بهینه‌سازی ضرایب الگوریتم بهینه‌سازی ازدحام ذرات برای حل مساله توزیع بار اقتصادی جهت کاهش انتشار آلاینده‌های محیط‌زیست

مسائل زیست‌محیطی ناشی از انتشار آلاینده‌های تولید شده توسط نیروگاه‌های تولید انرژی‌الکتریکی با سوخت‌های فسیلی اخیرا به موضوعی با اهمیت تبدیل شده‌است. در این پژوهش، ضرایب الگوریتم بهینه‌سازی ازدحام ذرات(pso) برای حل مساله توزیع بار اقتصادی جهت کاهش انتشار آلاینده‌های محیط زیست بدست آمد. مطابق با روش کلرک ضریب یادگیری شخصی برابر با 4962/1 ، ضریب یادگیری کلی برابر با 4962/1 و ضریب اینرسی برابر با 73/0 بدست آمد. همچنین ضریب جریمه مطابق با الگوریتم بهینه‌سازی هم‌تکاملی ازدحام ذرات (cpso)، برابر با 8/15 بدست آمد. در نتیجه بهینه‌سازی ضرایب توسط روش تاگوچی نشان داد که مقدار بهینه ضریب یادگیری شخصی برابر با 5/1 ، ضریب یادگیری کلی برابر با 5/1، ضریب اینرسی برابر با 70/0 و ضریب جریمه برابر با 15 می‌باشد که در این حالت مقدار انتشار آلاینده‌ها نسبت به ضرایب تعیین شده توسط کلرک به میزان %5/6 و نسبت به ضرایب تعیین شده توسط الگوریتم بهینه‌سازی هم‌تکاملی، %2/1 کاهش یافت.

optimizing the coefficients of the particle swarm optimization algorithm to solve the problem of economic dispatching to reduce the emission of environmental pollutants

environmental issues due to the emission of pollutants produced by fossil fuel power plants have recently become an important issue. in this study, the coefficients of particle swarm optimization (pso) algorithm to solve the problem of economic dispatching to reduce the emission of environmental pollutants were obtained. according to clerk method, personal learning coefficient was equal to 1.4962, global learning coefficient was equal to 1.4962 and inertia coefficient was equal to 0.73. also, the penalty coefficient according to the co evolution particle swarm (cpso) optimization algorithm was 15.8. as a result, optimization of coefficients by taguchi method, it showed that the optimal value of personal learning coefficient is equal to 1.5, global learning coefficient is equal to 1.5, inertia coefficient is equal to 0.70 and penalty coefficient is equal to 15, in this case the amount emission of environmental pollutants were reduced by 6.5% compared to the coefficients determined by clerk and 1.2% compared to the coefficients determined by the co evolution particle swarm (cpso) optimization algorithm.