Scholar Hub/Chủ đề/#giải thuật gen ga/
Giải thuật Gen Ga (Genetic Algorithm) là một thuật toán tối ưu hóa dựa trên các nguyên tắc trong tiến hóa sinh học. Nó được sử dụng để tìm ra giải pháp tốt nhất...
Giải thuật Gen Ga (Genetic Algorithm) là một thuật toán tối ưu hóa dựa trên các nguyên tắc trong tiến hóa sinh học. Nó được sử dụng để tìm ra giải pháp tốt nhất cho các bài toán tối ưu hóa, mà không cần biết trước một hàm mục tiêu chính xác.
Thuật toán Gen Ga bắt đầu bằng việc tạo ra một số lượng lớn cá thể (hay gen) ngẫu nhiên, mỗi cá thể biểu diễn một giải pháp tiềm năng cho bài toán được đặt ra. Sau đó, các cá thể này được đánh giá và xếp hạng dựa trên một hàm mục tiêu, đánh giá xem cá thể nào có khả năng tốt nhất giải quyết bài toán.
Tiếp theo, các cá thể đáng chú ý nhất (dựa trên xếp hạng) sẽ được chọn để tiến hành quá trình lao động cho thế hệ tiếp theo. Quá trình lao động bao gồm các phép đột biến và lai ghép giữa các cá thể cha mẹ, tạo ra các con cá thể mới. Các cá thể mới này sẽ tiếp tục quá trình đánh giá và xếp hạng, và quá trình này sẽ tiếp diễn qua nhiều thế hệ cho đến khi đạt được giải pháp tốt nhất hoặc tiêu chí dừng được đáp ứng.
Gen Ga đã được sử dụng rộng rãi để giải quyết các bài toán tối ưu hóa phức tạp trong nhiều lĩnh vực, bao gồm quy hoạch mạng, tối ưu hóa kỹ thuật, tìm kiếm gần đúng và nhiều lĩnh vực khác.
Genetic Algorithm (GA) là một giải thuật tìm kiếm và tối ưu hóa dựa trên các nguyên tắc trong tiến hóa sinh học. Nó được lấy cảm hứng từ quy trình tiến hóa trong tự nhiên, nơi các cá thể có khả năng tốt hơn trong việc thích nghi với môi trường được tồn tại và sinh sôi nảy nở.
Quy trình của Genetic Algorithm bao gồm các bước sau đây:
1. Khởi tạo dân số ban đầu: Một tập hợp ngẫu nhiên các cá thể (hay gen) được tạo ra ban đầu để biểu diễn các giải pháp tiềm năng cho bài toán được đặt ra.
2. Đánh giá và xếp hạng: Các cá thể trong dân số ban đầu được đánh giá và xếp hạng dựa trên một hàm mục tiêu. Hàm mục tiêu được xác định tùy thuộc vào bài toán cụ thể, ví dụ: tìm giá trị lớn nhất, giá trị nhỏ nhất, tối ưu hóa các ràng buộc, v.v.
3. Lựa chọn cha mẹ: Các cá thể tốt nhất hoặc đáng chú ý nhất được lựa chọn làm cha mẹ để tiến hành quá trình lao đồng. Thông thường, các cá thể tốt nhất được lựa chọn, nhưng có thể có sự tuỳ chỉnh thông qua các biến tham số điều chỉnh sự đa dạng của dân số.
4. Lai ghép (Crossover): Quá trình lai ghép giữa các cha mẹ được thực hiện để tạo ra các gen mới. Quá trình này diễn ra bằng cách trao đổi các phần gen giữa các cá thể cha mẹ, tạo ra các cá thể con mới chứa các tính chất kết hợp từ hai cha mẹ.
5. Đột biến (Mutation): Quá trình đột biến được áp dụng lên một số cá thể con để duy trì sự đa dạng gen trong quá trình tiến hóa. Đột biến thực hiện các thay đổi ngẫu nhiên và nhỏ nhất trong các gen của cá thể.
6. Đánh giá và xếp hạng lại: Các cá thể con mới được đánh giá và xếp hạng lại dựa trên hàm mục tiêu đã cho. Điều này cho phép xác định các cá thể có khả năng tốt nhất để tiếp tục tiến hóa trong các thế hệ tiếp theo.
Quá trình từ bước 3 đến bước 6 được lặp lại qua nhiều thế hệ cho đến khi điều kiện dừng được đáp ứng. Các điều kiện dừng thường là khi đạt được giải pháp tốt nhất, số thế hệ tối đa đã được định trước hoặc không có sự cải thiện đáng kể trong các thế hệ liền kề.
Genetic Algorithm đã chứng tỏ hiệu suất tốt trong việc tìm kiếm và tối ưu hóa các giải pháp cho các bài toán phức tạp và không tối ưu trực tiếp thông qua các phép toán tính toán. Nó đã được áp dụng thành công trong nhiều lĩnh vực như quá trình sản xuất, quy hoạch mạng, tối ưu hóa mạng nơ-ron, lập lịch công việc, v.v.
Lựa chọn vị trí và dung lượng của thiết bị điều áp động (DVR) nhằm hạn chế hậu quả của sụt giảm điện áp ngắn hạn trên lưới phân phối điện 16 nút bằng thuật toán di truyềnBài báo xem xét việc tối ưu hóa vị trí, công suất thiết bị bù điện áp động (DVR) khắc phục hiện tượng sụt giảm điện áp ngắn hạn trên lưới phân phối. Việc lắp đặt DVR cải thiện chất lượng điện năng được thực hiện trên quan điểm của bên cấp điện, là bên thực hiện lắp đặt DVR. Việc đặt DVR không chỉ để đảm bảo chất lượng điện năng cho phụ tải cụ thể mà nhằm đảm bảo chất lượng điện năng tại nhiều nút trên lưới điện. Lựa chọn tối vị trí và công suất của DVR được thực hiện dựa trên việc xây dựng bài toán dạng tối ưu hóa đa mục tiêu, trong đó đồng thời giảm thiểu chi phí đầu tư cho DVR và giảm thiểu độ lệch điện áp. Giải bài toán tối ưu được thực hiện bởi thuật toán di truyền và ứng dụng cho lưới phân phối mẫu 16 nút. Bài toán xem xét một số tham số liên quan đến nguyên nhân ngắn mạch (tổng trở sự cố) và số lượng DVR dự kiến đặt để thấy được các yếu tố ảnh hưởng đến kết quả tính toán.
#lưới phân phối #chất lượng điện áp #sụt giảm điện áp ngắn hạn (sag) #thiết bị điều hòa công suất DVR #tối ưu hóa #giải thuật gen - GA
ÁP DỤNG KỸ THUẬT GIẢI TRÌNH TỰ GEN PHÁT HIỆN ĐỘT BIẾN ĐIỂM GEN CYP21A2 GÂY BỆNH TĂNG SẢN THƯỢNG THẬN BẨM SINH THỂ THIẾU 21-HYDROXYLASETăng sản thượng thận bẩm sinh (TSTTBS) do thiếu hụt enzym 21-hydroxylase là bệnh di truyền lặn nhiễm sắc thể thường gây nên do đột biến gen CYP21A2. Các dạng đột biến gen CYP21A2 bao gồm đột biến điểm và đột biến xóa đoạn, trong đó đột biến điểm chiếm tỉ lệ cao hơn, chiếm khoảng 60%. Nghiên cứu này được thực hiện với mục tiêu: xác định đột biến điểm trên bệnh nhân tăng sản thượng thận bẩm sinh thể thiếu hụt enzym 21- hydroxylase bằng kỹ thuật giải trình tự gen. 50 bệnh nhân được chẩn đoán xác định bệnh tăng sản thượng thận bẩm sinh thể thiếu enzym 21- hydroxylase; kỹ thuật giải trình tự gen được áp dụng để xác định đột biến. Kết quả phát hiện 32/50 (64%) bệnh nhân có đột biến điểm gen CYP21A2. Trong số các bệnh nhân phát hiện được đột biến, 53% đột biến được phát hiện trên bệnh nhân thể bệnh mất muối, 38% trên các bệnh nhân thể nam hóa đơn thuần và 9% trên các bệnh nhân thể không cổ điển. Đột biến đồng hợp tử chiếm 62,5%, đột biến dị hợp tử chiếm 37,5%. Nghiên cứu phát hiện được 7 kiểu gen trong đó kiểu gen có tỉ lệ cao nhất là I2g/I2g (31,3%), đứng thứ hai là I2g/p.I172N (18,7%), các kiểu gen còn lại chiếm tỉ lệ từ 3,1-15,6%.
#TSTTBS #đột biến điểm gen CYP21A2 #giải trình tự gen
Phương pháp nhận dạng thông minh đối với các nứt mặt đất gần bề mặt dựa trên dữ liệu địa chấn Dịch bởi AI Applied Geophysics - Tập 17 - Trang 639-648 - 2021
Lấy khu vực nghiên cứu tại lưu vực Jinzhong ở huyện Qixian, tỉnh Sơn Tây làm ví dụ, công trình này thực hiện việc giải thích thông minh các nứt mặt đất. Dựa trên phân tích đầy đủ về bối cảnh địa chất khu vực trong khu vực nghiên cứu, hoạt động điều khiển độ nghiêng và lọc trung bình dữ liệu địa chấn đã được thực hiện bằng cách sử dụng biến đổi Fourier nhanh để cải thiện tính liên tục của các sự kiện địa chấn và loại bỏ tiếng ồn ngẫu nhiên. Tổng cộng đã thu thập được 200 điểm mẫu liên tục của các lớp địa chất và 500 điểm mẫu không liên tục từ dữ liệu địa chấn đã xử lý. Sau đó, nhiều thuộc tính (tính đồng nhất, độ cong, biên độ, tần số, v.v.) đã được trích xuất làm đầu vào cho việc đào tạo mạng nơron đa lớp. Trong quá trình đào tạo, các kết quả đào tạo được theo dõi bằng sai số trung bình bình thường hóa (RMSE) và tỷ lệ phân loại sai. Các kết quả đào tạo cho thấy có xu hướng giảm trong suốt thời gian đào tạo. Đường cong phân loại sai ổn định ở mức 0,3 và đường cong RMSE bình thường hóa ổn định ở mức 0,68. Khi giá trị của đường cong RMSE bình thường hóa đạt giá trị tối thiểu, quá trình đào tạo được kết thúc, và các kết quả đào tạo được mở rộng ra toàn bộ khối dữ liệu để thu được khối thuộc tính cho việc phát hiện nứt đất thông minh. Các đặc điểm của các nứt mặt đất đã được phân tích và xác định từ các mặt cắt và lát cắt. Cuối cùng, tổng cộng có 11 nứt mặt đất đã được giải thích. Kết quả giải thích cho thấy góc nghiêng từ 60° đến 85°, độ lớn sai lệch từ 0 đến 43 mét và chiều dài kéo dài từ 300 đến 1.100 mét trong toàn bộ khu vực. Hướng của 73% các nứt mặt đất nhất quán với hướng của các cấu trúc kiến tạo vùng. Cụ thể, bốn nứt mặt đất trùng khớp với bề mặt được phát hiện, và tỷ lệ xác minh đạt 100%. Kết luận, thuộc tính phát hiện nứt mặt đất thông minh dựa trên khối điều khiển độ nghiêng là hiệu quả trong việc dự đoán sự phân bố không gian của các nứt mặt đất.
#nứt mặt đất #giải thích thông minh #dữ liệu địa chấn #mạng nơron #phân tích địa chất #kỹ thuật địa vật lý
Selective harmonic elimination for cascade modular multi-level inverters using GA and GWO algorithmsNowadays, the study of methods to control the inverter by applying optimization algorithms to eliminate selective harmonics (Selective Harmonic Elimination (SHE)) is attracting more and more attention of researchers. These studies are divided into two directions: evolutionary algorithms and swarm intelligence, in which genetic algorithm (GA) represents the group of evolutionary algorithms, and one solution recently appeared is the gray wolf algorithm (Grey Wolf Optimizer: GWO) which represents the group of swarm intelligence algorithms. When applied to the SHE problem for the inverter, these algorithms show positive results. However, there has not been an evaluation of both time and total harmonic distortion (THD) over the entire range of modulation index between the two methods GA and GWO when applied to multi-level inverters. Therefore, the article gives detailed evaluations in terms of time and harmonics of the above methods to see the advantages and limitations of each algorithm on each segment of the modulation ratio to the modular 11 -levels cascade inverter. Modular multi-levels cascade inverter is simulated by Matlab/Simulink software to verify GA and GWO control algorithms.
#– Bộ nghịch lưu đa bậc ghép tầng #kỹ thuật loại bỏ sóng hài chọn lọc (SHE) #giải thuật tối ưu bầy sói xám (GWO) #giải thuật gen di truyền (GA) #tổng độ méo dạng sóng hài (THD).
Phân tích các yếu tố ảnh hưởng trong bài toán tối ưu hóa vị trí và dung lượng thiết bị phục hồi điện áp động để cải thiện sụt áp ngắn hạn trong lưới phân phốiLựa chọn vị trí và công suất của thiết bị phục hồi điện áp động (DVR) nhằm cải thiện sụt giảm điện áp ngắn hạn do ngắn mạch (SANH) trong lưới phân phối là bài toàn tối ưu hóa đa mục tiêu với nhiều tham số ảnh hưởng đến kết quả tính toán. Trong khi xem xét đề xuất ứng dụng mô hình nguồn dòng Norton tương đương để mô tả DVR, bài báo này đồng thời phân tích các yếu tố chính ảnh hưởng đến kết quả tính toán, qua đó giúp các đơn vị điện lực có được những cân nhắc cần thiết khi ứng dụng DVR trong lưới phân phối điện. Bài toán tối ưu đa mục tiêu có xét đến chi phí đầu tư cho DVR và cực tiểu hóa tổng độ lệch của SANH toàn lưới. Bài báo sử dụng thuật toán di truyền (GA) giải bài toán tối ưu và ứng dụng cho lưới phân phối mẫu 16 nút.
#lưới phân phối #chất lượng điện áp #sụt giảm điện áp ngắn hạn #thiết bị phục hồi điện áp động - DVR #tối ưu hóa #giải thuật gen - GA
Lựa chọn vị trí và dung lượng của thiết bị D-Statcom nhằm khắc phục sụt giảm điện áp ngắn hạn trên lưới phân phối điện 16 nút sử dụng thuật toán di truyềnBài báo đề xuất một phương pháp mới nhằm lựa chọn vị trí và công suất của thiết bị D-Statcom trong lưới phân phối điện nhằm khắc phục hiện tượng sụt giảm điện áp ngắn hạn (SANH) do ngắn mạch. Việc lắp đặt D-Statcom được thực hiện trên quan điểm của bên cấp điện không chỉ để đảm bảo chất lượng điện năng (CLĐN) cho một phụ tải riêng lẽ mà cho phụ tải tại nhiều nút trên lưới điện. Lựa chọn tối ưu vị trí và công suất của D-Statcom được dựa trên cực tiểu hàm chi phí có xét đến đầu tư cho D-Statcom và chi phí phạt do SANH thông qua tổng độ lệch điện áp lưới. Mô phỏng tác dụng cải thiện SANH của D-Statcom được thực hiện nhờ phương pháp ma trận tổng trở nút. Bài báo sử dụng thuật toán di truyền giải bài toán tối ưu và ứng dụng cho lưới phân phối mẫu 16 nút. Bài toán cũng xem xét các trường hợp tổng trở ngắn mạch và vị trí ngắn mạch để thấy ảnh hưởng của các yếu tố này đến kết quả tối ưu hóa vị trí của D-Statcom.
#lưới phân phối #chất lượng điện áp #sụt giảm điện áp ngắn hạn #thiết bị điều hòa công suất D-Statcom #tối ưu hóa #giải thuật gen - GA
