Nüve Forum

Nüve Forum > akademik > Mühendislik Fakültesi > Elektrik ve Elektronik Mühendisliği Bölümü > Yüksek Gerilim Tekniğinde Tek Değişkenli Optimizasyon Problemlerinin Genetik Algoritma İle Çözümü

Elektrik ve Elektronik Mühendisliği Bölümü hakkinda Yüksek Gerilim Tekniğinde Tek Değişkenli Optimizasyon Problemlerinin Genetik Algoritma İle Çözümü ile ilgili bilgiler


In this paper, a lot of problems in high voltage technique were solved by using genetic algorithm (GA). For this purpose, GA was introduced and a new software based on

Cevapla

 

LinkBack Seçenekler Stil
  #1  
Alt 18.03.11, 14:23
Administrator
 
Üyelik tarihi: Aug 2006
İletiler: 21.463
Blog Başlıkları: 13
CiwCiw öyle bir şöhrete sahip ki kendinden önce namı yürüyor!CiwCiw öyle bir şöhrete sahip ki kendinden önce namı yürüyor!CiwCiw öyle bir şöhrete sahip ki kendinden önce namı yürüyor!CiwCiw öyle bir şöhrete sahip ki kendinden önce namı yürüyor!CiwCiw öyle bir şöhrete sahip ki kendinden önce namı yürüyor!CiwCiw öyle bir şöhrete sahip ki kendinden önce namı yürüyor!CiwCiw öyle bir şöhrete sahip ki kendinden önce namı yürüyor!CiwCiw öyle bir şöhrete sahip ki kendinden önce namı yürüyor!CiwCiw öyle bir şöhrete sahip ki kendinden önce namı yürüyor!CiwCiw öyle bir şöhrete sahip ki kendinden önce namı yürüyor!CiwCiw öyle bir şöhrete sahip ki kendinden önce namı yürüyor!
Standart Yüksek Gerilim Tekniğinde Tek Değişkenli Optimizasyon Problemlerinin Genetik Algoritma İle Çözümü

In this paper, a lot of problems in high voltage technique were solved by using genetic algorithm (GA). For this purpose, GA was introduced and a new software based on GA with single objective function and with single variable was developed. By using this software, maximum and minimum electric fields of different electrode systems; radius of optimum system according to breakdown strength and economically minimum mass of insulating material and maximum electric fields of some protrusions; minimum breakdown voltage according to Townsend theory and peak value of the oscillating impulse current were determined. Results of the GA and solutions of analytical methods were compared. The obtained results have highly accuracy.
1. GİRİŞ
Gerilim düzeyi yükseldikçe, özellikle yüksek gerilimlere çıkıldıkça elektrik alanı önem kazanmaya başlar. Çünkü bir elektrik sistemindeki elektriksel zorlanma, zorlanan yalıtkanın delinme dayanımına eşit veya daha büyük olduğunda genellikle delinme ile sonuçlanan bir elektriksel boşalma olayı meydana gelir. Bu tür durumlardan sakınmak için elektrik sistemlerinin uygun şekilde tasarlanması gerekir. Bu iş sırasında karşımıza değişik bir çok optimizasyon problemi çıkar. Örneğin eş merkezli küresel veya eş eksenli silindirsel elektrot sistemleri gibi elektrot sistemlerindeki maksimum ve minimum elektrik alan şiddetlerinin denetim altında tutulması, maksimum alanı minimum yapacak eşdeğer açıklığın veya geometrik karakteristiğin bulunması veya ekonomik bakımdan en uygun (en az malzemenin kullanıldığı) boyutların saptanması bu optimizasyon problemlerin¬den bazılarıdır.
İletken malzemelerin yüzeyi üzerindeki değişik geometrilerdeki pürüzler, elektriksel alanı değiştirecek niteliktedir. Bu pürüzlerin varlığında maksimum elektrik alanının hesabı ve dolayısıyla denetimi bir başka optimizasyon problemidir.
Düşük basınçlı ve küçük elektrot açıklıklı sistemlerde gazlarda boşalma olayları Townsend boşalma teorisi ile açıklanmaktadır. Bu teoriye göre düzgün alanda ve sabit sıcaklıkta delinme gerilimi, gaz basıncı ile elektrot açıklığı çarpımının bir fonksiyonudur. Bu durum delinme gerilimi bağıntısı ile verilir. Bu bağıntıdan delinme gerilimini minimum yapan basınç veya elektrot açıklığı veya çarpımları bulunabilir. Dolayısıyla bu da boşalma olaylarında karşımıza çıkan bir başka optimizasyon problemi örneğidir.
Bir başka örnekte darbe gerilimi veya akımlarında tepe değerin yani gerçek maksimum değerin belirlenmesidir. Örneğin darbe akımı deneylerinde akım darbelerinin tepe değerlerinin ve bu değere ulaşma sürelerinin hesaplanması gerekir. Özellikle salınımlı darbe işaretlerinde gerçek maksimum değeri belirlemek zorluk gösterir.
Yukarıda sözü edilen ve çoğaltılabilecek pekçok yüksek gerilim tekniği uygulamasında birer optimizasyon problemi olarak ele alınabilecek pekçok durum vardır. Bu problemlerin çözümü için değişik yöntemler kullanılabilir. Bu yöntemlerden birisi de genetik algoritma (GA) yöntemidir. Son yıllarda pekçok alanda, genetik algoritma kullanımı ve geliştirilmesi için çok çeşitli çalışmalar yapılmaktadır [1 - 7]. Bunun sonucu olarak da, genetik algoritmalar literatürde daha fazla yer almaya başlamış ve geniş uygulama alanlarına ulaşmıştır. Buna karşın, GA'nın yüksek gerilim tekniğindeki uygulamalarına henüz yok denecek kadar az rastlanmaktadır [8].
Bu çalışmada, yukarıda sözü edilen motivasyonla, yüksek gerilim tekniğinde karşılaşılan birçok problem genetik algoritma yardımıyla çözülmüştür. Bu amaçla önce GA yöntemi tanıtılarak, tek amaç fonksiyonlu, tek değişkenli problemlerin çözümü açıklanmıştır. Sonrasında GA ile yapılan örnek çözümlemeler ve bunların sonuçları, analitik yöntemlerle bulunanlarla karşılaştırmalı olarak verilmiştir.

2. GENETİK ALGORİTMALAR (GA)
Genetik algoritmalar Mendel'in genetiği ile Darwin'in doğal seçim ilkesini birleştiren ve bunlan yapay sistemlerde kullanan bir optimizasyon yöntemidir [9 - 11]. Doğal seçim, çevre koşullarına uyum sağlamış olan canlıların yaşamlarını sürdürmesi, uyum sağlayamamış olanların ise elenmesi, yani ölmesi anlamına gelir. Doğal kalıtım ise, seçilmiş olan bireylerin birbirleriyle çiftleşerek yeni yavrular meydana getirmesidir.
Genetik algoritmada problem çözümüne kodlanmış noktalar topluluğu (kümesi) oluşturularak başlanır. Çözüm kümesini oluşturan her bir eleman "kromozom" veya "birey" olarak adlandırılır. Kromozomlar gen adı verilen sembol katarlarından oluşur. Topluluğu oluşturan her bir bireyin temsil ettiği değer "amaç fonksiyonu"nda yerine konularak bireylerin "uygunluk değerleri", yani bir sonraki nesilde yaşama olasılıkları bulunur. Bir sonraki adım, uygunluk değerleri göz önünde bulundurularak bir sonraki topluluğu meydana getirecek "ebeveynler" seçilmesidir. Önceden kabul edilen oranda ebeveyn çaprazlamaya girerek birbirleri ile gen alışverişinde bulunurlar ve ortaya bir sonraki topluluğun bireylerini oluşturacak olan "yavrular" çıkar. Yine önceden tanımlanmış mutasyon oranları nedeniyle ortaya çıkan yavrularda başkalaşımlar meydana gelir. Bu aşamadan sonra yeni topluluğu oluşturacak bireyler hazırdır. Şekil 1'de gösterilen bu döngü, istenilen koşullar sağlanıncaya kadar devam eder ve her bir yineleme işlemi sonunda ortaya "nesil" adı verilen yeni bir topluluk çıkar.
1.JPG
Probleme başlarken kullanılacak topluluk, rasgele üretilir. GA, rastlantısal kuralları kullanarak gittikçe daha iyi bir çözüme yönlenir. GA dört yönüyle diğer optimizasyon yöntemlerinden ayrılır:
(1) GA'lar parametrelerin kendilerini değil, kodlanmış biçimini kullanırlar;
(2) GA'lar aramaya tek bir noktadan değil, bir noktalar topluluğundan başlarlar;
(3) GA'lar amaç fonksiyonunun türevlerini ve bir takım ek bilgilerini değil, doğrudan amaç fonksiyonun kendisini kullanırlar;
(4) GA'lar deterministik kuralları değil, rastlantısal geçiş kurallarını kullanırlar.
Aramaya tek bir noktadan değil de birçok noktadan başlamanın en büyük yararı, yerel optimuma yakalanma olasılığının ortadan kaldırılmasıdır. Geleneksel yöntemler aramaya tek bir noktadan başladıkları için, ilk buldukları yerel optimuma takılırlar. Dolayısıyla birden çok optimuma sahip fonksiyonlar için kullanışlı değillerdir. Genetik algoritmalar ise, tüm yerel optimum noktalarını bularak bunları karşılaştırır ve fonksiyonun evrensel optimum noktasına ulaşırlar.
Genetik algoritmalarda diğer yöntemlerde olduğu gibi türev bilgilerine ve ek bilgilere gereksinim yoktur, yalnızca amaç fonksiyonu ve uygunluk değerleri yaklaşımın hangi yönde ilerleyeceğini belirler.
GA'lar rastlantısal geçiş kurallarına göre çalıştığından, model değiştirilmese bile her çalıştığında farklı çözümler elde edilir. Geleneksel yöntemler ise aynı değerler ile her çalıştığında aynı çözüme ulaşırlar. Ayrıca, seçim, çaprazlama ve mutasyon aşamaları da genetik algoritmaları diğer yöntemlerden farklı kılar. Topluluktaki daha uygun bireylerin seçilerek daha sonraki nesillere aktarılması ve uygun olmayanların elenmesi, algoritmanın en iyi çözümü bulması için izlenmesi gereken bir süreçtir. Aynı şekilde çaprazlama sayesinde de bir önceki çözüm kümesindeki sonuçlar birbirleriyle karışarak bir sonraki nesilde daha uygun sonuçları oluştururlar. Mutasyon ise algoritmanın bir kısır döngüye girmemesi için güvenlik aracı görevi görür. Herhangi bir yerel optimuma takılıp kalan bireyler, mutasyon ile başkalaşım geçirerek diğer çözümlere yönelebilirler.

Özcan KALENDERLİ1, Alper GÜÇLÜ2
1İstanbul Teknik Üniversitesi, Elektrik-Elektronik Fakültesi Elektrik Mühendisliği Bölümü, 34469, Maslak, İstanbul 2Net Mühendislik ve Otomasyon San. Tic. Ltd. Şti., Okmeydanı, İstanbul
Eklenmiş Dosya
Dosya tipi: pdf 7da6669894867f0_ek.pdf (166,3 KB (Kilobyte), 12x kez indirilmiştir)
__________________
NEVART AKADEMİ
www.nevart.net
Güzel Sanatlar Fakültesi/Lisesi Yetenek Sınavlarına Hazırlık Kursu
Resim Yağlı Boya Hobi Kursu
Hızlı ve Etkili Okuma Kursu
Çocuklar için Hızlı Okuma Kursu
Çocuklar için Resim Kursu
Disleksi Eğitimi
Okuma Güçlüğü
Alıntı ile Cevapla
Cevapla

Tags
algoritma, çözümü, değişkenli, genetik, gerilim, optimizasyon, problemlerinin, tek, tekniğinde, ıle, yüksek

Seçenekler
Stil

Yetkileriniz
You may not post new threads
You may not post replies
You may not post attachments
You may not edit your posts

BB code is Açık
[IMG] Kodları Açık
HTML-KodlarıKapalı
Trackbacks are Açık
Pingbacks are Açık
Refbacks are Açık



Bütün zaman ayarları WEZ +2 olarak düzenlenmiştir. Şu anki saat: 02:23 .