Análise de controle via algoritmo particle swarm optimization (original) (raw)
Related papers
O planejamento da expansão da transmissão (PET) consiste em determinar todas as alterações necessárias na infraestrutura do sistema de transmissão, ou seja, ampliações e reforços, a fim de permitir o equilíbrio entre a demanda prevista e o suprimento de energia elétrica, procurando o investimento mínimo ao longo do horizonte de planejamento. O PET é um problema de grande extensão, inteiro misto, não linear, e não convexo. Portanto, mais técnicas de otimização devem ser investigadas para resolvê-lo de forma eficiente. Neste trabalho de pesquisa, o foco do estudo foi a metaheurística de otimização por enxame de partículas (PSO) aplicada ao problema PET estático. Os desempenhos das variantes Global (GPSO) e Local (LPSO) são comparados com quatro novas variantes do PSO baseado no comportamento quântico de otimização por enxame de partículas (QPSO). QPSO considera um comportamento quântico dos movimentos de partículas, de acordo com a mecânica quântica, que, em teoria, levaria a uma melhor convergência global do que o tradicional PSO. Esta pesquisa utiliza o modelo DC das redes de potência, considerando restrições de segurança usando o critério. Os conhecidos sistemas Garver, IEEE de 24 barras, e equivalente sul brasileiro de 46 barras são usados para apresentar os resultados deste trabalho de pesquisa. Palavras-chave: Planejamento da expansão da transmissão, modelo DC, otimização, otimização por enxame de partículas, restrições de segurança.
Controlador Preditivo Baseado em Otimização por Colônia de Partículas
2016
Generalized predictive controllers (GPCs) have been successfully applied in complex processes control during the last decade. This paper presents the design of an adaptive GPC using any new approaches of particle swarm optimization algorithm based on Gaussian and Cauchy distributions. Steps of the optimization procedure, control law implementation and adaptive procedure are discussed. Simulation results for the control of a nonlinear process of Hammerstein type shown the efficiency of proposed optimization methodology.
Universidade Federal Rural do Semi-Árido, 2015
Varella, os quais me servem de inspiração graças a qualidades inestimáveis como: ética, respeito, competência e profissionalismo. Aos orientadores, Dr. Luiz Gonzaga e Dr. Luciano Sales, pela dedicação, paciência, apoio, incentivo e confiança. Jamais deixaram de acreditar em minha capacidade, mesmo quando eu, por vezes, não acreditei. A todos os meus colegas de estudo: Ádller, Adelson, Tarcísio, Emannuel, Jorge, Carlos, Sameque, Phelipe, Rodrigo. Muito obrigada! À querida Lívia, secretária do PPGSCA, por toda ajuda e carinho. Ao coordenador do PPGSCA, Idalmir Queiroz, por todo incentivo e auxílio. A todos que de alguma maneira contribuíram direta ou indiretamente para a realização desse trabalho. Palavras-Chave: sistemas multivariáveis, otimização por enxame de partículas, controle adaptativo, realimentação de estados, estimação em tempo real.
Otimização por Enxame de Partículas aplicado à formação e atuação de grupos robóticos
Scientia, 2009
Resumo Neste artigo, descreve-se o modelo, a implementação e a avaliação da eficiência de Algoritmos de Otimização por Enxame de Partículas aplicados à formação e atuação de grupos robóticos. A atuação do grupo robótico é realizada sobre um desastre ambiental do tipo incêndio florestal. São avaliados diversos parâmetros que influenciam o comportamento da otimização, como inércia, confiança, tipos de modelos sociais e tamanho de enxame. Descrevem-se as experiências realizadas, detalhando-se os conjuntos de parâmetros que permitem obter resultados positivos e também negativos. Os resultados das simulações demonstram que, com um conjunto adequado de parâmetros, é possível obter posições satisfatórias para atuação do grupo robótico.
Projeto Simultâneo do AVR e PSS Utilizando Otimização por Enxame de Partículas
Anais do 14º Simpósio Brasileiro de Automação Inteligente, 2019
This work presents the simultaneous design of the optimum parameters of the Automatic Voltage Regulator (AVR) and the Power System Stabilizer (PSS) using the Particle Swarm Optimization (PSO) technique. The optimum design of these controllers is to provide better voltage regulation and better damping of the electromechanical oscillations in the synchronous generator in a System Machine Infinity Bus (SMIB). To analyze the performance of the controllers an objective function based on the system time response was used for a variation in the reference voltage of the machine. The results were compared with the values determined through the classical theory, where the proposed method showed a good performance, standing out for its simplicity, characteristics of stable convergences and quick adjustments of the parameters. Resumo: Este trabalho apresenta o projeto simultâneo dos parâmetrosótimos do Regulador Automático de tensão (AVR-Automatic Voltalge Regulator) e do Estabilizador de Sistema de Potência (PSS-Power System Stabilizer) utilizando a técnica de Otimização por Enxame de Partículas (PSO-Particle Swarm Optimization). O projetoótimo desses controladores tem como objetivo proporcionar uma melhor regulagem da tensão e um maior amortecimento das oscilações eletromecânicas no gerador síncrono em um Sistema Máquina Barra Infinita (SMIB-System Machine Infinity Bus). Para análise do desempenho dos controladores utilizou-se uma função objetivo baseada na resposta no tempo do sistema para uma variação na tensão de referência da máquina. Os resultados encontrados foram comparados com os valores determinados através da teoria clássica, onde o método proposto mostrou um bom desempenho, destacando pela sua simplicidade, característica de convergência estável e ajuste rápido dos parâmetros.
Otimização por Enxames de Partículas (PSO
Resumo-A Otimização por Enxame de Partículas (PSO-Particle Swarm Optimization), parte da família de inteligência de enxames, é conhecida por efetivamente resolver problemas de otimização não-linear em larga escala. Este artigo apresenta uma visão geral dos conceitos básicos do PSO e suas topologias. Ao final uma comparação do comportamento da otimização dependendo da topologia, função e peso da inércia aplica. Palavras Chaves-otimização clássica, otimização de enxame de partículas (PSO), inteligência de enxame I. INTRODUÇÃO O algoritmo de Otimização por Exame de Partículas (PSO, do inglês Particle Swarm Optimization) foi introduzido em meados da década de 90 por Kennedy e Eberhart [1], como uma alternativa ao Algoritmo Genético padrão. Conceitualmente, a PSO é uma técnica de busca estocástica que visa otimizar uma função de objetivo, sendo desenvolvida através da tentativa de simular graficamente a coreografia realizada por pássaros em busca de alimentos. Mais tarde, buscando fundamentos teóricos, foram realizados estudos sobre a maneira como indivíduos em sociedades, de uma forma geral, interagem, trocando informações e revendo seus conceitos em busca de melhores soluções para seus problemas [2]. A otimização numérica é a tarefa de determinar valores ótimos dentro de um universo de possibilidades (x ϵ Ʀ n), onde o grau de otimização é dado por uma função de avaliação (f : Ʀ n Ʀ), que pode ser linear ou não-linear [3]. No decorrer deste trabalho mostramos o potencial do mecanismo de controle de inércia da partícula, comparando seus resultados experimentais com a PSO Global. O restante do trabalho está dividido da seguinte forma: a Seção 2 apresenta uma visão geral do modelo da PSO padrão. Na Seção 3 são citados algumas topologias e seus desempenhos. A Seção 4 apresenta as funções de otimização e descreve as configurações experimentais usadas para encontrar os resultados discutidos na Seção 5. E, finalmente, a Seção 6 faz uma conclusão do trabalho. II. OTIMIZAÇÃO POR ENXAMES DE PARTÍCULA O algoritmo PSO original foi inspirado pelo comportamento social de organismos biológicos, especificamente a capacidade de grupos de algumas espécies de animais para trabalhar como um todo na localização de posições desejáveis em uma determinada área. Esse comportamento de busca foi associado ao de uma busca de otimização por soluções para equações não-lineares em um espaço de busca de valor real. A PSO não utiliza os operadores evolucionários para manipular seus indivíduos, mas uma velocidade é atribuída para cada indivíduo para a movimentação pelo espaço de busca, sofrendo o ajuste de velocidade a cada iteração, de acordo com a sua própria experiência (experiência cognitiva), a experiência das outras partículas (experiência social) do enxame e sua velocidade atual. A não execução do operador de seleção é uma característica que difere a PSO dos algoritmos genéticos, da programação evolucionária e das estratégias evolucionárias [4]. A implementação do algoritmo da PSO é dada da seguinte forma: Seja s o tamanho do enxame, n a dimensão do problema e t o instante atual, cada partícula i possui uma posição xi (t) ϵ Ʀ n no espaço de soluções e uma velocidade vi (t) ϵ Ʀ n que indica a direção e a magnitude de seu deslocamento. Adicionalmente, cada partícula possui a lembrança pi * (t) ϵ Ʀ n da melhor posição individual visitada, e o enxame possui a lembrança da melhor posição visitada por alguma partícula até então (pb * ϵ Ʀ n). No decorrer do algoritmo, a velocidade de cada partícula é calculada segundo a melhor posição visitada individual pi * , a melhor posição visitada do enxame pb e o componente que agrupa sua velocidade anterior, servindo com um termo de momentum (inércia). Assim, a atualização da velocidade de cada partícula fica de acordo com a equação (1): vi (t+1) = wvi(t) + c1r1(pi * (t)-xi(t)) + c2r2(pb * (t)-xi(t)) onde r1 e r2 são componentes aleatórias retiradas de uma distribuição uniforme entre 0 e 1, responsáveis por uma busca mais natural, como na natureza, durante o processo de otimização [1]. Já c1 e c2 são os coeficientes de aceleração, que geralmente possuem valores fixos e iguais, responsáveis por controlar a distância que uma partícula irá se mover em apenas uma iteração. O item w é o peso de inércia (termo de momentum) que multiplica a velocidade no instante t anterior e faz com que a busca seja mais explorativa no início e mais explotativa no final, para um valor inércia linearmente decrescente, como sugerido por [1]. Após a atualização da velocidade da partícula, sua posição atual sofre a atualização segundo a equação (2): xi (t + 1) = xi(t) + vi(t + 1) O processo de atualização é resumido no Algoritmo 1.
Anais do 10. Congresso Brasileiro de Inteligência Computacional
Resumo-Algoritmos Evolucionários Multiobjetivo enfrentam vários problemas quando trabalham com um número grande de objetivos. Recentemente, algumas técnicas para muitos objetivos tem sido propostas para evitar a deterioração da busca desses algoritmos. Este trabalho propõe duas novas estratégias baseadas em ranking para trabalhar com problemas com muitos objetivos: uma nova relação de preferência chamada de Balanced Ranking e o método da Combinação de Rankings. Além disso, essas novas abordagens foram especialmente aplicadas na Otimização por Nuvem de Partículas. As novas estratégias são validadas através de uma análise empírica visando observar aspectos como convergência e diversidade em relaçãoà fronteira de Pareto para problemas com muitos objetivos.
Projeto de Controle Ótimo Baseado em Observador de Distúrbio com Uso de Otimização Evolutiva
2019
In this work, it is propose a design method of control based on disturbance observer in the frequency domain. The control problem is formulated as a multiobjective optimization problem in which the optimization variables are the parameters of the controller and the disturbance observer. In order to have a compromise between disturbance rejection and measurement noise attenuation, with consequent minimization of the control effort, we have adopted as control objectives the H ∞ norm of the transfer function relating the disturbance and the system output and H 2 norm relating the measurement noise and the control signal. A multiobjective evolutionary optimization technique is applied to provide a set of efficient solutions with different trade-offs between the two control objectives, allowing the designer to determine which solution is most suitable for the specific problem. Resumo: Neste trabalhoé proposto um método de projeto de controle baseado em observador de distúrbio, no domínio da frequência. Formulou-se o problema de controle como um problema de otimização multiobjetivo em que as variáveis de otimização são os parâmetros do controlador e do observador de distúrbio. De modo a se ter um compromisso entre rejeição ao distúrbio e atenuação de ruído de medição, com consequente minimização do esforço de controle, nós adotamos como objetivos de controle a norma H ∞ da função de transferência relacionando o distúrbio e a saída do sistema e a norma H 2 relacionando o ruído de medição e o sinal de controle.É aplicada uma técnica de otimização evolutiva multiobjetivo que fornece um conjunto de soluções eficientes com diferentes compromissos entre os dois objetivos de controle, permitindo ao projetista determinar qualé a solução mais adequada para o problema específico.