Диссертация (1172883), страница 14
Текст из файла (страница 14)
На первомэтапе были оценены параметры Q и D целевой функции при использованиикаждого мероприятия по отдельности (таблица 3.8).– Список возможных мероприятий и параметров целевой функции Q и D при ихприменении№11234567Мероприятие2Уменьшить вероятность пребыванияобъекта на 20%Уменьшить степень заполнения на 15%8910111213Установить автоматическую установкуводяного (пенного) пожаротушения иливодяного орошения при отсутствии контроля заработоспособностью установки независимойорганизацией14151617181920Установить автоматическую установкупожарной сигнализацииОбъект3АЦQ4160,781ЖД цистерна160,779АЦЖД цистернаСепараторРГС 100РГС 50РГС 100(группа 2)АЦЖД цистернаСепараторРГС 100РГС 50РГС 100(группа 2)АЦЖД цистернаСепараторРГС 100РГС 50РГС 100(группа 2)16161616160,7790,7790,7790,7790,779160,77916161616160,7790,7790,7790,7790,779160,77916161617170,7880,7810,7900,8710,953170,974D595Продолжение таблицы 3.81221Установить автоматическую установку22пожаротушения или водяного орошения при23наличии контроля за работоспособностьюустановки независимой организации (вне24зависимости от типа установки25пожаротушения)262728293031Установить остальные типы автоматическихустановок пожаротушения при отсутствииконтроля за работоспособностью установкинезависимой организацией32333435Установить отбортовку 30 м23АЦЖД цистернаСепараторРГС 100РГС 50РГС 100(группа 2)АЦЖД цистернаСепараторРГС 100РГС 50РГС 100(группа 2)АЦЖД цистернаСепаратор4161616161650,7790,7790,7790,7790,779160,77916161616160,7790,7790,7790,7790,779160,7791616160,7790,7790,779На следующем этапе проводился поиск комбинаций мероприятий припомощи предложенной модели с целью её анализа и подбора наилучшихпараметров.Критериемостановкипоискаявляласьситуация,когдапредлагаемые мероприятия сходятся на 90 и более процентов.
После рядавычислительных экспериментов были определены следующие оптимальныенастройки генетического алгоритма:– вероятность скрещивания – 80%;– вероятность мутации – 30%.Для создания высокой вариативности комбинаций мероприятий былвыбран высокий процент скрещивания (90%) и мутации (30%).Мутация 30% особей была выбрана, так как при этом значенииувеличивается вариативность предлагаемых комбинаций мероприятий, что ведетк увеличению качества результатов работы алгоритма. Использованиепоказателя ниже 30% ведет к уменьшению вариативности рассматриваемыхкомбинаций и ухудшению качества результатов. При увеличении вариативноститак же наблюдается снижение качества алгоритма (рисунок 3.13).Среднее значение суммыпараметров Q и D9618,50Максимальноезначение целевойфункции 18,0017,5017,0016,5016,0015,501102030405060708090100Вероятность мутации, %– Зависимость среднего значения суммы параметров целевой функции Q и Dот вероятности мутацииВероятность скрещивания выбиралась из промежутка 50-90%, и былаопределена как 80% так как при этом значении наблюдалась наиболее большаявариативность предлагаемых решений (рисунок 3.14).Среднее значение суммыпараметров Q и D18,51817,517Максимальное значениецелевой функции , принаибольшей вариативостипредлагамеых комбинациймероприятий16,51615,5150102030405060708090100Вероятность скрещивания, %– Зависимость среднего значения суммы параметровцелевой функции Q и D от вероятности мутацииПосле проведения поиска комбинации мероприятий по управлениюпожарной безопасностью с использованием предложенной модели, определенсписок возможных комбинаций.
Из них была сформирована таблица со спискамисамых эффективных комбинаций при разном количестве мероприятий (таблица3.9).97– Ранжирование комбинаций мероприятий по снижению расчётных величин пожарных рисков при различном количестве решений в нихКоличество мероприятий1098765432Номера решений по табл. 37, 8, 1, 2, 15, 18, 19, 26, 27, 337, 8, 1, 2, 15, 18, 19, 26, 275, 1, 15, 17, 18, 19, 22, 247, 1, 2, 15, 18, 19, 265, 1, 15, 18, 19, 225, 16, 18, 20, 101, 15, 16, 195, 15, 167, 15Q181818181818181817D000000000,980П2,42X2,38X2,24X1,88X1,58X1,05X1,03X0,62X0,46XВремя выполнения подбора мероприятий составило чуть более 210 мин.Предложенная модель всегда находила комбинации мероприятий с высокимзначением целевой функции, хотя при подборе комбинаций возможны вариантыс большим количеством мероприятий, но низким значением целевой функции.Например, при комбинации мероприятий № 3, 4, 5, 6, 1, 16, 21, 24, 10, 11,параметры целевой функции равняются: Q = 16, D = 0,783, П = 3,2X.
Несмотря нато, что в таблице 3.9 при разном количестве мероприятий в комбинациипредставлен лишь один вариант набора мероприятий, программа можетвыводить множество альтернативных вариантов комбинаций с высокимзначением целевой функции при требуемом количестве мероприятий в однойкомбинации.Так как в классическом представлении генетических алгоритмовотсутствует возможность определения оптимального набора мероприятий приразном их количестве в пределах одной серии моделирования, необходимопроводить повторные моделирования для разного количества мероприятий внаборе, что ведет к увеличению времени моделирования и усложнению процессапринятия решений.Для увеличения скорости выполнения моделирования применен подходиспользуемый в адаптивной модели генетических алгоритмов, заключающийсяв случайном удалении одного мероприятия из набора в пределах одной серии98моделирования.
Критерием остановки поиска была выбрана ситуация, когда вкомбинации остается только одно мероприятиеПосле ряда экспериментов было выявлено, что вероятность удаления гена(мероприятия) из хромосомы (мероприятия из набора), при использованииадаптивной модели, значительно влияет на время моделирования, при этомкачество подобранных комбинаций до определённого момента не меняется(рисунок 3.15). Поэтому вероятность удаления гена (мероприятия) из хромосомы7018,560185017,5401730201016,5Максимальноезначение целевойфункции принаименьшем времени1615,50Значение суммы параметровQиDВремя подбора мероприятий, мин(набора мероприятий) была принята равной 75 %.1525507585Вероятность удаления гена, %Время подбора мероприятий, мин95Значение целевой функции– Зависимость времени подбора комбинаций мероприятий и суммы параметров целевой функции Q и D от вероятности удаления гена (мероприятия) из хромосомы (мероприятия из набора).На рисунке 3.16 отражены экспериментально полученные данные оботношении затрачиваемого времени на серию моделирований к количествурассматриваемых мероприятий в наборе при использовании классической иадаптивной модели генетических алгоритмовВремя моделирования, мин.99250200150100500123456789Количество мероприятийв комбинацииКлассическая модельАдаптивная модель10– Зависимость затрачиваемого времени на серию моделированийк количеству рассматриваемых мероприятий набореНа следующем рисунке (рисунок 3.17) отражено затраченное время поискаоптимального набора мероприятий для рассматриваемого проекта.Время моделирования, мин.250214 минут2001501005020 минут0Классическая модельАдаптивная модель– Затраченное время поиска оптимального набора мероприятийдля рассматриваемого проектаТаким образом, адаптивная модель показала значительное увеличениескорости подбора комбинации мероприятий по управлению пожарнойбезопасностью нефтегазовых объектов.1003.6.
Анализ алгоритма поиска расположения новой технологической установкина примере типовой газораспределительной станцииДля оценки эффективности использования разработанного алгоритма сиспользованием генетических алгоритмов, при решении задачи поискаоптимального расположения новой технологической установки на территориинефтегазового объекта с точки зрения безопасности, рассмотрена ситуация,заключающаяся в необходимости расположения одного дополнительногорезервуара РГС 50 на территории предприятия.Вычислительный эксперимент состоял из нескольких этапов.
На первомэтапе произведен поиск оптимального расположения новой технологическойустановки на территории нефтегазового объекта при помощи линейногоалгоритма поиска (рассмотрение каждого метра территории как возможногооптимума) (рисунок 3.18). Красным цветом отмечены зоны содержащиеоптимальные или близкие к оптимуму значения, глобальный оптимум помеченсиним маркером “Optimum”. Не смотря на точность линейного поиска, этоталгоритм требует большого количества времени и вычислительных ресурсов.Общее время выполнения моделирования составило 1 час 16 минут 36секунд.
Общее количество рассматриваемых точек на карте составило 71700.Необходимый объём оперативной памяти для выполнения экспериментасоставил 28,735 Мегабайт. Исходя из этого, можно сделать вывод, что внастоящее время выполнение линейных расчетов по поиску оптимальногорасположения нового технологического объекта с точностью 1 м являетсясложной задачей в виду большого значительного вычислительных ресурсов ивремени.101Оптимальное расположение нового РГС 100– Линейный поиск оптимального расположения нового РГС 50Следующимэтапомэкспериментаявлялсяпоископтимальногорасположения новой технологической установки при помощи разработанногоалгоритма.
Критерием остановки было определено ограниченное количествопопуляций. Так как количество рассматриваемых точек должно зависеть отразмера территории, количеством популяций являлась сумма ширины и длинытерритории. Размер популяции определялся суммой битов зашифрованныхстрок, умноженных на 2.Эксперимент № 1.Количество мутируемых особей – 20%, количество особей подвергаемыхскрещиванию – 50%. После проведения 10-ти экспериментов, были выявленыслучаи когда алгоритм “застревал” в локальных зонах и рассматривал ложныезоны как содержащие оптимум (рисунок 3.19). Причем, несмотря на большое102количество операций в локальных зонах, имели место случаи, когда оптимальноезначение в них так и не было найдено. Красным помечены зоны, в которыхалгоритм выполнял наибольшее количество операций.Зона содержащаялокальный оптимумЗона содержащаяглобальный оптимум– Поиск глобального оптимума генетическим алгоритмом в зонахс локальными оптимумамиЭксперимент № 2.Для охвата большего количества зон территории процент мутирующихособей был увеличен до 50%, а количество скрещивающихся особей до 90%.
Врезультате этого, в каждом из 10-ти экспериментов все зоны содержащиелокальные оптимумы были рассмотрены. Недостатком являлось периодическоечрезмерное количество операций производимых в зонах локальных оптимумов103и малое количество операций в других (рисунок 3.20), что может в некоторыхслучаях привести к определению локального оптимума как глобального.– Чрезмерное количество операций в зонах локальных оптимумовЭксперимент № 3.Для решения этой проблемы был использован метод “инцеста” описанныйво второй главе (рисунок 3.21). При использовании этого метода проблеманеравномерного количества операций в зонах содержащих локальные оптимумыбыла решена.104– Использование метода инцеста для поиска глобального оптимумаЭксперимент № 4.Так как при поиске локального оптимума при помощи линейногоалгоритма погрешность составляла 1 м, а при использовании генетическихалгоритмов эта погрешность составляет 5 м, то сравнивать скорость работы этихалгоритмов нельзя.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
