ADAPTACJA METODY FUNKCJI KARY DO ALGORYTMU GENETYCZNEGO W PROCESIE PROJEKTOWANIA URZĄDZEŃ ELEKTROMAGNETYCZNYCH

Transkrypt

1 POZNAN UNIVERSITY OF TECHNOLOGY ACADEMIC JOURNALS No 96 Electrical Engineering 2018 DOI / Łukasz KNYPIŃSKI *, Krzysztof KOWALSKI *, Lech NOWAK * ADAPTACJA METODY FUNKCJI KARY DO ALGORYTMU GENETYCZNEGO W PROCESIE PROJEKTOWANIA URZĄDZEŃ ELEKTROMAGNETYCZNYCH W artykule przedstawiono sposób adaptaci metody funkci kary do algorytmu genetycznego. Rozwiązuąc zadanie optymalizaci przy wykorzystaniu algorytmu genetycznego, wartość przystosowania musi być dodatnia i podlega maksymalizaci. W przypadku uwzględnienia ograniczeń z wykorzystaniem funkci kary zewnętrzne, wartości kary mogą przekroczyć wartości pierwotne funkci celu. Do rozwiązania tego problemu wykorzystano transformacę sigmoidalną. Opracowano oprogramowanie komputerowe w środowisku programistycznym Delphi. Poprawność algorytmu i oprogramowania testowano rozwiązuąc dwa zadania optymalizaci z ograniczeniami. Przeprowadzono optymalizacę aktuatora elektromagnetycznego. Model matematyczny urządzenia zawiera równania pola elektromagnetycznego z uwzględnieniem nieliniowości materiałów ferromagnetycznych. Przedstawiono i omówiono wybrane wyniki obliczeń symulacynych. SŁOWA KLUCZOWE: optymalizaca z ograniczeniami, metoda funkci kary, transformaca sigmoidalna, algorytm genetyczny, aktuator elektromagnetyczny. 1. WPROWADZENIE Algorytmy genetyczne zaliczane są do grupy niedeterministycznych metod optymalizaci [9]. W algorytmach genetycznych optymalizaca realizowana est z wykorzystaniem mechanizmu ewoluci gatunków oraz doboru naturalnego. Podstawowym mechanizmem te metody est ciągłe przystosowywanie populaci do zmian otoczenia. Wewnątrz populaci, składaące się z osobników o zróżnicowanym przystosowaniu następue ciągła rywalizaca. Podobnie ak w środowisku naturalnym, osobniki silniesze, przetrwaą operacę reprodukci i staną się rodzicami w krzyżowaniu [13]. Algorytmy genetyczne wykorzystuą poęcia związane z genetyką i ewolucą gatunków [1]. W przypadku rozwiązywania zadań optymalizaci populaca osobników est zbiorem rozwiązań analizowanego zadania. * Politechnika Poznańska

2 10 Łukasz Knypiński, Krzysztof Kowalski, Lech Nowak W artykule przedstawiono metodę adaptaci funkci kary do algorytmu genetycznego. W przypadku uwzględnienia ograniczeń z wykorzystaniem funkci kary zewnętrzne dla osobników znaduących się daleko od obszaru dopuszczalnego w przestrzeni rozwiązywanego zadania wartość funkci kary może przekroczyć wartość pierwotne funkci celu [2]. To oznacza, że wartość zmodyfikowane funkci celu est uemna, zaś w algorytmie genetycznym przystosowanie, to est zmodyfikowana funkca celu musi być wielkością dodatnią [12]. Do rozwiązania tego problemu wykorzystano transformacę sigmoidalną. 2. SYNTEZA OBIEKTU TECHNICZNEGO. FORMUŁOWANIE ZADANIA OPTYMALIZACJI Proces syntezy obiektu, nazywany również proektowaniem, polega na wyznaczeniu zbioru s = [s 1, s 2, s n ] T parametrów określaących ego strukturę, które przy określonych wymuszeniach p z pozwalaą uzyskać zadane wartości parametrów funkconalnych p, przy czym zwykle wymaga się by: p p z lub p p z, 1,2,3,..., m (1) Tak zdefiniowane zadanie proektowe może mieć wiele rozwiązań, oznacza to, że istniee wiele wariantów obiektu różniących się parametrami struktury s, które spełniaą wymagania określone zależnościami (1). Zaproektowane warianty obiektu można porównywać między sobą i wybrać nabardzie korzystny pod względem wybranego kryterium, którym może być eden z parametrów p lub kombinaca kilku spośród tych parametrów [3, 4]. Proces syntezy nazywany est wówczas proektowaniem optymalnym lub krótko optymalizacą z ograniczeniami. W praktycznych przypadkach ograniczenia maą naczęście charakter nierównościowy. Zbiór wszystkich niezależnych zmiennych decyzynych s i, które w procesie proektowania są przedmiotem decyzi proektanta nazywamy zmiennymi decyzynymi. Zmienne te w sposób ednoznaczny określaą rozpatrywaną strukturę. Zmienne decyzyne bardzo często maą różniące się wartości, a nawet mogą być wyrażone w różnych ednostkach. Dlatego w numeryczne implementaci ich wartości powinny być unormowane, tzn. powinny być bezwymiarowe i mieć porównywalne wartości. Przyęto znormalizowane zmienne decyzyne w postaci: si simin xi, i 1,2,3,..., n (2) s s imax imin przy czym s imin, s imax przewidywane wartości dolnych i górnych granic przedzia- s s, s x 0,1. łów zmienności parametrów s i. Jeżeli to i min max i

3 Adaptaca funkci kary do algorytmu genetycznego 11 Kryterium optymalności est w procesie optymalizaci nazywane funkcą celu. Wartość funkci celu zależy od przyętego wektora zmiennych decyzynych x=[x 1, x 2,,x n ] T. Funkca celu f(x) est normowana następuąco: f ( x) k( x) k0 (3) przy czym: k(x) wartość kryterium optymalności, k 0 średnie przystosowanie osobników w procesie losowe inicaci pokolenia startowego [5]. Ograniczenia nierównościowe (1) naczęście są uwzględnione w procesie optymalizaci w następuące unormowane postaci [6]: x p g x 1 0; 1, 2, 3,..., m (4) p z przy czym współczynnik przymue wartość +1 lub -1, w zależności od tego czy wymaga się by p p z, czy też by p p z. Zadanie optymalizaci z ograniczeniami nierównościowymi polega na wyznaczeniu takiego wektora ˆx, że: f ( x) f( xˆ), x ˆD (5) xd przy czym D : g ( ) 0, 1,2,..., m x x est zbiorem rozwiązań dopuszczalnych. Oczywiście, te spośród parametrów funkconalnych p, które są uwzględnione w kryterium optymalności (funkci celu) muszą być wyłączone ze zbioru ograniczeń D. 3. KOMPROMISOWE FUNKCJE CELU Bardzo często w procesie optymalnego proektowania mamy do czynienia z koniecznością uwzględnienia kilku parametrów funkconalnych, które należy uwzględnić przy tworzeniu kryterium optymalności. Zmiany wartości zmiennych decyzynych x i mogą wpływać korzystnie na wszystkie kryteria, ednak w praktyce zmiany te bardzo często prowadzą do przeciwstawnych tendenci, to est do poprawy pewne grupy parametrów kryterialnych, przy ednoczesnym pogorszeniu innych kryteriów. Mówimy wówczas, że rozpatrywane kryteria są sprzeczne i trzeba szukać kompromisu. Zagadnienia te są przedmiotem tzw. optymalizaci wielokryterialne. W zagadnieniach optymalizaci wielokryterialne nie można wskazać ednoznacznie optymalnego wektora x. Rozwiązanie zadania optymalizaci wykreślane est w postaci frontu Pareto (zbioru kompromisów), to zbiór punktów równie dobrych pod względem analizowanych kryteriów oceny [7]. Gdyby przeprowadzić optymalizacę koleno względem każdego z przyętych kryteriów rozwiązania optymalne będą różniły się między sobą. Te rozwiązania stanowią wierzchołki

4 12 Łukasz Knypiński, Krzysztof Kowalski, Lech Nowak zbioru kompromisów wierzchołki zbioru Pareto. Osiągnięcie optimum względem wszystkich kryteriów f 1 (x), f 2 (x),, f m (x) nie est możliwe. Zbiór wierzchołów zbioru kompromisów est nazywany punktem utopinym [8]. Podstawowym zadaniem optymalizaci wielokryterialne est znalezienie zbioru kompromisów (frontu Pareto). Dalsze działania wymagaą interwenci proektanta (ego wiedzy, doświadczenia, intuici) zmierzaące do wyboru wariantu kompromisowo-optymalnego. Teoria optymalizaci wielokryterialne proponue strategie wspomagaące podęcie decyzi, np. algorytm wagowy lub algorytm min-max. Strategie te zazwycza prowadzą do skonstruowania kompromisowe funkci celu i przeprowadzenia optymalizaci ednokryterialne. W strategii wagowe należy napierw przekształcić kryteria cząstkowe f k tak, aby wszystkie były maksymalizowane lub minimalizowane. Następnie, wykorzystuąc kryteria cząstkowe, formułowana est addytywna lub multiplikatywna funkca kompromisowa: q 2 m f( x) 1f1( x) 2f2( x)... mfm( x ) lub f( x) f1 ( x) f2 ( x) f m ( x ) (6) przy czym: 1, 2,, m oraz q 1, q 2,, q m wagi z akimi uwzględniane są poszczególne kryteria cząstkowe. Jednak często na etapie wstępne optymalizaci urządzeń (szczególnie urządzeń o innowacynych rozwiązaniach konstrukcynych), które celem est rozpoznanie relaci pomiędzy parametrami opisuącymi strukturę obwodów elektromagnetycznych, a uzyskiwanymi parametrami funkconalnymi, dopuszczalne wartości tych parametrów nie są ednoznacznie określone. W takim przypadku wygodniesze est dołączenie tych dodatkowych parametrów, z odpowiednią wagą, do kompromisowe funkci celu w postaciach (6). Natomiast w procesie proektowania urządzenia przeznaczonego do określonego zadania, charakteryzuącego się określonymi właściwościami, funkcą celu może być eden z parametrów (kombinaca kilku parametrów), zaś pozostałe parametry tworzą zbiór ograniczeń nierównościowych. W takim przypadku z powodzeniem można stosować proponowaną metodę funkci kary przystosowaną do algorytmu genetycznego. 4. PRZYSTOSOWANIE METODY FUNKCJI KARY DO ALGORYTMU GENETYCZNEGO Metody funkci kary są stosowane do rozwiązywania zadań optymalizaci z ograniczeniami z wykorzystaniem metod deterministycznych. Konstruowana est zmodyfikowana funkca celu h(x) będąca sumą pierwotne funkci celu f(x) i składnika reprezentuącego karę Z(x) za wyście z obszaru dopuszczalnego, to est za niespełnienie któregokolwiek z przyętych ograniczeń nierównościowych. W miarę postępu procesu optymalizaci narasta waga z aką uwzględniana est kara. Zatem zadanie optymalizaci pierwotne funkci celu z ograniczeniami nie- q q q

5 Adaptaca funkci kary do algorytmu genetycznego 13 równościowymi est zastępowane ciągiem zadań optymalizaci bez ograniczeń (bezwarunkowe) funkci zmodyfikowane przy narastaące wadze z aką uwzględniana est kara. Jeżeli w procesie optymalizaci narzucanych est ograniczeń, = 1, 2,, m to zależność opisuącą karę w k-te iteraci wyrażamy w postaci: m k k 1 Z x r g x (7) w które współczynniki wagowe dotyczące poszczególnych ograniczeń, r k = a k wzrastaący w kolenych iteracach współczynnik wagi, przy czym a est liczbą rzeczywistą większą od 1. Zmodyfikowana, maksymalizowana funkca celu (z uwzględnieniem kary) przymue postać: h x f x Z x (8) 1dla g 1 przy czym: 0dlag 0 k k k x x W artykule wykazano (rozdz. 6), że w przypadku gdy wymaga się by p p z, to normowanie ograniczenia w postaci (4) może prowadzić do wadliwego działania algorytmu. Jeżeli bowiem parametr p est nawet o kilka rzędów mnieszy od wymagane wartości p z, to ograniczenie, a więc człon reprezentuący karę nigdy nie przekroczy edności. Jeżeli zatem wartość pierwotne funkci celu f(x) znacznie przewyższa karę, to est ona ignorowana i algorytm znadue maksimum bezwarunkowe, to est maksimum bez ograniczeń funkci f(x) rozdz. 6. Dlatego w celu rozwiązania tego problemu zaproponowano transformacę ograniczenia p p z do postaci 1/p z 1/p wtedy formuła (4) może być zapisana w postaci: g x p x p x p z 0 ; 1, 2, 3,..., m (9) w które w mianowniku występue parametr bieżący p (x) zamiast wartości wymagane p z. Kara za znaczące odstępstwo od wymagań może przy takim sposobie konstruowania ograniczenia osiągać dowolnie duże wartości. W algorytmie genetycznym z procedurą ruletki w operatorze reprodukci, przystosowanie musi być dodatnie. W k-te iteraci główne przystosowanie est reprezentowane przez zmodyfikowaną funkcę h k (x). W przypadku uwzględnienia ograniczeń z wykorzystaniem funkci kary dla osobników znaduących się daleko od obszaru dopuszczalnego w przestrzeni rozpatrywanego zadania, wartości kary Z k (x) mogą przekroczyć wartość pierwotne funkci celu f k (x). Bezpośrednie zastosowanie funkci kary do algorytmu genetycznego może prowadzić do błędów w działaniu programu. Cały proces generowania kolenych pokoleń

6 14 Łukasz Knypiński, Krzysztof Kowalski, Lech Nowak i żmudnego poprawiania stopnia przystosowania osobników w pokoleniu musi być po każde zmianie kary, to est po zmianie warunków zewnętrznych powtarzany od nowa. Autorzy zaproponowali modyfikacę metody funkci kary zewnętrzne w taki sposób by funkca zmodyfikowana reprezentuąca przystosowanie w algorytmie genetycznym miała zawsze wartość dodatnią. Karę zewnętrzną Z k (x) w proponowanym algorytmie wyraża się w ednostkach względnych, to est odnosząc ą do pierwotne funkci celu f k (x): z x Z x f x (10) k k( )/ k( ) Wtedy hk f 1 zk x x x. Jeżeli osobnik znaduę się w obszarze dopuszczalnym to z k (x) = 0, zatem h k (x) = f k (x). Natomiast, gdy xd to wyrażenie w nawiasie est mniesze od 1, ale musi być dodatnie. To oznacza, że unormowana kara z k (x) musi być mniesza od 1. Dlatego zaproponowano transformacę zkt kary za pomocą funkci sigmoidalne w postaci: s zk 1 e. Funkca zmodyfikowana ma wówczas postać: zk zk hk f x k 1 1 e x x x fk xe κx fkx (11) Bezwymiarowy współczynnik (x) reprezentue karę za niespełnienie ograniczeń; zmniesza pierwotną maksymalizowaną funkcę celu f k (x). Gdy kara z k (x) dąży do zera (to znaczy, że obiekt spełnia wszystkie ograniczenia), to współczynnik (x) rośnie do edności. Zaproponowana transformaca upodobnia algorytm z karą do algorytmu z kompromisową funkcą celu. 5. TESTY POPRAWNOŚCI ALGORYTMU Na podstawie przedstawionego algorytmu opracowano oprogramowanie do optymalizaci urządzeń elektromagnetycznych z wykorzystaniem algorytmu genetycznego. Poprawność oprogramowania testowano rozwiązuąc dwa zadania optymalizaci z ograniczeniami. W pierwszym przypadku poszukiwano maksimum funkci unimodalne (z ednym ekstremum):, f x x x x (12) przy uwzględnieniu ograniczenia nierównościowego: g x, x 3 x 3 x 4 0 (13) przy czym 1 x1 3, 2 x2 4. Wykresy funkci f1x1, x 2 i ograniczenia g1 x1, x 2 dla rozpatrywanych przedziałów zmienności zmiennych decyzynych przedstawiono na rysunku 1a.

7 Adaptaca funkci kary do algorytmu genetycznego 15 Rysunek 1b przedstawia wizualizacę punktu maksimum globalnego (punkt A) dla funkci f 1 (x 1, x 2 ) oraz maksimum warunkowego (punkt B). Maksimum globalne znadue się w punkcie o współrzędnych (2, 3). Natomiast maksimum warunkowe znadue się w punkcie (1,773, 2,772). a) b) Rys. 1. a) Wizualizaca funkci f 1 (x 1, x 2 ) oraz ograniczenia g 1 (x 1, x 2 ), b) Maksimum globalne i maksimum warunkowe Obliczenia optymalizacyne wykonano dla parametrów algorytmu genetycznego: liczba osobników w populaci N = 200 oraz wartość prawdopodobieństwa mutaci p m = 0,005. Przyęto wartość współczynnika kary a = 1,2. Ograniczenia unormowano według zależności (4). W tabeli 1 przedstawiono przebieg procesu optymalizaci dla wybranych pokoleń N g algorytmu genetycznego. Rozpatrywano tylko nalepszego osobnika w każdym pokoleniu. W ostatnie kolumnie wyszczególniono średnią wartość zmodyfikowane funkci celu dla całego pokolenia. Tabela 1. Przebieg procesu optymalizaci dla pierwszego zadania testowego. N g x 1 x 2 f 1k (x 1, x 2 ) g 1 (x 1, x 2 ) k (x 1, x 2 ) h 1k (x 1, x 2 ) h av 0 1,7078 2,7710 2, , ,0000 2, , ,8199 2,7038 2, , ,0000 2, , ,7344 2,7968 2, , ,0000 2, , ,7375 2,7969 2, , ,0000 2, , ,8428 2,7108 2, , ,0000 2, , ,8404 2,7130 2, , ,0000 2, , ,7740 2,7776 2, , ,9987 2, , ,7750 2,7759 2, , ,9995 2, , ,7745 2,7759 2, , ,0000 2, , ,7745 2,7760 2, , ,0000 2, , ,7745 2,7760 2, , ,0000 2, ,854885

8 16 Łukasz Knypiński, Krzysztof Kowalski, Lech Nowak W drugim przypadku maksymalizowano funkcę multimodalną, posiadaącą cztery ekstrema: f x, x 3 [0,1x x 1, 2 x 2,8 ] [0, 04x x 2,3 ( x 3, 7) ] (14) przy uwzględnieniu ograniczenia: g x, x x 3 x (15) Na rysunku 2 przedstawiono wizualizacę funkci f 2 (x 1, x 2 ) oraz ograniczenia g 2 (x 1, x 2 ) dla rozpatrywanych przedziałów zmienności zmiennych decyzynych. \ Rys. 2. Funkca f 2 (x 1, x 2 ) oraz ograniczenie g 2 (x 1, x 2 ) w przestrzeni zmiennych decyzynych Przebieg procesu optymalizaci dla drugiego zadania testowego ilustrue tabela 2. Tabela 2. Przebieg procesu optymalizaci funkci dla drugiego zadania testowego. N g x 1 x 2 f 2 (x 1, x 2 ) g 2 (x 1, x 2 ) k (x 1, x 2 ) h 2k (x 1, x 2 ) h av 0 1, , , , ,0000 2, , , , , , ,0000 2, , , , , , ,0000 2, , , , , , ,0000 2, , , , , , ,9999 2, , , , , , ,0000 2, , , , , , ,0000 2, , , , , , ,0000 2, , , , , , ,0000 2, , , , , , ,0000 2, , , , , , ,0000 2,

9 Adaptaca funkci kary do algorytmu genetycznego 17 Na podstawie uzyskanych wyników możemy stwierdzić, że algorytm optymalizaci z wzrastaącym współczynnikiem wagi r k poprawnie wyznaczył maksima warunkowe w obu analizowanych przypadkach. Na podstawie przeprowadzonych obliczeń symulacynych stwierdzono, że dla duże liczby osobników w populaci algorytm wyznacza rozwiązanie bliskie optymalnemu po około 3-4 pokoleniach. 6. OPTYMALIZACJA ATUATORA ELEKTROMAGNETYCZNEGO Przeprowadzono optymalizacę parametrów strukturalnych osiowosymetrycznego aktuatora elektromagnetycznego rys. 3. Model matematyczny aktuatora zawiera równania pola magnetycznego z uwzględnieniem nieliniowości materiałów ferromagnetycznych. Do wyznaczania rozkładów pola magnetycznego zastosowano metodę elementów skończonych. Wartość siły magnetyczne działaące na nur elektromagnesu wyznaczono na podstawie tensora naprężeń Maxwella. Jako kryterium optymalności przyęto masę aktuatora. W rozważaniach uwzględniono wyłącznie masę materiałów czynnych: masę miedzi uzwoenia oraz materiału ferromagnetycznego, z którego wykonany est magnetowód. Funkcę celu dla i-tego osobnika przyęto w postaci: i i f x m0 m x (16) w które: m i (x) masa materiałów czynnych i-tego osobnika (wariantu urządzenia), m 0 średnia masa populaci osobników po inicaci. Obliczenia cieplne są wykonywane z wykorzystaniem metody zastępczego schematu cieplnego. Na podstawie dopuszczalnego przyrostu temperatury uzwoenia, dla każdego wariantu urządzenia (to est dla każdego "osobnika") wyznaczana est wartość dopuszczalne gęstości prądu w uzwoeniu aktuatora. Strukturę aktuatora opisano przy pomocy trzech zmiennych decyzynych: s 1 =d średnica nura, s 2 =d/d oraz s 3 =H 0 /g 0 parametr określaący stosunek wymiarów okna uzwoenia. Zadanie optymalizaci polega na minimalizaci funkci celu przy uwzględnieniu ograniczenia nierównościowego dotyczącego wymagane siły F(x) F z. Podczas obliczeń przyęto, że przyrost temperatury est równy dop = 95C. Na podstawie wstępne analizy przy wykorzystaniu modelu o parametrach skupionych oraz wytycznych do proektowania tego typu Rys. 3. Struktura obwodu magnetycznego przetworników

10 18 Łukasz Knypiński, Krzysztof Kowalski, Lech Nowak oszacowano przedziały zmienności zmiennych decyzynych [10, 11]: s 1 (1,53,5), s 2 (1,32,3) oraz s 3 (2,57,5). Obliczenia optymalizacyne wykonano dla następuących parametrów algorytmu genetycznego: liczba osobników w populaci równa N = 400 osobników, prawdopodobieństwa mutaci p m = 0,005 oraz współczynnika kary a=1,2. Jako kryterium zakończenia obliczeń przyęto maksymalną wartość liczbę generaci równą 40. W poedyncze iteraci kary wykonywane było 5 pokoleń algorytmu genetycznego. W procesie optymalizaci ograniczenia unormowano według zaproponowane zależności (9). Przyęto wartość zadane siły F z 50 N. W tabeli 3 przedstawiono przebieg procesu optymalizaci. Dla wybranych pokoleń porównano wartości: zmiennych decyzynych, bezwymiarowego współczynnika k (x), wartość zmodyfikowane funkci celu, siły działaące na nur oraz masy elektromagnesu dla nalepszego osobnika w pokoleniu. Obliczenia optymalizacyne powtórzono dwudziestokrotnie dla losowych populaci startowych na dwóch różnych komputerach. W wyniku procesu optymalizaci otrzymano podobne warianty proektowanego urządzenia. Uzyskiwane wartości funkci celu są zbliżone, zaś wyznaczone wartości zmiennych decyzynych różnią się maksymalnie o 1 do 3%. Zaobserwowano, że zwiększanie liczby pokoleń algorytmu genetycznego nieznacznie poprawiało skuteczność algorytmu. W celu uzyskiwania powtarzalnych wyników należy zmodyfikować sposób naliczania kary w kolenych iteracach wynikaących z narastaące kary. W celu poprawy skuteczności algorytmu należy powtarzać obliczenia przy zawężonym zaproponować obszarze poszukiwań w otoczeniu optimum globalnego. Tabela 3. Przebieg procesu optymalizaci dla wybranych pokoleń. N g x 1 x 2 x 3 k (x) h k (x) F(x) m(x) 0 2, , , ,0000 1, , , , , , ,9832 1, , , , , , ,9998 1, , , , , , ,9998 1, , , , , , ,9998 1, , , , , , ,9996 1, , , , , , ,9998 1, , , , , , ,9999 1, , , , , , ,0000 1, , , , , , ,9999 1, , , , , , ,9999 1, , , , , , ,0000 1, , , , , , ,0000 1, , ,739586

11 Adaptaca funkci kary do algorytmu genetycznego 19 W tabeli 4 przedstawiono wynik procesu optymalizaci w przypadku normalizaci ograniczenia według niewłaściwe zasady opisane zależnością (4). Tabela 4. Wynik optymalizaci przy nieoprawne normalizaci ograniczenia. x 1 x 2 x 3 k (x) h k (x) F(x) m(x) 1, , , , , , , Stosuąc normalizacę ograniczenia F(x) F z według zależności (4) w wyniku procesu optymalizaci otrzymue się obiekt o minimalnych wymiarach i bardzo małe masie. W konsekwenci uzyskiwana est bardzo mała siła w optymalnym urządzeniu. Narzucone ograniczenie est ignorowane w procesie optymalizaci. 7. PODSUMOWANIE W pracy przedstawiono uniwersalny algorytm oraz oprogramowanie do optymalizaci obiektów technicznych. Poprawność działania algorytmu testowano wykorzystuąc dwie funkce analityczne. Dla każde funkci testowe rozważono funkcę ograniczenia. Uznano, że algorytm wyznaczył poprawnie maksima warunkowe w obu rozważanych przypadkach. Wykonano optymalizacę aktuatora elekromagnetycznego. Wykazano, że eżeli narzucone est ograniczenie p p z to niewłaściwe normowanie ograniczenia może prowadzić do niepoprawnego działania algorytmu. Jeżeli wartość pierwotne funkci celu znacznie przewyższa karę to est ona ignorowana i w wyniku procesu optymalizaci znadowane est maksimum bez ograniczeń. W dalszych pracach prowadzone będą badania nad automatyczną procedurą zawężania obszaru poszukiwań po wstępnym wyznaczeniu optimum globalnego. LITERATURA [1] Vasconcelos J. A., Ramirez J. A., Takahashi R. H. C., Saldanha R. R, Improvements in Genetic Algorithms, IEEE Transactions on Magnetics, vol 37, no. 5, pp , [2] Saha C., Das. S., Pal K., Mukheree S., A fuzzy rule-based penalty function approach for constrained evolutionary optimization, IEEE Transactions on Cybernetics, vol. 46, no. 12, pp , [3] Knypiński Ł., Nowak L., Demenko A, Optimization of the synchronous motor with hybrid permanent magnet excitation system, Compel, vol. 34, no. 2, pp , [4] Di Barba P., Mognaschi M. E., Venini P., Wiak S., Biogeography-inspired multiobective optimization for helping MEMS synthesis, Archives of Electrical Engineering, vol. 66, no. 3, pp , 2017.

12 20 Łukasz Knypiński, Krzysztof Kowalski, Lech Nowak [5] Łukaniszyn M., Kowol M., Kołodzie J., Modelowanie i optymalizaca silnika reluktancynego dwumodułowego, Przegląd Elektrotechniczny, Nr. 11, s , [6] Knypiński Ł., Nowak L., Optimization of the permanent magnet brushless DC motor employing finite element method, Compel, vol. 32, no. 4, pp , [7] Khorram E., Khaledian K., Khaledyan M., A numerical method for constructing the pareto front of multi-obective optimization problems, Journal of Computational and Applied Mathematics, vol. 261, pp , [8] Nguyen Tan Dzung, Application of multi-obective optimization by the utopian point method to determining the technological mode of gac oil extraction, International Journal of Chemical Engineering and Applications, vol. 3, no. 1, pp , [9] Knypiński Ł., Nowak L., Radziuk K., Kowalski K., Application of nondeterministic algorithms in the electromagnetic devices optimal design, Computer Applications in Electrical Engineering, pp , [10] Yahui Nie, Yinfei Du, Zhuo Xu, Optimization design of electromagnetic actuator applied as fast tool servo, Actuators, vol. 25, no. 6, pp. 1 16, [11] Elbaum J., Elektromagnesy przemysłowe, Wydawnictwo Nauowo-Techniczne, Warszawa [12] Pencheva T, Atanassov K., Shannon A., Modelling of a roulette wheel selection in genetic algorithms using generalized nets, BIOautomation, vol. 13, no. 4, pp , [13] Duy Dao S., Abhary K., Romero M., An improved genetic algorithm for multidimensional optimization of precedence-constrained production planning and scheduling, Journal of Industrial Engineering International, vol. 13, no 2, pp , ADAPTATION OF THE PENALTY FUNCTION METHOD TO GENETIC ALGORITHM IN THE PROCESS OF DESIGNING OF THE ELECTROMAGNETIC DEVICES In the paper the method of adaptation of the penalty function method to the genetic algorithm is presented. During solving the optimization task using the genetic algorithm, the adaptation value must be positive. In case of application of external penalty function, the penalty term may exceed the value of the primary obective function. The sigmoidal transformation was used to solve this problem. The computer software has been developed in the Delphi environment. The correctness of the algorithm and software was tested by solving two optimization problems with nonlinear constraints. Optimization of the electromagnetic actuator has been performed. The mathematical model of the devices contains equations of the electromagnetic field taking into account the nonlinearity of ferromagnetic materials. The selected results of the optimization were presented and discussed. (Received: , revised: )