Wyniki wyszukiwania - BazTech

1

Application of classifier system to restoration service of electric power distribution networks

Filipiak S.

Rynek Energii

|

2011

|

nr 2

163-170

EN

Distribution networks faults can cause power failure for many users, what can be a reason of major economical losses. In the literature on the distribution systems operation the problem of power delivery recovery in case of the network failure is one of the very important aspects of a proper operation of the distribution systems. An idea of using a classifying system and evolutionary algorithm for operation support of electric power distribution systems operators has been presented in the paper. The elaborated method uses the theoretical background of genetic-based machine learning systems. The method shows the ability to collect experience on the base of information on faults, occurred or simulated in the power distribution systems. In the elaborated method the decisive variables, essential from the network operation reliability point of view, de-scribed with the use of fuzzy sets theory. A method enabling to formulate scenarios of network configuration changes (at changes in network operation conditions) has been characterised in the paper.

PL

Awarie występujące w elektroenergetycznych sieciach dystrybucyjnych średniego napięcia mogą powodować przerwy w zasilaniu wielu użytkowników narażających ich na straty ekonomiczne. W literaturze przedmiotu problem przywracania dostaw energii w stanach awarii sieci jest ważnym zagadnień dotyczących poprawnej pracy sieci dystrybucyjnych. W artykule zaprezentowano opracowaną metodę wykorzystująca system klasyfikujący i algorytm koewolucyjny w celu wspomagania operatorów systemów dystrybucji energii elektrycznej w zarządzaniu nimi w stanach awarii. Opracowana metoda oparta jest na podstawach teoretycznych genetycznych systemów uczących się i umożliwia wykorzystanie informacji (pochodzących z symulacji) o prawdopodobnych stanach awarii analizowanej sieci dystrybucyjnej. Przy opisie zmiennych decyzyjnych wykorzystano elementy teorii zbiorów rozmytych. Przedstawiona w artykule metoda umożliwia formułowanie scenariuszy zastępczych konfiguracji sieci dystrybucyjnych.

2

Self-adaptation of parameters in a learning classifier system ensemble machine

Troć M., Unold O.

International Journal of Applied Mathematics and Computer Science

|

2010

|

Vol. 20, no 1

157-174

EN

Self-adaptation is a key feature of evolutionary algorithms (EAs). Although EAs have been used successfully to solve a wide variety of problems, the performance of this technique depends heavily on the selection of the EA parameters. Moreover, the process of setting such parameters is considered a time-consuming task. Several research works have tried to deal with this problem; however, the construction of algorithms letting the parameters adapt themselves to the problem is a critical and open problem of EAs. This work proposes a novel ensemble machine learning method that is able to learn rules, solve problems in a parallel way and adapt parameters used by its components. A self-adaptive ensemble machine consists of simultaneously working extended classifier systems (XCSs). The proposed ensemble machine may be treated as a meta classifier system. A new self-adaptive XCS-based ensemble machine was compared with two other XCS-based ensembles in relation to one-step binary problems: Multiplexer, One Counts, Hidden Parity, and randomly generated Boolean functions, in a noisy version as well. Results of the experiments have shown the ability of the model to adapt the mutation rate and the tournament size. The results are analyzed in detail.

3

Analiza wpływu wybranych parametrów na efektywność systemu GCS

Unold O.

Informatyka Teoretyczna i Stosowana

|

2005

|

R. 5, nr 8

177-189

PL

Przedstawiono nowy model uczącego się systemu klasyfikującego, w którym klasyfikatory reprezentowane są przez produkcję gramatyki bezkontekstowej podane w postaci normaluej Chomsky'ego. System GCS (ang. grammar-based classifier system) odkrywa nowe reguły gramatyki stosując metodę tzw. pokrywania (ang. covering) oraz algorytm genetyczny. Efektywność systemu zależy w znacznej mierze od odpowiedniego ustawienia jego parametrów. W pracy przebadano zależność efektywności od liczności populacji, płodności oraz symbolu dont care.

EN

Grammar-based classifier system (GCS) is a new version of Learning Classifier Systems (LCS) in which classifi-ers arf represented by context-free grammar in Chomsky Normal Form. GCS works basically like all other LCS models but it differs from łbem (i) in the covering, (ii) in the matching, and (iii) in representation. Performance of GCS depends on many parameters. In this paper the influance of size of population, fertility and don't care symbol was tested. The set of experiments was performed on context-free grammar called toy-grammar. The experiments revealed some interesting properties of this faetors and showed that this parameters must be tuned very carefully and knowingly in order to improve performance of the GCS.