SciELO - Scientific Electronic Library Online

 
vol.17 número2ANÁLISE DA EXECUÇÃO DE UM ALGORITMO NUMÉRICO CBS PARA SIMULAÇÃO DE ESCOAMENTO UTILIZANDO ELEMENTOS FINITOSSOLUCIÓN COMPUTACIONAL DE MODELOS BIOLÓGICOS DE FORMACIÓN DE PATRONES ESPACIO-TEMPORALES índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

Compartir


Ingeniare. Revista chilena de ingeniería

versión On-line ISSN 0718-3305

Ingeniare. Rev. chil. ing. v.17 n.2 Arica ago. 2009

http://dx.doi.org/10.4067/S0718-33052009000200006 

Ingeniare. Revista chilena de ingeniería, vol. 17 Nº 2, 2009, pp. 175-181

 

SELECCIÓN DETERMINÍSTICA Y CRUCE ANULAR EN ALGORITMOS GENÉTICOS: APLICACIÓN A LA PLANIFICACIÓN DE UNIDADES TÉRMICAS DE GENERACIÓN 

DETERMINISTIC SELECTION AND ANNULAR CROSSOVER IN GENETIC ALGORITHMS: AN APPLICATION TO THE PLANNING OF THERMAL GENERATING UNITS

Boris Pavez-Lazo1              Jessica Soto-Cartes1         Carlos Urrutia1                   Millaray Curilem1

  

1 Universidad de La Frontera. Departamento de Ingeniería Eléctrica. Casilla 54-D. Temuco, Chile. E-mail: bpavez@ufro.cl; jessica.soto@gmail.com; curru003@pinhue.ufro.cl; millaray@ufro.cl


RESUMEN

Uno de los problemas fundamentales de los algoritmos genéticos (AG) es la convergencia prematura a un óptimo local, debido principalmente a que los mejores individuos tienden a adueñarse de las características genéticas de la población, disminuyéndose la diversidad. Además, cuando la representación cromosómica es lineal, el cruzamiento es sensible a la codificación, ya que los extremos en este tipo de cromosoma pueden cambiar, con una probabilidad muy baja, sólo si son mutados. En este trabajo se aplica al problema de planificación de unidades térmicas de generación. Un AG que utiliza un operador determinista en la selección de individuos, donde se permite a individuos menos aptos perdurar de una generación a otra y un operador de cruce, llamado Cruce Anular, para generar nuevos individuos. Con ambos mecanismos se permite una mayor diversidad de la población y que el algoritmo sea menos dependiente de la codificación del cromosoma. Estos operadores garantizan la convergencia a una solución óptima, pero no garantiza rapidez de la convergencia. Sin embargo, los resultados obtenidos muestran que estos operadores alcanzan una convergencia más rápida y de mejor calidad que cuando se usan operadores estándares.

Palabras clave: Planificación de unidades térmicas, algoritmos genéticos, cruce anular. 


ABSTRACT

One of the fundamental problems of genetic algorithms (GA) is the premature convergence to a local optimum due mainly to the fact that the best individuals tend to take over the genetic characteristics of the population, reducing diversity. Moreover, when the chromosome has a linear representation, the crossover is sensitive to the chromosome codification, as its head and tail change with a very low probability, only if they are affected by mutation. In this work we propose an approach to the problem of thermal generating units scheduling, using a GA which combines a deterministic selection operator with an Annular Crossover operator to generate new individuals. Both mechanisms allow greater diversity of the population and more independence from the codification of the chromosome. These operators guarantee the convergence to an optimal solution, although there is no guarantee of rapid convergence. However, the results show that these operators have a faster convergence and reach a better performance when compared to standard GA operators.

Keywords: Thermal generating units scheduling, genetic algorithms, annular crossover.


AGRADECIMIENTOS

Boris J. Pavez-Lazo, agradece el apoyo financiero dado por la Universidad de La Frontera a través del proyecto DIUFRO 07-0049. 

Jessica Soto-Cartes agradece el apoyo financiero de la Universidad de La Frontera a través del proyecto DIUFRO 07-0049 y al programa de Magíster en Ciencias de la Ingeniería mención Ingeniería Eléctrica de la Universidad de La Frontera.

 

REFERENCIAS 

[1] N.P. Padhy. "Unit Commitment - A Bibliographical Survey". IEEE Transactions on Power Systems. Vol. 19 Nº 2, pp. 1196-1205. May 2004.        [ Links ]

[2] H.Y. Yamin. "Review on methods of generation scheduling in electric power systems". Electric Power Systems Research. Vol. 69, pp. 227-248. 2004.        [ Links ]

[3] S. Vermin, K. Imhof and S. Mukherjee. "Implementation of Lagrangean Relaxation Based Unit Commitment Problem". IEEE Transaction on Power Systems. Vol. 4, pp. 1373-1379. October 1989.        [ Links ]

[4] Q. Zhai, X. Guan and J. Cui. "Unit commitment with identical units: successive subproblem solving method based on lagrangian relaxation". IEEE Transactions on Power Systems. Vol. 17, pp. 1250-1257. November 2002.        [ Links ]

[5] W. Ongsakul and N. Pertcharaks. "Unit commitment by enhanced adaptive lagrangian relaxation". IEEE Transactions on Power Systems. Vol. 19, pp. 620-628. February 2004.        [ Links ]

[6] H. Mantawy, Y.L. Abdel-Magid and S.Z. Selim. "A Simulated Annealing Algorithm for Unit Commitment". IEEE Transactions on Power Systems. Vol. 13, pp. 197-204. February 1998.        [ Links ]

[7] D.N. Simopoulus, S.D. Kavatza and C.D. Vournas. "Unit Commitment by Enhanced Simulating Annealing Algorithm". IEEE Transaction on Power Systems. Vol. 21, pp. 68-76. February 2006.        [ Links ]

[8] F. Zhuang and F.D. Galiana. "Unit Commitment by simulated annealing". IEEE Transactions on Power Systems. Vol. 5, pp.311-318. February 1990.        [ Links ]

[9] I.G. Damousis, A.G. Bakirtzis and P.S. Dokopolous. "A solution to the unit commitment using integer-coded genetic algorithm". IEEE Transactions on Power Systems. Vol. 19, pp. 1165-1172. May 2004.        [ Links ]

[10] C. Dang and M. Li. "A floating-point genetic algorithm for solving the unit commitment problem". European Journal of Operational Research. Vol. 181, pp. 1370-1395. 2007.        [ Links ]

[11] G. Dudek. "Unit commitment by genetic algorithm with specialized search operators". Electric Power Systems Research. Vol. 72, pp. 299-308. 2004.        [ Links ]

[12] K.S. Swarup and S. Yamashiro. "Unit commitment solution methodology using genetic algorithm". IEEE Transactions on Power Systems. Vol. 17, pp. 87-91. February 2002.        [ Links ]

[13] L. Sun, Y. Zhang and C. Jiang. "A matrix real-coded genetic algorithm to the unit commitment problem". Electric Power Systems Research. Vol. 76, pp. 716-728. 2006.        [ Links ]

[14] A.V.T. Aruldoss, J.A. Ebenezer. "A tabu search based hybrid optimization approach for a fuzzy modelled unit commitment problem". Electric Power System Research. Vol. 76, pp. 413-425. 2006.        [ Links ]

[15] N.P. Padhy. "Unit commitment using hybrid models: a comparative study for dynamic programming, expert system, fuzzy system and genetic algorithms". International Journal of Electrical Power & Energy Systems. Vol. 23, pp. 827-836. 2001.        [ Links ]

[16] S.W. Yin-Wa. "Hybrid simulated annealing/genetic algorithm approach to short-term hydro-thermal scheduling with multiple thermal plants". International Journal of Electrical Power & Energy Systems. Vol. 23 Nº 7, pp. 565-575. 2001.        [ Links ]

[17] A. Kuri. "Pattern Recognition via Vasconcelos' Genetic Algorithm". Lecture Notes in Computer Science. Vol. 3287, pp. 328-335. 2004.        [ Links ]

Recibido 30 noviembre de 2008, aceptado 4 de junio de 2009

Creative Commons License Todo el contenido de esta revista, excepto dónde está identificado, está bajo una Licencia Creative Commons