W pracy opisano procedurę optymalizacji zamocowania ruchomej ściany zamykającej przestrzeń ładowną. Ściana obraca się na zawiasach od położenia pionowego do poziomego. Jej ruch jest wspomagany dwiema sprężynami gazowymi. Celem jest ograniczenie siły potrzebnej do uruchomienia ściany. Optymalizacja, prowadzona z zastosowaniem algorytmu genetycznego polega na dobraniu położenia zawiasów, położenia punktów zamocowania sprężyn gazowych oraz typu sprężyn.
EN
The work describes the optimizing procedure of attachment and motion of the wall closing the cargo area. The wall rotates on the hinges from vertical to horizontal position. Its motion is assisted by two gas springs. The goal is to reduce the force necessary to set the wall in motion. Optimization, carried out with the use of a genetic algorithm, consists in selecting the position of the hinges, the position of the gas springs attachments and the spring
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
W artykule przedstawiono algorytm doboru magazynów energii elektrycznej. Wybór HESS pozwala na spełnienie warunków obciążenia w sposób optymalny. Jednak ustalenie konfiguracji urządzeń w systemie staje się bardzo złożonym zagadnieniem optymalizacyjnym. Przedstawiono propozycje rozwiązania tego problemu z zastosowaniem algorytmu genetycznego.
EN
The article presents an algorithm for selection of storages for electric energy. The choice of HESS allows to meet the load conditions in an optimal way. However, determination of the devices configuration in the system becomes very complex optimization problem. Proposals to solve this problem with the use of a genetic algorithm.
3
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
W artykule przedstawiono model optymalizacyjny doboru składu jednostek wytwórczych z zastosowanie probabilistycznego algorytmu hybrydowego, będącego kombinacją symulowanego wyżarzania i algorytmu genetycznego. Optymalizacji podlega kombinacja współpracujących jednostek wytwórczych oraz ich obciążenia czynne w okresie dobowym. Zaproponowano operatory genetyczne, metodę eliminacji ograniczeń funkcji kosztu i schemat wyżarzania zapewniające efektywność algorytmu. Funkcja kosztu obejmuje koszty zmienne generacji oraz koszty rozruchu jednostek . Ograniczeniami narzuconymi na funkcję kosztu są: warunek bilansu mocy, zakresy generacji jednostek, minimalne czasy postoju w rezerwie i pracy po rozruchu oraz spełnienie wymagań co do poziomu rezerwy wirującej. Efektywność metody zobrazowano przykładem. Wykonano obliczenia porównawcze za pomocą algorytmów: z twardą selekcją, Monte Carlo i charakterystyk czasów granicznych.
EN
This paper presents an optimization model of the unit commitment problem using a probabilistic hybrid algorithm combining a simulated annealing scheme and a genetic algorithm. The set of generating units and their generation levels during the 24-hour scheduling period are optimized. Genetic operators, a method for the elimination of cost function constraints, and an annealing scheme are proposed. The cost function includes generation costs and start-up costs. The constraints are: the load demand, units generation capability limits, units minimum up and down times and the spinning reserve. The efficiency of the proposed method is illustrated with an example. Results of comparative computations using a hard selection method, the Monte Carlo method and the limit time characteristic method are reported.