No abstract

No abstract

No abstract

Resumo-Neste trabalho são propostos dois algoritmos híbridos de otimização, sendo cada um deles composto pela combinação das metaheuristicas: Algoritmo de Otimização de Leão (AOL), Evolução Diferencial (ED) e Busca Local Iterativa (BLI). Nestes algoritmos, as metaheurísticas são processadas de forma paralela e trocam informações, para melhorar seus respectivos desempenhos quando considerados individualmente. Adicionalmente, cada metaheurísta do algoritmo híbrido proposto contém um processamento paralelo visando redução de custo computacional. O contexto do presente artigo é o problema de estimação de parâmetros de modelos para sistemas não lineares. Portanto, os algoritmos propostos são comparados, para esta classe de aplicação, com versões clássicas das metaheurísticas citadas tomadas individualmente no que diz respeito à qualidade do resultado obtido e ao tempo de processamento. Através dos resultados obtidos, observa-se que o desvio padrão das soluções dos algoritmos híbridos propostos são menores que os métodos tomados individualmente. Neste mesmo cenário as técnicas de paralelismo apresentadas produziram uma redução de tempo computacional. Palavra-chave: Algoritmo híbrido; evolução diferencial; algoritmo de otimização de leão; busca local iterativa; metaheurística paralela.

Accurate modeling of electric power generating unit and its hydraulic turbine regulation systems provides support for the speed controller synthesis and stability analysis. It is however a difficult task due to the presence of many non-linear factors in this system. an approach to estimate the parameters of hydraulic turbine regulatory system models is to derive the physical representation of each component and, through simulation, to compare to compare their models, outputs with real data obtained from a hydroelectric plant located in Brazil. The objective of this paper is to find the best values that will represent the system under study as a whole. This problem can be seen as an optimization problem. To find its feasible and optimal solution, this work proposes a new metaheuristics multi-objective based on the Lion Algorithm (LA), called the Multi-Objective Lion Algorithm (MOLA), and its application in the estimation of parameters of the system under study. In addition, the new metaheuristic proposed is validated by using a set of benchmark cases. The results have demonstrated that MOLA outperforms or at least performs similarly to Multi-objective Grey Wolf Optimizer (MOGWO), Multiple Objective Particle Swarm Optimization (MOPSO), Multi-objective Salp Swarm Algorithm (MSSA), Multiobjective Evolutionary Algorithm Based on Decomposition (MOEA/D), and Non-dominated Sorting Genetic Algorithm III (NSGA-III) in the optimization of multi-objective benchmark functions. These results, suggest that the proposed MOLA algorithm works efficiently.