Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Computer Methods in Materials Science

1 2015

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Multi-objective optimization of phthalic anhydride catalytic reactor using genetic algorithm with simulated binary jumping Genes operator

Trivedi V., Ramteke M.

Computer Methods in Materials Science

2015

Vol. 15, No.1

111--117

Multi-objective optimization problems of chemical industry have been efficiently solved by evolutionary algorithms (EAs). However, due to high computational costs, different concepts are introduced in evolutionary framework for the improvement of convergence speed. One such concept is 'jumping genes' which has been adapted in binary-coded genetic algorithm and found to be improving the performance of the algorithm significantly. However, its adaptation in real-coded form lacked the similar success. In an attempt to fill this gap, a new jumping genes operator has been recently developed for real-coded elitist non-dominated sorting genetic algorithm (RNSGA-II), namely, simulated binary jumping genes (SBJG). This work aims at exploring the utility of SBJG for solving real-life industrial optimization problems using a case study of multi-objective optimization (MOO) of an industrial phthalic anhydride (PA) catalytic reactor. The results obtained are found to be converging faster than RNSGA-II and its other existing jumping genes adaptations for both two-and three-objective formulations.

Wielokryterialna optymalizacja problemów przemysłu chemicznego rozwiązywana jest z powodzeniem z wykorzystaniem algorytmów ewolucyjnych (EAs). Jednak w związku z długimi czasami obliczeń, dotychczasowe algorytmy są modyfikowane dla poprawy szybkości zbieżności. Jedną z możliwości jest idea „przesuwania genów", zaadoptowana dla algorytmu genetycznego z kodowaniem binarnym, która znacząco poprawiła działanie algorytmu. Jednakże wprowadzenie tej modyfikacji do algorytmu z kodowaniem zmiennoprzecinkowym nie przyniosło spodziewanych efektów. Rozwiązaniem tego problemu było wprowadzenie nowego operatora przesunięcia genów do algorytmu RNSGA-II, a mianowicie symulowanego binarnego przesunięcia genów (SBJG). Celem pracy była ocena możliwości zastosowania algorytmu SBJG do rozwiązywania rzeczywistych problemów przemysłowych na przykładzie wielokryterialnej optymalizacji (MOO) reaktora bezwodnika ftalowego katalitycznego. Otrzymane wyniki pokazały lepszą zbieżność zastosowanego algorytmu w porównaniu z metodą RNSGA-II i innymi dotychczasowymi adaptacjami operatora przesunięcia genów zarówno dla dwu- jak i trój-kryterialnego sformułowania problemu.