خلاصه
ساده ترین الگوریتم طرح کلاسیک به نام الگوریتم های جستجوی فضای حالت می باشد. این ها الگوریتم های جستجو می باشند که فضای جستجو به عنوان زیرمجموعه ای از فضای حالت می باشد. هر گره منطبق با شرایط جهانی می باشد، که هر کدام از آن ها سازگار با حالت انتقال بوده و طرح کنونی سازگار با مسیر کنونی در فضای جستجو می باشد. در این فصل، بخش 4.2 به بحث در مورد الگوریتم هایی می پردازد که به جستجوی موارد پیشرو از حالت آغازین جهانی پرداخته و به جستجوی شرایطی می پردازد که فرمول هدف را مد نظر قرار می دهد. بخش 4.3 به بحث الگوریتم هایی می پردازد که به جستجوی موارد قبلی از فرمول هدف به منظور پیدا کردن حالت آغازین می پردازد. بخش 4.4 به توصیف الگوریتمی می پردازد که به ادغام عوامل جستجوی پیشرو و پسین می پردازد. بخش 4.5 به شرح دامین های سریع مختص به الگوریتم جستجوی پیشرو می پردازد.
4.2 جستجوی پیشرو
یکی از ساده ترین الگوریتم های طراحی به نام الگوریتم جستجوی پیشرو می باشد که در شکل 4.1 نشان داده شده است. این الگوریتم به صورت غیر قطعی می باشد (ضمیمه A را مشاهده کنید). آن به صورت داده P = (O, so, g) از مشکلات برنامه ریزی 7: ' می باشد. اگر 7: ' قابل حل باشد، به این ترتیب جستجوی پیشرو (O, so, g) طرح راه حل را برگشت می دهد؛ به عبارت دیگر نقص ها بر می گردند. طرح برگشتی توسط هر یک از دستورات برگشتی الگوریتم به نام راه حل نیمه تمام می باشد زیرا آن به عنوان بخشی از راه حل نهایی برگشتی توسط دستورات سطح بالا می باشد. ما از اصطلاح راه حل بخشی با مفهوم مشابه توسط دستورات سطح بالا استفاده می کنیم. اگرچه ما جستجوهای بعدی را برای کار کردن بر روی مشکلات برنامه ریزی کلاسیک مد نظر قرار می دهیم، ایده مشابهی مد نظر قرار می گیرد تا بر روی مشکلات برنامه ریزی کار کنیم که بتوانیم 1) محاسبه کنیم که آیا یک حالت بر مبنای حالت هدف می باشد یا خیر، 2) مجموعه تمام فعالیت های کاربردی برای یک حالت را مد نظر قرار دهیم و 3) به محاسبه حالت جایگزین که در نتیجه بکارگیری یک عمل نسبت به حالت می باشد، بپردازیم.
چکیده
کنترل بردار ورودی (IVC) تکنیک معروفی برای کاهش توان نشتی است. این روش، از اثر پشته های ترانزیستوری در دروازه های منطقی (گیت) CMOS با اعمال مینیمم بردار نشتی (MLV) به ورودی های اولیه مدارات ترکیبی، در طی حالت آماده بکار استفاده می کند. اگرچه، روش IVC (کنترل بردار ورودی) ، برای مدارات با عمق منطقی زیاد کم تاثیر است، زیرا بردار ورودی در ورودی های اولیه تاثیر کمی بر روی نشتی گیت های درونی در سطح های منطقی بالا دارد. ما در این مقاله یک تکنیک برای غلبه بر این محدودیت ارایه می کنیم؛ بدین سان که گیت های درونی با بدترین حالت نشتی شان را با دیگر گیت های کتابخانه جایگزین می کنیم، تا عملکرد صحیح مدار را در طی حالت فعال تثبیت کنیم. این اصلاح مدار، نیاز به تغیر مراحل طراحی نداشته، ولی دری را به سوی کاهش بیشتر نشتی وقتی که روشMLV (مینیمم بردار نشتی) موثر نیست باز می کند. آنگاه ما، یک روش تقسیم و غلبه که جایگزینی گیت های را مجتمع می کند، یک الگوریتم جستجوی بهینه MLV برای مدارات درختی، و یک الگوریتم ژنتیک برای اتصال به مدارات درختی، را ارایه می کنیم. نتایج آزمایشی ما بر روی همه مدارات محک MCNC91، نشان می دهد که 1) روش جایگزینی گیت، به تنهایی می تواند 10% کاهش جریان نشتی را با روش های معروف، بدون هیچ افزایش تاخیر و کمی افزایش سطح، بدست آورد: 2) روش تقیسم و غلبه، نسبت به بهترین روش خالص IVC 24% و نسبت به روش جایگذاری نقطه کنترل موجود 12% بهتر است: 3) در مقایسه با نشتی بدست آمده از روش MLV بهینه در مدارات کوچک، روش ابتکاری جایگزینی گیت و روش تقسیم-و-غلبه، به ترتیب می توانند بطور متوسط 13% و 17% این نشتی را کاهش دهند.
کلیدواژه: جایگزینی گیت، کاهش نشتی، مینیمم بردار نشتی
مقدمه
همزمان با کوچک شدن فناوری VLSI و ولتاژ منبع/آستانه، توان نشتی در مدارات CMOS امروزه دارای اهمیت بیشتر و بیشتر شده است. به عنوان مثال، در طراحی ها نشان داده شده است که توان نشتی زیرآستانه می تواند به بزرگی 42% توان کل تولید فرآیند 90 نانومتری شرکت داشت باشد [11]. بدین ترتیب، روش های زیادی اخیرا برای کاهش مصرف توان نشتی ارایه شده اند. فرآیند ولتاژ آستانه دوگانه، از وسایل با ولتاژ آستانه بیشتر، به همراه مسیرهای غیر بحرانی، استفاده می کند تا جریان نشتی را ضمن تثبیت عملکرد، کاهش دهد [16]. روش های CMOS ولتاژ آستانه چندگانه (MTCMOS) ، یک وسیله با ولتاژ Vth بالا را بطور سری با مدار با Vth پایین قرار داده، و یک ترانزیستور sleep می سازد.
خلاصه
بازسازی، هدف برنامه ریزی گسترش تولید (GEP) را از کم هزینه بودن به پرسود بودن، تغییر داده است. در این مقاله، ما یک فرمول تازه برای تابع هدف مسالۀ GEP شرکت های تولید کننده (GENCOs) را در بازار برقی که شامل درآمدهای انرژی و بازارهای ذخیره ظرفیت و هزینه های سوخت، سرمایه گذاری، O M، مالیات های قطع و وصل، می باشد را معرفی می کنیم. به علاوه، به منظور حل مسالۀ GEP با تابع هدف بالا، از یک الگوریتمی که بترتیب از الگوریتم ژنتیک و تئوری گیم برای مدل کردن بازار و بهینه سازی توابع هدف GENCO استفاده کرده است، معرفی شده است. به منظور محاسبه سطوح تولید واحدهای تولید کننده و نرخ بلند-مدت بازار، ما از روش مرسوم هزینۀ تولید احتمالی (PPC) که به گونه ای اصلاح شده است که در بازار برق رقابتی قابل استفاده باشد، استفاده کرده ایم.
کلمات کلیدی: برنامه ریزی گسترش تولید، بازار برق متمرکز، تئوری بازی، الگوریتم ژنتیک
مقدمه
برنامه ریزی گسترش تولید (GEP) ، یک مسالۀ بهینه سازی در مقیاس بزرگ، غیر خطی، گسسته، پویا و بسیار محدود شده می باشد که تعیین می کند کدام یک از واحدهای تولید باید ساخته شوند و چه موقع باید در افق برنامه ریزی به خط وصل شوند طوری که توان (ظرفیت) نصب شده تقاضای پیشبینی شده را ارضا کند [1-4]. موقعیت سایت ها و دیگر ضرایب مربوط به شبکۀ انتقال، بطور عادی و جداگانه و پس از اینکه یک اندازه برای گسترش تعیین شد، تجزیه و تحلیل می شود [5].
در یک چارجوب انحصاری مرسوم، فعالیت های گسترش تولید، توسط یک ابزاری که بطور عمودی مجتمع شده است، و به منظور ارضای معیارهای قابلیت اطمینان بلند مدت، انجام پذیرفته است.
چکیده
منابع تولید پراکنده (DG) به علت تقاضای روبروی رشد انرژی دارای اهمیت زیادی در سیستم های توزیع می گردند. مکان ها و توانمندی های منابع تولید پراکنده تاثیر عمیقی در تلفات سیستم در شبکه توزیع داشته اند. در این مقاله، یک ترکیب نوینی از الگوریتم ژنتیک (GA) / بهینه سازی ازدحام ذرات (PSO) برای جایابی و یافتن اندازه بهینه تولید پراکنده در سیستم های توزیع معرفی می شود. هدف این است که تلفات توان شبکه کمینه شده، تنظیم ولتاژ بهتری صورت گرفته و پایداری ولتاژ در چارچوب قیود عملکردی و امنیتی سیستم در سیستم های توزیع شعاعی حاصل شود. یک تحلیل تشریحی روی سیستم های ۳۳ و ۳۹ باس انجام شده است تا کارائی روش ارائه شده نشان داده شود.
پروژه کارشناسی ارشد برق
فایل محتوای:
۱) اصل مقاله لاتین ۹ صفحه ۲۰۱۱ Elsevier
۲) متن ورد ترجمه شده بصورت کاملا تخصصی ۲۱ صفحه