An Evaluation of a Metaheuristic Artificial Immune System for Household Energy Optimization

Navarro-Cáceres, María; Herath, Pramod; Villarrubia, Gabriel; Prieto‐Castrillo, Francisco; Venyagamoorthy, G. Kumar

doi:10.1155/2018/9597158

Cited by 6 publications

(4 citation statements)

References 33 publications

(48 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Furthermore, AIS has demonstrated efficiency in convergence compared to other algorithms for large instances. The authors of [44][45][46][47][48][49] reported that AIS has a higher convergence rate than GA, PSO, AC, and SA. Therefore, AIS is used to solve our model for large-sized instances for all the reasons above.…”

Section: Related Workmentioning

confidence: 99%

An Artificial-Immune-System-Based Algorithm Enhanced with Deep Reinforcement Learning for Solving Returnable Transport Item Problems

et al. 2022

View full text Add to dashboard Cite

This paper proposes a new approach, i.e., virtual pooling, for optimising returnable transport item (RTI) flows in a two-level closed-loop supply chain. The supply chain comprises a set of suppliers delivering their products loaded on RTIs to a set of customers. RTIs are of various types. The objective is to model a deterministic, multi-supplier, multi-customer inventory routing problem with pickup and delivery of multi-RTI. The model includes inventory-level constraints, the availability of empty RTIs to suppliers, and the minimisation of the total cost, including inventory holding, screening, maintenance, transportation, sharing, and purchasing costs for new RTIs. Furthermore, suppliers with common customers coordinate to virtually pool their inventory of empty RTIs held by customers so that, when loaded RTIs are delivered to customers, each may benefit from this visit to pick up the empty RTI, regardless of the ownership. To handle the combinatorial complexity of the model, a new artificial-immune-system-based algorithm coupled with deep reinforcement learning is proposed. The algorithm combines artificial immune systems’ strong global search ability and a strong self-adaptability ability into a goal-driven performance enhanced by deep reinforcement learning, all tailored to the suggested mathematical model. Computational experiments on randomly generated instances highlight the performance of the proposed approach. From a managerial point of view, the results stress that this new approach allows for economies of scale and cost reduction at the level of all involved parties to about 40%. In addition, a sensitivity analysis on the unit cost of transportation and the procurement of new RTIs is conducted, highlighting the benefits and limits of the proposed model compared to dedicated and physical pooling modes.

show abstract

Section: Related Workmentioning

confidence: 99%

An Artificial-Immune-System-Based Algorithm Enhanced with Deep Reinforcement Learning for Solving Returnable Transport Item Problems

et al. 2022

View full text Add to dashboard Cite

show abstract

“…The method of artificial immune systems is used to solve optimization and optimal control problems. In [29,30], solutions of optimization problems in power engineering and power systems based on the method of artificial immune systems are presented. In [31,32] the application of artificial immune system for solving optimization problems of multimodal functions is considered.…”

Section: Introductionmentioning

confidence: 99%

Solving the Optimal Control Problem with Terminal Constraints in Modeling Chemical Processes

Mustafina,

Antipina,

Antipin

et al. 2023

MATCH

View full text Add to dashboard Cite

The paper presents a method for solving the problem of optimal control of a chemical process in the presence of terminal constraints based on the application of artificial immune systems. The formulation of the problem of optimal control of a chemical process in which the constraints on the control parameter and phase variables are given is formulated. An algorithm for solving this problem based on the penalty method and artificial immune systems is given. The penalty method allows to reduce the problem with terminal constraints to the problem without constraints by changing the optimality criterion. The new optimal control problem without terminal constraints is solved by the method of artificial immune systems. The described methodology is tested on the example of an industrially significant process of phthalic anhydride production. A mathematical description of the process, which is a system of ordinary differential equations, is given. The problem of search of optimal temperature regime with terminal constraints is formulated. As a result of calculations, the optimal temperature regime and the corresponding optimal concentrations of substances are determined. At the same time, the restrictions on the concentration value of the reaction by-product and the conversion of substances at the end of the reaction are fulfilled. It is shown that the solution of the optimal control problem with terminal constraints for the process of phthalic anhydride production satisfies the constraints of the problem and provides the highest value of the concentration of the target reaction product.

show abstract

“…показано контурний графік залежності цільової функції за(14) в просторі координат «кількість груп» та «максимальна кількості програшів» при мінімізації двовимірних функцій. Можна побачити, що при збільшенні кожної з величин понад 5, цільова функція значно зростає за рахунок збільшення кількості ітерацій.На рис.…”

unclassified

“…Можна побачити, що при збільшенні кожної з величин понад 5, цільова функція значно зростає за рахунок збільшення кількості ітерацій.На рис. 2 показано графік та контурний графік залежності цільової функції за(14) в просторі координат «періодичність міжгрупового стиснення» та «періодичність внутрішньогрупового стиснення» при розв'язанні тестових задач у 8-вимірному просторі. З графіка можна помітити, що залежність має один екстремум при сполученні значень трохи більше 10.…”

unclassified

Еволюційний Метод Пошукової Оптимізації На Основі Рою Часток Та Моделювання Штучних Імунних Систем

ЗІБОРОВ,

ЖЕЛДАК

2023

View full text Add to dashboard Cite

Запропоновано метод оптимізації неперервних функції багатьох змінних, який втілює підходи методів рою часток та моделювання штучної імунної системи. Проведено дослідження з метою визначення оптимальних налаштувань алгоритму, що реалізує запропонований метод. Показано, що запропонований метод може бути застосований як складова інформаційної технології супроводу підтримки управлінських рішень та розв’язання задач оптимізації технологічних процесів у металургійному виробництві. Метою роботи є розробка оригінального гібридного методу глобальної оптимізації на основі методу штучної імунної системи та методу рою частинок, а також формулювання рекомендацій щодо налаштування його параметрів. Запропонований метод має прискорити прийняття рішень при керуванні технологічними процесами у металургійному виробництві та підвищити їх точність. Методологія забезпечення рішення полягає у поєднанні основних пошукових операторів еволюційних методів оптимізації на основі рою часток і моделювання штучної імунної системи людини. Використовуються традиційні для ройового пошуку кроки з пошуку рішення та обміну інформацією про знайдені локальні оптимуми. Такий пошук доповнюється принципом змагальності, запозиченим у методі штучної імунної системи, для чого популяція поділяється на менші рої або пошукові команди. Також запропоновані кроки контролю різноманіття в рої та радіусу розсіювання часток. Останнє дозволяє вирішувати задачі як безумовної, так і умовної оптимізації у неперервному просторі високої розмірності. Наукова новизна отриманих у роботі результатів полягає в формулюванні нового еволюційного методу оптимізації в неперервному просторі на основі ройового інтелекту, який на відміну від відомих раніше ройових методів використовує принцип змагання підгруп рою та оператор стиснення популяції, властивих методу моделювання штучних імунних систем. Емпірично встановленні параметри методу, що визначають його ефективність. Висновки. Застосування запропонованого еволюційного методу пошукової оптимізації до мінімізації тестових функцій у неперервному просторі розмірністю до 20 показало його ефективність у порівнянні з відомими раніше. В подальшому актуальним бачиться застосування викладеного алгоритму для розв’язання задач оптимізації технологічних процесів у металургійному виробництві. Зокрема, даний алгоритм вбачається ефективним для задач шихтування, оптимізації використання феросплавів у ливарному виробництві, а також при прогнозуванні механічних властивостей готової продукції.

show abstract

An Evaluation of a Metaheuristic Artificial Immune System for Household Energy Optimization

Cited by 6 publications

References 33 publications

An Artificial-Immune-System-Based Algorithm Enhanced with Deep Reinforcement Learning for Solving Returnable Transport Item Problems

An Artificial-Immune-System-Based Algorithm Enhanced with Deep Reinforcement Learning for Solving Returnable Transport Item Problems

Solving the Optimal Control Problem with Terminal Constraints in Modeling Chemical Processes

Еволюційний Метод Пошукової Оптимізації На Основі Рою Часток Та Моделювання Штучних Імунних Систем

Contact Info

Product

Resources

About