz., rys., tab.

Twórcy

autor

Borowska B.

• Instytut Informatyki, Politechnika Łódzka,

Bibliografia

• 1. Borowska B., Nadolski S.: Particle Swarm Optimization: The Gradient Correction, Journal of Applied Computer Science, vol. 18, no. 2, pp. 7-15, 2009.
• 2. Cui Z.H., Zeng J.C., Sun G.J.: A fast particle swarm optimization, International Journal of Innovative Computing, Information and Control, vol. 6, pp. 1365-1380, 2006.
• 3. Forbes L.K., Crozier S., Doddrell M.: Rapid Computation of static Fields Produced by Thick circular solenoids, IEEE Transaction on Magnetics, vol. 33, pp. 4405-4410, 1997.
• 4. Foryś P.: Numerical optimization with particle swarms, Proceedings of the 10th International Conference on Numerical Methods in Continuum Mechanics, Zilina, 2005.
• 5. Garrett M. W.: Axially symmetric systems for generating and measuring magnetic fields. Part 1, Journal of Applied Physics, vol. 22, no. 9, pp. 1091-1107, 1951.
• 6. Goldberg D.E.: Algorytmy genetyczne i ich zastosowania, Wydawnictwo Naukowo-Techniczne, Warszawa, 1998.
• 7. Hassas S.: Using swarm intelligence for dynamic web content organizing, IEEE Swarm Intelligence Symposium, Indianapolis, USA, pp. 19-25, 2003.
• 8. Hu X., Eberhart R.C, Shi Y.: Engineering optimization with Particle Swarm, Proceedings of the 2003 IEEE on Swarm Intelligence Symposium, pp. 53 - 57, 2003.
• 9. Kennedy J. Eberhart R.C.: Particle swarm optimization, IEEE Internat. Conf. on Neural Networks, Perth, Australia, pp.1942-1948, 1995.
• 10. Kennedy J., Eberhart R.C.: A new optimizer using particle swarm theory, 6th International Symposium on Micromachine and Human Science, Nagoya, Japan, pp. 39-43, 1995.
• 11. Kennedy J, Eberhart R. C.: Swarm Intelligence, Morgan Kaufmann Publishers, Inc., San Francisco, 2001.
• 12. Mendes R., Cortez P., Rocha M., Neves J.: Particle swarm for feedforward neural network training, International Joint Conference on Neural Networks, pp.1895-1899, 2002.
• 13. Parsepolous K.E., Papageorgiou E.I., Groumpos P.P., Vrahatis M.N.: A first study of fuzzy cognitivemaps learning using particle swarm optimization, IEEE Congress on Evolutionary Computation 2003, pp. 1440-1447, Australia, 2003.
• 14. Riolo R., Soule T., Worzel B.: Genetic programming theory and practice, Springer-Verlag, USA, 2007.
• 15. Robinson J., Rahmat-Samii Y., Particle Swarm Optimization in Electromagnetics, IEEE Trans. Anten. and Propag., vol.52, pp. 397-407, 2004.
• 16. Romeo F., Hoult D. I.: Magnet field profiling: Analysis and correcting coil design, Magnetic Resonance in Medicine, vol. 1, no. 1, pp. 44 - 65, 1984.
• 17. Sato S., Sakaguchi S., Futamata K. and Katou K.: Coil Optimization for Homogeneous Magnetic Field with Small Leakage Field, IEEE Trans. Magn., vol.36, pp. 649-653, 2000.
• 18. Shi Y., Eberhart R.C.: A modified particle swarm optimizer, IEEE World Congress on Computational Intelligence, pp. 69-73, 1998.
• 19. Shi Y., Eberhart R.C.: Particle Swarm Optimization: Developments, Applications and Resources, Proceedings of the 2001 Congress on Evolutionary Computation, vol. 1, pp. 81-86, 2001.
• 20. Shi, Y.; Eberhart, R.C.; Empirical Study of Particle Swarm Optimization, Proceedings of the Congress on Evolutionary Computation, vol. 3, pp. 1945-1950, 1999.
• 21. Spears W.M., Kennedy J.: Matching algorithms to problems: an experimental test of the particle swarm and some genetic algorithms on the multimodal problem generator, Proceedings of the IEEE International Conference on Evolutionary Computation, pp. 78-83, Anchorage, AK, 1998.
• 22. Venayagamoorthy G.K., Doctor S.: Navigation of mobile sensor using PSO and embedded PSO in a fuzzy logic controller, 39th IEEE IAS Annual Meeting on Indus. Applic., pp.1200-1206, Seattle, USA, 2004.
• 23. Zainun-Deen S. H., Mahmoud K. R., El-Adawy M., Ibrahem S. M. M.: Design of Yagi-Uda antenna and electromagnetically coupled curl antenna using particle swarm optimization algorithm, Twenty Second National Radio Science Conference, Egypt, 2005.
• 24. Zhong W., Li S., Qian F.: θ-PSO: a new strategy of particle swarm optimization, Journal of Zhejiang University-Science A, vol. 9, pp. 786-790, 2008.