.png){kind=icon}
返回
Learning Parameterizable Decoders with Cartesian Genetic Programming
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-07938-1_7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在智能电网的优化中，基于解码器的分布式算法用于处理不同能源资源的个体约束，是解决控制设备可扩展性和通用性的有前景的方法。基于机器学习的解码器可以捕捉运行能力，并在优化过程中作为确保候选解可行性的系统性手段。目前，解码器是基于为优化周期起始时间预测的特定初始状态的数据集进行训练的。因此，对于能源资源的任何新的初始运行状态，都需要训练一个新的解码器。本文探索了一种基于笛卡尔遗传编程的新方法，用于训练能够参数化不同初始状态的解码器。我们为热缓冲存储器具有不同充电状态的热电联产厂训练了解码器，并证明此类解码器可以在合理的训练时间内获得，并且在整个温度范围内具有足够好的性能。
Keyword:
Decoder
Cartesian Genetic Programming
Constraint Handling
Solution Repair
Predictive Scheduling
期刊
A
IF:
0
论文数:
39
被引数:
0
机构
引用论文
.png){kind=icon}
Ant colony optimization for feasible scheduling of step-controlled smart grid generation基于蚁群优化的可控步长智能电网发电可行调度
PREAI
分享收藏A distributed combinatorial optimisation heuristic for the scheduling of energy resources represented by self-interested agents一种用于由自利代理表示的能源资源调度的分布式组合优化启发式算法
PREAI
分享收藏
查看更多内容