DE202023100249U1 - Ein System zum Finden und Optimieren eines Zeitplans für die Betriebszeiten von intelligenten Geräten - Google Patents

Abstract

Ein System zum Auffinden und Optimieren eines Zeitplans für die Betriebszeiten intelligenter Geräte, wobei das System Folgendes umfasst:
eine Erfassungseinheit für die Initialisierung von Parametern und Populationen des Multi-Verse-Optimierers (MVO), des Grey-Wolf-Optimierers (GWO) und des Power Scheduling Problems in Smart Home (PSPSH);
eine Vorverarbeitungseinheit zum Berechnen des Fitnesswertes, wobei jede Lösung in der Population auf der Grundlage der Zielfunktion bewertet wird, wodurch die schlechteste Hälfte der Lösungen bestimmt wird; und
eine zentrale Verarbeitungseinheit zum Verbessern der MVO-Leistung beim Finden des optimierten Zeitplans unter Verwendung des GWO und Sortieren der Lösungen in einem Vektor auf der Basis ihrer Fitnesswerte, wodurch die aktualisierten Lösungen bewertet und mit den alten Lösungen verglichen werden, um sie durch neue Lösungen zu ersetzen, wenn sie besser sind, wobei die Lösungen sortiert werden, nachdem der GWO die Operation beendet hat, und aktualisierte Lösungen an den MVO senden, wodurch der MVO jede Lösung unter Verwendung von Optimierungsphasen aktualisiert, wobei dieselbe Lösung einen Satz von Attributen von der besten Lösung zufällig erhält, die tief um die vielversprechenden Bereiche der optimierten Lösung im PSPSH-Suchraum unter Verwendung der Ausnutzungsphase suchen.

Description

• BEREICH DER ERFINDUNG
• Die vorliegende Offenbarung bezieht sich auf ein System zum Finden und Optimieren eines Zeitplans für die Betriebszeiten intelligenter Geräte. Das System verwendet einen verbesserten Multiverse Optimizer (MVO), der den Grey Wolf Optimizer (GWO) nutzt, um die Wirksamkeit und Genauigkeit des Systems zu verbessern.
• HINTERGRUND DER ERFINDUNG
• Mit dem Aufkommen des Smart-Grid-Ansatzes wird die Idee, alle Aspekte des Lebens intelligenter zu gestalten, zur Wahrheit. Der wichtigste Schlüssel für die Entstehung und den Erfolg des intelligenten Stromnetzes ist die bidirektionale Kommunikation zwischen den Energieversorgungsunternehmen und den Nutzern, die die Verteilungssysteme, die Kommunikationsgeschwindigkeit und die Qualität fördert. Durch die Verbesserung der Kommunikation können verschiedene vielversprechende Technologien, wie das Internet der Dinge (IoT), in das intelligente Netz integriert werden, um das Leben der Nutzer einfacher und besser zu machen. Das IoT ist ein Verbundsystem, das Objekte wie elektrische Geräte oder Apparate über das Internet und drahtlose Netze miteinander verbindet, um Daten zu übertragen und zu sammeln. Die IoT-Objekte können kommuniziert werden, um das Leben der Bevölkerung zu verbessern, indem sie ihre täglichen Aktivitäten und Geschäfte ohne menschliches Eingreifen verwalten.
• Obwohl die intelligenten Netze die Zufriedenheit der Nutzer durch die Nutzung des IoT verbessert haben, werden die intelligenten Netze in den kommenden Jahrzehnten wahrscheinlich mit einem Problem konfrontiert sein, das mit der Inflation der Energienachfrage zusammenhängt. Es wird erwartet, dass die Energienachfrage bis 2040 aufgrund des Bevölkerungswachstums um 56 % steigen wird. Dementsprechend werden die Nachfrage nach fossilen Brennstoffen zur Stromerzeugung und die Stromkosten erheblich steigen. Daher besteht die Bedeutung und der Nutzen dieser Forschung für die Energieversorgungsunternehmen darin, die Stromnachfrage während der Spitzenzeiten mit Hilfe von Motivationsprogrammen zu senken. Diese Anreizsysteme bieten dynamische Stromkosten, bei denen der Strom in Spitzenzeiten hoch und in anderen Zeiten niedrig ist. Diese Systeme werden in erster Linie bereitgestellt, um die Nutzer zu motivieren, den Betrieb der Haushaltsgeräte außerhalb der Spitzenzeiten zu verlagern und zu verschieben, wodurch die Inflationsnachfrage verringert und die Stabilität und Zuverlässigkeit des Stromsystems verbessert wird. Dieser Ansatz bietet den Nutzern Vorteile, indem sie ihre Stromrechnungen (EBs) mit Hilfe von Niedrigpreisplänen senken können. Das Problem der Neuplanung der Betriebszeit von Geräten unter Verwendung eines dynamischen Preisschemas in einem vordefinierten Zeithorizont ist als das Power Scheduling Problem in Smart Home (PSPSH) bekannt. Der Hauptzweck der Behandlung des PSPSH ist die Optimierung der EBs und des Energiebedarfs (PAR) unter Berücksichtigung der Nutzerzufriedenheit (UC). Die gebräuchlichsten dynamischen Preisschemata, die für PSPSH verwendet werden können, sind Echtzeitpreise, ansteigende Blocktarife, nutzungsabhängige Preise und Preisschemata für kritische Zeiträume.
• PSPSH wurde als NP-schweres Optimierungsproblem modelliert, um den besten Zeitplan aus allen möglichen Zeitplänen zu finden. PSPSH wurde mit verschiedenen Optimierungstechniken behandelt, z. B. mit exakten, heuristischen und metaheuristischen Verfahren, um den optimalen Zeitplan zu finden. Die Metaheuristiken sind aufgrund ihrer hohen Fähigkeit, Suchräume zu erforschen und auszunutzen, am beliebtesten bei der Behandlung von PSPSH, wo sie in zahlreichen Studien eingesetzt wurden. Die meisten der angepassten metaheuristischen Techniken für PSPSH haben jedoch aufgrund des Ungleichgewichts zwischen Erkundung (globale Suche) und Ausnutzung (lokale Suche) Nachteile bei der Erzielung optimaler/nahezu optimaler Zeitpläne. Daher haben sich die Wissenschaftler verstärkt für die Verbesserung der Leistung der Techniken interessiert, indem sie die Verfahren mit anderen Techniken modifiziert und hybridisiert haben, um das beste Gleichgewicht und die besten Zeitpläne zu erreichen.
• In mehreren Studien wurden verschiedene hybride metaheuristische Techniken vorgeschlagen, um die Leistung der ursprünglichen Methoden und die Qualität der Lösungen zu verbessern. Insbesondere die Wahl einer ausreichenden Kombination von Methodenkomponenten kann die Methoden so verbessern, dass sie bei der Bewältigung verschiedener Optimierungsprobleme ihre beste Leistung erzielen. Darüber hinaus zeigen die aktuellen Studien, dass es nicht trivial ist, zu verallgemeinern, wo ein bestimmtes Hybridverfahren für bestimmte Probleme verbessert werden kann, aber für andere Probleme erfolglos bleibt. Nichtsdestotrotz haben mehrere Hybridisierungsmethoden ihre erfolgreiche Leistung in vielen Anwendungsbereichen bewiesen. Es wurden mehrere hybride Optimierungsmethoden vorgeschlagen, um PSPSH anzugehen und seine Ziele effizient zu erreichen.
• In Anbetracht der vorangegangenen Diskussion wird deutlich, dass ein System zur Ermittlung und Optimierung eines Zeitplans für die Betriebszeiten von intelligenten Geräten benötigt wird.
• ZUSAMMENFASSUNG DER ERFINDUNG
• Die vorliegende Offenlegung zielt darauf ab, ein System zum Auffinden und Optimieren eines Zeitplans für die Betriebszeiten intelligenter Geräte bereitzustellen, indem PSPSH unter Verwendung einer neuen hybriden Methode namens MVOG effizient berücksichtigt wird. Die MVOG wird durch die Kombination von zwei der bekanntesten Optimierungsmethoden vorgeschlagen, dem Multiversen Optimierer (MVO) und dem Grauen Wolf Optimierer (GWO). Der Zweck der MVOG besteht darin, die Leistung der MVO zu verbessern, indem die schlechtesten Lösungen aktualisiert und bessere Zeitpläne mit Hilfe der GWO gefunden werden. PSPSH wird als Mehrzielproblem modelliert, um alle Ziele (d. h. EB, PAR und UC) in die Optimierungsprozesse einzubeziehen. Darüber hinaus wird die Kommunikation zwischen den Smart-Home-Komponenten unter Verwendung von IoT-Technologien entwickelt, um den Datenaustausch zu verbessern. Das MVOG wird anhand von sieben Verbrauchsszenarien untersucht. Die vorgeschlagene Hybridisierung wird auf andere vier Optimierungsmethoden angewandt, um ihre Leistung für verschiedene Methoden zu untersuchen. Die Leistung der vorgeschlagenen Methode wird anhand von drei verschiedenen Vergleichen bewertet, einschließlich der ursprünglichen Methoden, der Hybridmethoden und der modernsten Hybridmethoden. Die MVOG zeigt eine hohe Leistung bei der Bewältigung von PSPSH im Vergleich zu anderen Methoden.
• In einer Ausführungsform wird ein System zum Auffinden und Optimieren eines Zeitplans für die Betriebszeiten von intelligenten Geräten offenbart. Das System umfasst eine Erfassungseinheit zur Initialisierung von MVO-, GWO-, MVOG- und PSPSH-Parametern und Populationen.
• Das System umfasst ferner eine Vorverarbeitungseinheit zur Berechnung des Fitnesswertes, wobei jede Lösung in der Population auf der Grundlage der Zielfunktion bewertet wird, wodurch die schlechteste Hälfte der Lösungen bestimmt wird.
• Das System enthält ferner eine zentrale Verarbeitungseinheit zur Verbesserung der Leistung des MVO beim Finden des optimierten Zeitplans unter Verwendung des GWO und Sortieren der Lösungen in einem Vektor auf der Grundlage ihrer Fitnesswerte, wodurch die aktualisierten Lösungen bewertet und mit den alten Lösungen verglichen werden, um sie durch neue Lösungen zu ersetzen, falls sie besser sind, wobei die Lösungen sortiert werden, nachdem der GWO die Operation beendet hat, und aktualisierte Lösungen an den MVO senden, wodurch der MVO jede Lösung unter Verwendung von Optimierungsphasen aktualisiert, wobei dieselbe Lösung einen Satz von Attributen von der besten Lösung zufällig erhält, die tief um die vielversprechenden Bereiche der optimierten Lösung im PSPSH-Suchraum unter Verwendung der Ausnutzungsphase suchen.
• Ein Ziel der vorliegenden Offenbarung ist es, die Nachteile der MVO zu beheben und ihre Optimierungsleistung mit Hilfe der GWO-Suchmittel zu verbessern.
• Ein weiteres Ziel der vorliegenden Offenlegung ist es, die schlechtesten Lösungen/Pläne in der MVO-Population zu aktualisieren und zu verbessern und sie anschließend zur weiteren Verbesserung an den MVO zurückzuschicken.
• Ein weiteres Ziel der vorliegenden Offenlegung ist es, den Datenaustausch zwischen den Geräten und den Nutzern zu verbessern und den Komfort und das Leben der Nutzer zu verbessern, indem sie ihre Haushaltsgeräte aus der Ferne überwachen und steuern können.
• Ein weiteres Ziel der vorliegenden Erfindung ist es, ein schnelles und kosteneffizientes System zum Finden und Optimieren eines Zeitplans für die Betriebszeiten von intelligenten Geräten bereitzustellen.
• Zur weiteren Verdeutlichung der Vorteile und Merkmale der vorliegenden Offenbarung wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf bestimmte Ausführungsformen gegeben, die in den beigefügten Figuren dargestellt sind. Es wird davon ausgegangen, dass diese Figuren nur typische Ausführungsformen der Erfindung darstellen und daher nicht als Einschränkung des Umfangs der Erfindung zu betrachten sind. Die Erfindung wird mit zusätzlicher Spezifität und Detail mit den beigefügten Figuren beschrieben und erläutert werden.
• Figurenliste
• Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Offenbarung werden besser verstanden, wenn die folgende detaillierte Beschreibung mit Bezug auf die beigefügten Figuren gelesen wird, in denen gleiche Zeichen gleiche Teile in den Figuren darstellen, wobei:
• 1 zeigt ein Blockdiagramm eines Systems zum Auffinden und Optimieren eines Zeitplans für die Betriebszeiten von intelligenten Geräten gemäß einer Ausführungsform der vorliegenden Offenbarung.
• 2 zeigt eine Tabelle mit den Parametern des MVOG-Verfahrens gemäß einer Ausführungsform der vorliegenden Offenbarung.
• 3 zeigt eine Tabelle mit den Zeitparametern der SAs in Übereinstimmung mit einer Ausführungsform der vorliegenden Offenbarung.
• 4 zeigt eine Tabelle mit den NSA-Zeitparametern gemäß einer Ausführungsform der vorliegenden Offenbarung.
• 5 zeigt eine Vergleichstabelle zwischen MVO und MVOG in Bezug auf alle Ziele.
• Der Fachmann wird verstehen, dass die Elemente in den Figuren der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet wurden. Die Flussdiagramme veranschaulichen beispielsweise das Verfahren anhand der wichtigsten Schritte, um das Verständnis der Aspekte der vorliegenden Offenbarung zu verbessern. Darüber hinaus kann es sein, dass eine oder mehrere Komponenten der Vorrichtung in den Figuren durch herkömmliche Symbole dargestellt sind, und dass die Figuren nur die spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind, um die Figuren nicht mit Details zu überfrachten, die für Fachleute, die mit der vorliegenden Beschreibung vertraut sind, leicht erkennbar sind.
• DETAILLIERTE BESCHREIBUNG:
• Um das Verständnis der Erfindung zu fördern, wird nun auf die in den Figuren dargestellte Ausführungsform Bezug genommen und diese mit bestimmten Worten beschrieben. Es versteht sich jedoch von selbst, dass damit keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weitere Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Grundsätze der Erfindung in Betracht gezogen werden, wie sie einem Fachmann auf dem Gebiet der Erfindung normalerweise einfallen würden.
• Der Fachmann wird verstehen, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht einschränken sollen.
• Wenn in dieser Beschreibung von „einem Aspekt“, „einem anderen Aspekt“ oder ähnlichem die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Offenbarung enthalten ist. Daher können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen es aber nicht.
• Die Ausdrücke „umfasst“, „enthaltend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, so dass ein Verfahren oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte einschließt, sondern auch andere Schritte enthalten kann, die nicht ausdrücklich aufgeführt sind oder zu einem solchen Verfahren oder einer solchen Methode gehören. Ebenso schließen eine oder mehrere Vorrichtungen oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, die mit „umfasst...a“ eingeleitet werden, nicht ohne weitere Einschränkungen die Existenz anderer Vorrichtungen oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen oder anderer Komponenten oder zusätzlicher Vorrichtungen oder zusätzlicher Teilsysteme oder zusätzlicher Elemente oder zusätzlicher Strukturen oder zusätzlicher Komponenten aus.
• Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Fachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden wird. Das System, die Methoden und die Beispiele, die hier angegeben werden, dienen nur der Veranschaulichung und sind nicht als Einschränkung gedacht.
• Ausführungsformen der vorliegenden Offenbarung werden im Folgenden unter Bezugnahme auf die beigefügten Figuren im Detail beschrieben.
• In 1 ist ein Blockdiagramm eines Systems zum Finden und Optimieren eines Zeitplans für die Betriebszeiten intelligenter Geräte gemäß einer Ausführungsform der vorliegenden Offenbarung dargestellt.
• Das System 100 umfasst eine Erfassungseinheit 102 zur Initialisierung der Parameter MVO, WO), MVOG und PSPSH sowie der Population.
• In einer Ausführungsform ist eine Vorverarbeitungseinheit 104 mit der Erfassungseinheit 102 verbunden, um den Fitnesswert zu berechnen, wobei jede Lösung in der Population auf der Grundlage der Zielfunktion bewertet wird, wodurch die schlechteste Hälfte der Lösungen bestimmt wird.
• In einer Ausführungsform ist eine zentrale Verarbeitungseinheit mit der Vorverarbeitungseinheit 104 verbunden, um die Leistung des MVO bei der Suche nach dem optimierten Zeitplan unter Verwendung des GWO zu verbessern und die Lösungen in einem Vektor auf der Grundlage ihrer Fitnesswerte zu sortieren, wodurch die aktualisierten Lösungen bewertet und mit den alten Lösungen verglichen werden, um sie durch neue Lösungen zu ersetzen, wenn sie besser sind, wobei die Lösungen sortiert werden, nachdem der GWO die Operation beendet hat, und aktualisierte Lösungen an den MVO senden, wodurch der MVO jede Lösung unter Verwendung von Optimierungsphasen aktualisiert, wobei dieselbe Lösung einen Satz von Attributen von der besten Lösung zufällig erhält, die tief um die vielversprechenden Bereiche der optimierten Lösung im PSPSH-Suchraum unter Verwendung der Ausnutzungsphase suchen.
• In einer anderen Ausführungsform werden fünf Parameter für die Initialisierung von MVO, GWO und MVOG initialisiert, darunter die Populationsgröße (N), die maximale Iterationszahl (I) und Θ für MVO sowie die maximalen (ub) und minimalen (Ib) Suchbereiche für GWO-Lösungen, Neun Parameter werden vor Beginn der Suche initialisiert, darunter T, S, NS, Beginn der Betriebszeit (OTPs), Ende der Betriebszeit (OTPe), Länge des Betriebszyklus (LOC), PS, PNS und pc zur Initialisierung des PSPSH-Parameters.
• In einer anderen Ausführungsform werden die besten drei Lösungen für α-, β- und δ-Lösungen zugewiesen, und die schlechteste Hälfte der Lösungen (d. h. die zweite Hälfte des sortierten Vektors) wird vom GWO übernommen, um auf der Grundlage des GWO-Suchverhaltens aktualisiert und verbessert zu werden.
• In einer anderen Ausführungsform wird die MVO-Explorationsphase durch die weißen und schwarzen Löcher hervorgehoben, wobei die besseren Lösungen verwendet werden, um einige ihrer guten Eigenschaften mit den weniger guten Lösungen zu teilen.
• In einer anderen Ausführungsform wird bei jeder Iteration eine Zufallszahl (rand1) generiert und mit dem normalisierten Fitnesswert der aktuellen Lösung verglichen, wobei, wenn rand1 kleiner als der Fitnesswert ist, die Explorationsphase beginnt, wobei zunächst der Rouletterad-Mechanismus eine der besseren Lösungen als die aktuelle Lösung auswählt und dann die Entscheidungsvariablen der aktuellen Lösung aus der White-Hole-Lösung aktualisiert werden, um den PSPSH-Suchraum effizient zu erkunden und den durchschnittlichen Fitnesswert für die Population zu verbessern.
• In einer anderen Ausführungsform wird die ausgewählte Lösung als weißes Loch und die aktuelle Lösung als schwarzes Loch betrachtet.
• In einer anderen Ausführungsform wird bei jeder Iteration eine Zufallszahl (rand2) erzeugt und mit dem in der Ausnutzungsphase berechneten WEP-Wert verglichen, wobei, wenn rand2 kleiner als der WEP-Wert ist, die Ausnutzungsphase gestartet wird und eine weitere Zufallszahl (rand3) erzeugt und mit einer konstanten Zahl gleich 0.5 verglichen wird, wobei, wenn rand3 kleiner als die konstante Zahl ist, eine Fallzahl eins verwendet wird, um die Entscheidungsvariable der aktuellen Lösung von der besten Lösung zu ändern, oder eine Fallzahl zwei verwendet wird, um die Entscheidungsvariable der aktuellen Lösung von der besten Lösung zu ändern.
• In einer anderen Ausführungsform wird die Entscheidungsvariable der aktuellen Lösung unverändert gelassen, wenn die Zufallszahl größer oder gleich dem WEP ist, um die Zufälligkeit einzuschränken.
• Die Beschreibung der verwendeten Methoden, einschließlich MVO und GWO, wird jeweils illustriert.
• Multi Verse Optimizer (MVO):
• MVO ist eine neue metaheuristische Methode, die eine kosmologische Theorie, die sogenannte Multiversumstheorie, nachahmt, die besagt, dass mehrere Urknalle zur Entstehung mehrerer Universen geführt haben. Die wichtigsten Konzepte hinter der Multiversumstheorie sind Wurmlöcher, schwarze Löcher und weiße Löcher. Diese drei Konzepte werden in der MVO mathematisch modelliert, um den riesigen Suchraum zu erforschen und auszunutzen und eine optimale Lösung zu finden. Die Wurmlöcher nutzen den Suchraum aus, während der Hauptzweck der schwarzen und weißen Löcher darin besteht, den Suchraum zu erkunden. In der MVO wird eine Inflationsrate verwendet, um das Verhältnis von Wurmlöchern und schwarzen und weißen Löchern zu verwalten und auszubalancieren, um die Ausnutzung und Erkundung zu steuern. Während der Optimierung werden die Lösungen als Universen in der MVO definiert, und die Entscheidungsvariablen sind Objekte oder Komponenten, die innerhalb dieses Universums existieren. Die Wahrscheinlichkeit, sowohl weiße als auch schwarze Löcher zu finden, wird durch die Inflationsrate (d. h. die Zielfunktion) für jedes Universum bestimmt. In dieser Richtung können sich die Objekte von einer Lösung zu einer anderen durch einen Tunnel bewegen, der durch ein schwarzes und ein weißes Loch entsteht, oder von der besten Lösung zu einer anderen durch einen Tunnel, der durch Wurmlöcher entsteht. Die wichtigsten MVO-Regeln lauten wie folgt:
• Die hohe Inflationsrate stellt die höchste Wahrscheinlichkeit für ein weißes Loch im Universum dar.
• • Die niedrige Inflationsrate stellt die höchste Wahrscheinlichkeit für ein schwarzes Loch im Universum dar.
• • Die Universen mit einer hohen Inflationsrate werden die Objekte durch das Weiße Loch an Universen mit einer niedrigeren Inflationsrate senden, und die Universen mit einer niedrigeren Inflationsrate werden diese Objekte von Universen mit einer höheren Inflationsrate durch das Schwarze Loch empfangen.
• • Die Objekte können sich unabhängig von der Inflationsrate durch Wurmlöcher in Richtung des besten Universums bewegen.
• Der MVO verwendet den Mechanismus des Rouletterades, um ein Universum als weißes Loch auszuwählen. Die Formulierung dieses Verfahrens ist in Gleichung (1) zu finden $$pop=\left[\begin{array}{ccc}so{l}_1^1& so{l}_1^2& so{l}_1^N\\ so{l}_2^1& so{l}_2^2& so{l}_2^N\\ so{l}_c^1& so{l}_c^2& so{l}_c^N\end{array}\right]$$

  

  wobei die Menge der Universen durch Pop dargestellt wird, einer Bevölkerungsmatrix der Größe cxN. N steht für die Anzahl der Lösungsvorschläge, c für die Dimension der Lösung(en). In der Regel wird das Objekt b in der Lösung y wie folgt erzeugt: $$so{l}_y^b=l{b}_b+\text{rand}\left(\right)\%\left(\text{ubb}\right)+1){\forall }_{\text{y}}\in \left(\mathrm{1,2,...,}\text{N}\right)\wedge \forall \text{b}\in \left(\mathrm{1,2,...,}\text{c}\right)$$

  

  wobei [sol ] _y^(b) der Wert der Entscheidungsvariablen b in der Lösung y ist, Ibb die untere Grenze des Objekts b, ubb die obere Grenze des Objekts b und rand () eine Zufallsverteilungszahl im Bereich bedeutet. Bei jeder Iteration wird der Wert von [sol ]_y^(b ) in der Lösung, die das schwarze Loch hat, nach einer von zwei Möglichkeiten vergeben: I) der Wert bleibt gleich. II) der Wert wird durch bessere Lösungen mit Hilfe des Rouletterades geändert. Gleichung (3) veranschaulicht dieses Konzept. $$so{l}_y^b=\{\begin{array}{cc}so{l}_d^b& \text{ rand1}\left(\right)<\text{Norm}\left(\text{y}\right),\\ so{l}_y^b& \text{rand1}\left(\right)\ge \text{Norm}\left(\text{y}\right)\end{array}$$

  

  wobei rand1() eine Zufallsverteilungszahl im Bereich, $so{l}_y^b$

  

  den Wert der Entscheidungsvariablen b in Lösung d bezeichnet, der durch ein Rouletterad ausgewählt wird. Norm(y) bezeichnet die normierte Inflationsrate der Lösung y. Um die Ausnutzungsphase zu betonen, kann die Entscheidungsvariable b in Lösung y auch unabhängig von der Inflationsrate durch Wurmlöcher zur besten Lösung wandern. Es wird angenommen, dass die Wurmlöcher in der bisher besten Lösung existieren. Die Formulierung dieses Mechanismus ist in Gleichung (4) zu finden. $$so{l}_y^b=\{\begin{array}{cc}\{\begin{array}{c}{\text{best}}_{\text{sol}}+\text{TDR}\times \left(\left({\text{ub}}_{\text{b}}-{\text{lb}}_{\text{b}}\right)\times \text{rand4}\left(\right)+{\text{lb}}_{\text{b}}\right)\text{ rand3}\left(\right)<\mathrm{0.5,}\\ {\text{best}}_{\text{sol}}-\text{TDR}\times \left(\left({\text{ub}}_{\text{b}}-{\text{lb}}_{\text{b}}\right)\times \text{rand4}\left(\right)+{\text{lb}}_{\text{b}}\right)\text{ rand3}\left(\right)\ge 0.5\end{array}& \text{rand2}\left(\right)<\text{WEP}\\ so{l}_y^b& \text{rand}\left(\right)\ge \text{WEP}\end{array}$$

  

  wobei be st_sol die bisher beste Lösung bedeutet, rand2,3,4() eine Zufallsverteilungszahl im Bereich, die Rate der Traveling Distance (TDR), sowie die Wurmlochexistenz (WEP), beides sind Schlüsselkoeffizienten. Im Folgenden die Formel für diese Koeffizienten: $$TDR=1-\frac{curren{t}_y^{\frac{1}{ce}}}{ma{x}_y^{\frac{1}{ce}}}$$

  

  $$WEP=min+curren{t}_y\times \left(\frac{\text{max}-\text{min}}{{\text{max}}_{\text{y}}}\right)$$

  

  wobei current_y die aktuelle Iteration bezeichnet, die vordefinierten konstanten Werte sind max und min, max_y ist die maximale Anzahl der Iterationen, ce dient zur Kontrolle der Ausnutzung. Der Pseudocode von MVO ist implementiert.
• Grauer-Wolf-Optimierer (GWO)
• GWO ist eine metaheuristische Methode, die durch das Jagdverhalten und die soziale Führung des grauen Wolfs inspiriert ist. Bei GWO wird die Population in vier Kategorien unterteilt: α, β, δ und ω. Bei den ersten drei Kategorien handelt es sich um Leitwölfe, die jeweils die beste, die zweitbeste und die drittbeste Lösung darstellen. Die letzte Kategorie ist der Rest der Wölfe (d.h. Lösungen) in der Population. Um die globale Lösung zu finden, betrachtet das GWO diese Kategorien in Richtung vielversprechender Bereiche im Suchraum. Das Jagdverhalten besteht aus drei Hauptschritten, nämlich dem Einkreisen, Jagen und Angreifen der Beute.
• Einkreisen: Die Beute wird von den grauen Wölfen eingekreist. Der Umzingelungsmechanismus kann wie in Gleichung (7), (8) dargestellt modelliert werden. $$\overrightarrow{D}=\left|\overrightarrow{C}\times \overrightarrow{X_P}\left(t\right)-\overrightarrow{X}\left(t\right)\right|,$$

  

  $$\overrightarrow{X}\left(t+1\right)=\overrightarrow{X_P}\left(t\right)-\overrightarrow{A}\times \overrightarrow{D}$$

  
• Dabei steht $\overrightarrow{D}$

  

  für die Entfernung zwischen Beute und grauem Wolf, $\overrightarrow{X_P}$

  

  für die Position der Beute, $\overrightarrow{X}$

  

  für die Position des grauen Wolfs, $\overrightarrow{A}$

  

  und $\overrightarrow{C}$

  

  für die Koeffizientenvektoren. Diese beiden Vektoren werden durch Gleichung (9), (10) berechnet. $$\overrightarrow{A}=2\times \overrightarrow{\alpha }\times r^{\to }{}_1-\overrightarrow{\alpha }$$

  

  $$\overrightarrow{C}=2\times r^{\to }{}_1$$

  
• Dabei sind r₁ und r₂ Zufallsvektoren im Bereich [0,1], und Gleichung 11 reduziert die Elemente des Vektors a über Iterationen linear von 2 auf 0. $$\alpha =2-curren{t}_i\times \frac{2}{ma{x}_i}$$

  

  wobei currenti für die aktuelle Iteration und maxi für die maximale Anzahl der Iterationen steht.
• Jagen: Es wird angenommen, dass Alpha, Beta und Delta ein besseres Verständnis der Position der Beute haben, um das Jagdverhalten der Wölfe mathematisch zu modellieren. Infolgedessen sind die anderen Wölfe verpflichtet, die drei besten Lösungen Alpha, Beta und Delta unter Berücksichtigung ihrer Positionen zu verfolgen. Das Jagdverhalten ist in Gleichung 12, 13 und 14 definiert. $$\overrightarrow{D_{\alpha }}=\left|\overrightarrow{C_1}\times \overrightarrow{X_{\alpha }}-\overrightarrow{X}\right|,$$

  

  $$\overrightarrow{D_{\beta }}=\left|\overrightarrow{C_2}\times \overrightarrow{X_{\beta }}-\overrightarrow{X}\right|,$$

  

  $$\overrightarrow{D_{\delta }}=\left|\overrightarrow{C_3}\times \overrightarrow{X_{\beta }}-\overrightarrow{X}\right|,$$

  
• Gleichung 10 wird zur Berechnung von C1, C2 und C3 verwendet. $$\overrightarrow{X_1}=\overrightarrow{X_{\alpha }}-\overrightarrow{A_1}\times \overrightarrow{D_{\alpha }},$$

  

  $$\overrightarrow{X_2}=\overrightarrow{X_{\beta }}-\overrightarrow{A_2}\times \overrightarrow{D_{\beta }},$$

  

  $$\overrightarrow{X_3}=\overrightarrow{X_{\delta }}-\overrightarrow{A_3}\times \overrightarrow{D_{\delta }},$$

  
• Wenn A1, A2 und A3 auf die gleiche Weise wie in Gleichung 9 bestimmt werden, sind bei der aktuellen Iteration die ersten drei besten Lösungen $\overrightarrow{X_{\alpha }},\overrightarrow{X_{\beta }},$

  

  and $\overrightarrow{X_{\delta }}$

  

  in Gleichung 18 wird verwendet, um zu beschreiben $\overrightarrow{D_{\alpha }},\overrightarrow{D_{\beta }},and\overrightarrow{D_{\delta }},$

  

  $$\overrightarrow{X}\left(t+1\right)=\frac{\overrightarrow{X_1}+\overrightarrow{X_2}+\overrightarrow{X_3}}{3}$$

  
• • Angreifen: Wenn sich die Beute nicht mehr bewegt, ist der Jagdprozess beendet und der Wolf greift die Beute an. Dieser Schritt kann mathematisch erreicht werden, indem man die Erkundung und Ausbeutung mit dem Wert von a verwaltet, der linear über den Fluch der Iterationen abnimmt. Er wird in jeder Iteration so angepasst, dass er zwischen 2 und 0 liegt, wie in Gleichung 11 dargestellt. Die Hälfte der Iterationen ist der Erkundung gewidmet, die andere Hälfte der Iterationen ist der Ausbeutung gewidmet, wobei der Übergang fließend ist. Während dieses Schritts bewegen sich die Wölfe an eine beliebige Stelle zwischen ihrer aktuellen Position und der Position der Beute.
• Der Pseudocode von GWO ist implementiert. Innerhalb des Suchraums beginnt die Technik mit der zufälligen Erzeugung einer Anfangspopulation von Wölfen. Die Positionen der Wölfe werden mit Hilfe der Fitnessfunktion bewertet. Die folgenden Phasen werden so lange wiederholt, bis das Abbruchkriterium erfüllt ist. Außerdem ist die vorgegebene Anzahl von Iterationen das Abbruchkriterium (Maxiter). Es ist erwähnenswert, dass die drei ersten Wölfe mit den höchsten Finessen in jeder Iteration als Alpha, Beta und Delta betrachtet werden. Jeder Wolf aktualisiert dann seine Position in Bezug auf die vorherigen Schritte des Einkreisens, Jagens und Angreifens der Beute. Schließlich kann die beste Position des Alphas durch Wiederholung dieser Schritte gefunden werden.
• Die vorgeschlagene Methode für PSPSH
• Das vorgeschlagene MVOG wird beschrieben und für PSPSH angepasst. Der Hauptzweck der vorgeschlagenen MVOG besteht darin, die GWO zu nutzen, um die Nachteile der MVO zu beheben, einschließlich der geringen Gleichgewichtsfähigkeit zwischen Erkundungs- und Ausnutzungsphasen und der unzureichenden Leistung bei der Erkundung und Ausnutzung hochdimensionaler Suchräume. Die GWO wird aufgrund der hohen und robusten Leistung ihrer dynamischen Parameter verwendet, die Suchräume effizient erkunden und das Gleichgewicht zwischen Erkundung und Ausbeutung aufrechterhalten. Die primäre Aufgabe des GWO besteht darin, die schlechtesten Lösungen in der MVO-Population zu manipulieren und sie zu aktualisieren, um bessere Lösungen zu untersuchen. Das MVOG wird mit Hilfe von PSPSH untersucht und bewertet, da es einen tiefen, komplexen und robusten Suchraum für vier Ziele bietet. Die Anpassung des vorgeschlagenen MVOG an das PSPSH umfasst sechs Hauptschritte. Die sieben Schritte sind im Folgenden dargestellt.
• Schritt 1: Initialisierung der MVO-, GWO- und PSPSH-Parameter.
• In diesem Schritt werden die MVO-, GWO- und PSPSH-Parameter initialisiert. Für MVO und GWO sollten fünf Parameter initialisiert werden, darunter die Populationsgröße (N), die maximale Iterationszahl (I) und Θ für MVO und die maximalen (ub) und minimalen (Ib) Suchbereiche für GWO-Lösungen. Für PSPSH sollten neun Parameter vor Beginn der Suche initialisiert werden, darunter T, S, NS, OTPs, OTPe, LOC, PS, PNS und pc.
• Schritt 2: Initialisierung der Population.
• In diesem Schritt werden alle Lösungen der PSPSH mit Hilfe der MVO zufällig erzeugt. Die Lösungen sind als Vektoren der Länge m gegeben, d. h. der Anzahl der PSPS, die die PSPS zum Startzeitpunkt st enthalten. Die erzeugten Lösungen werden in einer Matrix gespeichert, die die Population darstellt (siehe Gleichung 19). $$\text{Bev}\ddot{\text{o}}\text{lkerung}=\left[\begin{array}{llll}s{t}_1^1\hfill & s{t}_2^1\hfill & \cdots \hfill & s{t}_m^1\hfill \\ s{t}_2^1\hfill & s{t}_2^2\hfill & \dots \hfill & s{t}_m^2\hfill \\ s{t}_1^N\hfill & s{t}_2^N\hfill & \dots \hfill & s{t}_m^N\hfill \end{array}\right]$$

  
• Wobei $s{t}_i^y$

  

  ist die Startzeit von SA i in Lösung y. N ist die Gesamtzahl der Lösungen.
• Schritt 3: Berechnung des Fitnesswerts.
• In diesem Schritt wird jede Lösung in der Population auf der Grundlage der vorgestellten Zielfunktion bewertet. Anschließend wird die schlechteste Hälfte der Lösungen ermittelt und zur weiteren Verbesserung an den GWO geschickt. Diese Lösungen werden als die GWO-Ausgangspopulation betrachtet, die im nächsten Schritt erläutert wird.
• Schritt 4: Betreiben des GWO.
• In diesem Schritt beginnt der GWO seine Arbeit, um die Leistung des MVO bei der Suche nach dem besten Zeitplan zu verbessern. Nach der Bewertung aller erzeugten Lösungen werden die Lösungen in einem Vektor auf der Grundlage ihrer Fitnesswerte sortiert. Wie bei GWO üblich, werden die besten drei Lösungen für α-, β- und δ-Lösungen zugewiesen. Anschließend wird die schlechteste Hälfte der Lösungen (d. h. die zweite Hälfte des sortierten Vektors) vom GWO übernommen und auf der Grundlage des GWO-Suchverhaltens aktualisiert und verbessert. Anschließend werden die aktualisierten Lösungen bewertet und mit den alten Lösungen verglichen. Die neuen Lösungen werden die alten ersetzen, wenn sie besser sind.
• Schritt 5: Aktualisierung der Population mithilfe des MVO.
• In diesem Schritt werden die Lösungen sortiert, nachdem der GWO seine Operation beendet und die aktualisierten Lösungen an den MVO gesendet hat. Danach aktualisiert der MVO jede Lösung durch die Nutzung seiner Optimierungsphasen. Die MVO-Explorationsphase wird durch die weißen und schwarzen Löcher hervorgehoben, in denen die besseren Lösungen verwendet werden, um einige ihrer guten Eigenschaften mit den weniger guten Lösungen zu teilen. Bei jeder Iteration wird eine Zufallszahl (rand1) erzeugt und mit dem normalisierten Fitnesswert der aktuellen Lösung verglichen. Wenn rand1 kleiner ist als der Fitnesswert, beginnt die Explorationsphase. Zunächst wählt der Rouletterad-Mechanismus eine der besseren Lösungen als die aktuelle Lösung aus. Die ausgewählte Lösung wird als weißes Loch betrachtet, die aktuelle Lösung als schwarzes Loch. Zweitens wird Gleichung 3 verwendet, um die Entscheidungsvariablen der aktuellen Lösung anhand der White-Hole-Lösung zu aktualisieren. Dieser Aktualisierungsmechanismus hilft dabei, den PSPSH-Suchraum effizient zu erkunden, um den durchschnittlichen Fitnesswert für die Population zu verbessern.
• Andererseits wird die Ausnutzungsphase durch die Wurmlöcher hervorgehoben, bei denen dieselbe Lösung zufällig einige gute Attribute von der besten Lösung erhalten kann, die tief in den vielversprechenden Bereichen der besten Lösung im PSPSH-Suchraum suchen. Bei jeder Iteration wird eine Zufallszahl (rand2) erzeugt und mit dem in Gleichung 6 berechneten WEP-Wert verglichen. Ist rand2 kleiner als der WEP-Wert, wird die Ausnutzungsphase eingeleitet. In dieser Phase wird eine weitere Zufallszahl (rand3) generiert und mit einer konstanten Zahl von 0,5 verglichen. Wenn rand3 kleiner als die konstante Zahl ist, wird Gleichung 4 Fall Nummer eins verwendet, um die Entscheidungsvariable der aktuellen Lösung von der besten Lösung zu unterscheiden. Andernfalls wird Gleichung 4 Fall Nummer zwei verwendet, um die Entscheidungsvariable der aktuellen Lösung von der besten Lösung zu unterscheiden. Es ist erwähnenswert, dass der TDR-Koeffizient in Gleichung 4 verwendet wird, um eine präzisere lokale Suche nach der besten Lösung zu ermöglichen. Um die Zufälligkeit zu begrenzen, wird die Entscheidungsvariable der aktuellen Lösung nicht geändert, wenn die Zufallszahl größer oder gleich dem WEP ist.
• Schritt 6: Überprüfung der Stopp-Bedingung
• Die Schritte 3, 4 und 5 werden wiederholt, bis die maximale Anzahl der Iterationen erreicht ist.
• Experimenteller Aufbau
• In diesem Abschnitt wird der Versuchsplan für die MVOG-Methode für PSPSH erörtert. Die vorgeschlagene Methode wird anhand von dreißig separaten Läufen getestet, um einen angemessenen Vergleich zu ermöglichen. Diese Anzahl wurde gewählt, um eine angemessene Prüfung der vorgeschlagenen Methode und einen nahezu fairen Vergleich aller konkurrierenden Techniken zu ermöglichen. Die Ergebnisse der vorgeschlagenen Methode werden anhand von sieben verschiedenen Szenarien getestet, um tiefere Einblicke zu erhalten. Darüber hinaus sind populationsbasierte Verfahren mit 1000 Iterationen geeignet, um das Verhalten des Verfahrens während der Suche im PSPSH-Suchraum zu untersuchen. Die Verfahrensparameter der vorgeschlagenen Methode sind in 2 dargestellt.
• In dieser Studie wird das Echtzeit-Preisschema verwendet und mit dem ansteigenden Blocktarif kombiniert. Die Tarife der Commonwealth Edison Company werden vom 1. Juni 2016 bis zum 7. Juni 2016 verwendet. Darüber hinaus wird der Lambda-Wert gemäß den Zwei-Block-Stromtarifen auf 1,543 und C auf 0.0333 gesetzt. Wie bereits erwähnt, werden Smart Home-Geräte in zwei Kategorien unterteilt: NSAs und SAs. Die und zeigen und beschreiben die in den einzelnen Szenarien verwendeten NSA und SAs.
• Die vorgeschlagene Methode berücksichtigt vier Ziele bei der Lösung des PSPSH-Problems. Jedes Ziel hat einen Gewichtungsparameter. In dieser Studie werden die Gewichtungsparameter (d.h. w₁, w₂, w₃ und w₄) nicht als adaptive Parameter, sondern nach ihrer Bedeutung bestimmt. Die Experimente wurden in der Programmiersprache MATLAB V 8.3.0.532 kodiert und auf dem Betriebssystem Linux ausgeführt. Die Versuchsergebnisse werden in den folgenden Unterabschnitten detailliert zusammengefasst.
• Experimentelle Auswertung:
• Die Auswirkungen von MVOG auf alle PSPSH-Ziele, einschließlich EB, PAR und UC, werden untersucht und mit MVO verglichen, um zu zeigen, ob die Berücksichtigung von MVOG einen besseren Zeitplan als MVO für PSPSH liefern kann.
• Bewertung nach der ursprünglichen Methode:
• Die von MVO und MVOG erzielten EB, PAR und UC für die sieben Szenarien sind in Tabelle 1 dargestellt. Die durchschnittlichen EB, PAR, WTR und CPR werden mit der MVO auf 56.47311, 2.341988, 0.020703 und 0.395248 reduziert, während die MVOG das Thema 54.9656, 2.260307, 0.000869 bzw. 0.401099 reduziert. Die MVOG zeigt eine bessere Verbesserung für die UC-Ebene, wo sie die UC auf 79.9016% verbessert, während die MVO sie auf 79.20245% verbessert. Man beachte, dass die MVOG die MVO bei der Reduzierung von EB, PAR, WTR und UC in fast allen Szenarien übertrifft, während die MVO nur bei der Reduzierung von CPR besser abschneidet. Diese Ergebnisse belegen die signifikante Leistung des vorgeschlagenen hybriden Ansatzes bei der Verbesserung der MVO.
• Die Figuren und die vorangehende Beschreibung geben Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. So kann beispielsweise die Reihenfolge der hier beschriebenen Prozesse geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Flussdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden; auch müssen nicht unbedingt alle Aktionen durchgeführt werden. Auch können die Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt. Zahlreiche Variationen sind möglich, unabhängig davon, ob sie in der Beschreibung explizit aufgeführt sind oder nicht, wie z. B. Unterschiede in der Struktur, den Abmessungen und der Verwendung von Materialien. Der Umfang der Ausführungsformen ist mindestens so groß wie in den folgenden Ansprüchen angegeben.
• Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf bestimmte Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und Komponenten, die dazu führen können, dass ein Vorteil, ein Nutzen oder eine Lösung auftritt oder ausgeprägter wird, sind jedoch nicht als kritisches, erforderliches oder wesentliches Merkmal oder Komponente eines oder aller Ansprüche zu verstehen.
• Bezugszeichenliste

100

Ein System zum Auffinden und Optimieren eines Zeitplans für den Betrieb Zeiten

102

Erfassungseinheit

104

Vorverarbeitungseinheit

106

Zentrale Verarbeitungseinheit

Claims (8)

1. Ein System zum Auffinden und Optimieren eines Zeitplans für die Betriebszeiten intelligenter Geräte, wobei das System Folgendes umfasst: eine Erfassungseinheit für die Initialisierung von Parametern und Populationen des Multi-Verse-Optimierers (MVO), des Grey-Wolf-Optimierers (GWO) und des Power Scheduling Problems in Smart Home (PSPSH); eine Vorverarbeitungseinheit zum Berechnen des Fitnesswertes, wobei jede Lösung in der Population auf der Grundlage der Zielfunktion bewertet wird, wodurch die schlechteste Hälfte der Lösungen bestimmt wird; und eine zentrale Verarbeitungseinheit zum Verbessern der MVO-Leistung beim Finden des optimierten Zeitplans unter Verwendung des GWO und Sortieren der Lösungen in einem Vektor auf der Basis ihrer Fitnesswerte, wodurch die aktualisierten Lösungen bewertet und mit den alten Lösungen verglichen werden, um sie durch neue Lösungen zu ersetzen, wenn sie besser sind, wobei die Lösungen sortiert werden, nachdem der GWO die Operation beendet hat, und aktualisierte Lösungen an den MVO senden, wodurch der MVO jede Lösung unter Verwendung von Optimierungsphasen aktualisiert, wobei dieselbe Lösung einen Satz von Attributen von der besten Lösung zufällig erhält, die tief um die vielversprechenden Bereiche der optimierten Lösung im PSPSH-Suchraum unter Verwendung der Ausnutzungsphase suchen.
2. System nach Anspruch 1, wobei fünf Parameter für die Initialisierung von MVO und GWO initialisiert werden, einschließlich der Populationsgröße (N), der maximalen Iterationszahl (I) und Θ für MVO und der maximalen (ub) und minimalen (Ib) Suchbereiche für GWO-Lösungen, Neun Parameter werden vor Beginn der Suche initialisiert, darunter T, S, NS, Beginn der Betriebszeit (OTPs), Ende der Betriebszeit (OTPe), Länge des Betriebszyklus (LOC), PS, PNS und pc zur Initialisierung des PSPSH-Parameters.
3. System nach Anspruch 1, wobei die besten drei Lösungen für α-, β- und δ-Lösungen zugewiesen werden und die schlechteste Hälfte der Lösungen (d. h. die zweite Hälfte des sortierten Vektors) vom GWO zur Aktualisierung und Verbesserung auf der Grundlage des GWO-Suchverhaltens verwendet wird.
4. System nach Anspruch 1, wobei die MVO-Explorationsphase durch die weißen und schwarzen Löcher hervorgehoben wird, in denen die besseren Lösungen verwendet werden, um einige ihrer guten Eigenschaften mit den weniger guten Lösungen zu teilen.
5. System nach Anspruch 2 und 4, wobei eine Zufallszahl (rand1) erzeugt und bei jeder Iteration mit dem normalisierten Fitnesswert der aktuellen Lösung verglichen wird, wobei, wenn rand1 kleiner als der Fitnesswert ist, die Explorationsphase Operationen beginnt, wobei anfänglich der Rouletterad-Mechanismus eine der besseren Lösungen als die aktuelle Lösung auswählt, dann die Entscheidungsvariablen der aktuellen Lösung aus der White-Hole-Lösung aktualisiert werden, um den PSPSH-Suchraum effizient zu erkunden, um den durchschnittlichen Fitnesswert für die Population zu verbessern.
6. System nach Anspruch 5, wobei die ausgewählte Lösung als weißes Loch und die aktuelle Lösung als schwarzes Loch betrachtet wird.
7. System nach Anspruch 1, wobei bei jeder Iteration eine Zufallszahl (rand2) erzeugt und mit dem in der Ausnutzungsphase berechneten WEP-Wert verglichen wird, wobei, wenn rand2 kleiner als der WEP-Wert ist, die Ausnutzungsphase gestartet wird und eine weitere Zufallszahl (rand3) erzeugt und mit einer konstanten Zahl gleich 0.5 verglichen wird, wobei, wenn rand3 kleiner als die konstante Zahl ist, eine Fallzahl eins verwendet wird, um die Entscheidungsvariable der aktuellen Lösung von der besten Lösung zu ändern, oder eine Fallzahl zwei verwendet wird, um die Entscheidungsvariable der aktuellen Lösung von der besten Lösung zu ändern.
8. System nach Anspruch 1, wobei die Entscheidungsvariable der aktuellen Lösung unverändert gelassen wird, wenn die Zufallszahl größer oder gleich dem WEP ist, um die Zufälligkeit einzuschränken

Images