solving the constrained economic load distribution problem: combination of gray wolf optimizer and colonial competitive algorithm
تقترح هذه الدراسة خوارزمية مُحسّن الذئب الرمادي التنافسي الاستعماري (CCGWO)، وهي خوارزمية هجينة تدمج مبادئ التطور الاجتماعي والسياسي للتغلب على قيود الأمثلة المحلية وحل مشكلات توزيع الأحمال الاقتصادية المقيدة بفعالية عبر مختلف أنظمة الطاقة.
المؤلفون الأصليون:Roqia Rateb, Maytham N Meqdad, Taybeh Salehnia
في كل مرة تضاء فيها مدينة، أو يشتغل فيها مصنع، أو تستمر فيها المستشفيات في تشغيل معداتها الحيوية، تكون هناك عملية توازن هائلة وغير مرئية تحدث في الخفاء. فشبكات الطاقة ليست مجرد مفاتيح بسيطة للتشغيل والإيقاف؛ بل هي شبكات معقدة حيث يجب توليد الكهرباء في اللحظة ذاتها التي تشتد فيها الحاجة إليها. فإذا تم إنتاج طاقة زائدة عن الحاجة، يصبح النظام غير مستقر؛ وإذا أُنتجت طاقة أقل من المطلوب، فإن الأضواء تومض وتتوقف الآلات عن العمل. ويتمثل التحدي الذي يواجه المهندسين في تحديد أي محطات الطاقة يجب أن تعمل وبأي كثافة لتلبية الطلب بأقل تكلفة ممكنة. ولا يقتصر الأمر على مجرد تشغيل أرخص مولد، لأن لكل آلة حدوداً؛ فبعضها لا يمكنه البدء أو التوقف فوراً، وبعضها لديه "مناطق محظورة" لا يمكنها العمل فيها بأمان، كما أن الوقود الذي تحرقه لا يكلف نفس القدر عند كل مستوى من مستويات الإنتاج. إن إيجاد المزيج المثالي من الإعدادات لمئات المولدات في آن واحد هو لغز رياضي شديد التعقيد لدرجة أن طرق الحساب التقليدية غالباً ما تتعثر فيه، عاجزة عن إيجاد الحل الأمثل الحقيقي.
في دراسة حديثة، تصدى باحثون لهذا اللغز الصعب عبر ابتكار طريقة جديدة للبحث عن أفضل إجابة. فقد ركزوا على مشكلة تُعرف باسم "التوزيع الاقتصادي للأحمال"، وهو المصطلح التقني لجدولة توليد الطاقة لتقليل تكاليف الوقود مع احترام جميع القواعد الفيزيائية للشبكة. ولحل هذه المشكلة، طوروا خوارزمية حاسوبية مستوحاة من السلوك الاجتماعي للذئاب الرمادية. ففي الطبيعة، تصطاد الذئاب الرمادية في قطعان ذات تسلسل هرمي واضح: يقود المجموعة "ألفا" (القائد)، يدعمه ذئاب "بيتا" و"دلتا"، بينما تتبع بقية القطيع القائد. وقد أخذ الباحثون هذا النموذج الطبيعي وأضافوا إليه طبقة من المنافسة؛ فبدلاً من وجود قطيع واحد يبحث عن أفضل حل، قاموا بتقسيم ذئابهم الافتراضية إلى عدة مجموعات متميزة. ثم تنافست هذه المجموعات ضد بعضها البعض، تماماً مثل القبائل أو الأمم المتنافسة على الموارد. وكانت المجموعات الأقوى تنمو من خلال استيعاب أضعف أعضاء المجموعات الخاسرة، بينما كانت المجموعات الأضعف تختفي في النهاية. هذا النهج "التنافسي الاستعماري" أجبر الخوارزمية على استكشاف العديد من الاحتمالات المختلفة في وقت واحد، مما منعها من العلوق في فخ محلي حيث تعتقد أنها وجدت أفضل إجابة بينما يوجد في الواقع حل أفضل.
اختبر الفريق هذه الطريقة الجديدة، التي أطلقوا عليها اسم "محسن الذئب الرمادي التنافسي الاستعماري"، على أربعة سيناريوهات مختلفة لشبكات الطاقة، تتراوح من أنظمة صغيرة تضم ستة مولدات إلى شبكات ضخمة تضم 140 مولداً. لقد قاموا بمحاكاة عملية البحث عن أرخص طريقة لتشغيل هذه الشبكات، مع مراعاة التعقيدات الواقعية مثل خسائر النقل، حيث تُفقد الطاقة على شكل حرارة أثناء انتقالها عبر الأسلاك، والخصائص الفريدة لصمامات البخار التي تجعل تكاليف الوقود تقفز بشكل غير متوقع. وفي كل اختبار، تفوقت طريقتهم الجديدة على خوارزمية الذئب الرمادي القياسية والتقنيات المتقدمة الأخرى المستخدمة حالياً في هذا المجال. وبالنسبة للنظام الأكبر، والذي تضمن 140 مولداً وطلباً قدره 49,342 ميجاواط، وجدت طريقتهم حلاً بتكلفة تقارب 1,657,960 دولاراً في الساعة، وهو رقم أقل من أي طريقة أخرى قارنوها بها. والأهم من ذلك، كانت النتائج متسقة للغاية؛ فعندما أجروا المحاكاة خمس وعشرين مرة، تباينت التكلفة بأقل من عُشر في المئة، مما يظهر أن الطريقة موثوقة ولا تعتمد على الحظ.
يكمن نجاح هذا النهج في كيفية إدارته للبحث عن الحل. فمن خلال تقسيم السكان إلى مجموعات متنافسة، تضمن الخوارزمية استكشاف أجزاء مختلفة من مساحة البحث في وقت واحد، مما يحافظ على تنوع البحث ويمنع الاستقرار المبكر. ويعمل العنصر التنافسي كمرشح، حيث يستبعد باستمرار الحلول الضعيفة ويعزز أفضلها، مع السماو في الوقت نفسه للأعضاء الأضعف في المجموعات الفائزة بالمساهمة بخبراتهم الفريدة في البحث. ويسمح هذا التوازن للنظام بالتحرك بسرعة نحو أفضل إجابة دون تجاوزها. وقد وجد الباحثون أن هذه الطريقة تعمل بشكل جيد بشكل خاص للأنظمة الكبيرة والمعقدة حيث يكون عدد التوليفات الممكنة فلكياً. إن عملهم يثبت أنه من خلال محاكاة الديناميكيات الاجتماعية للطبيعة — وتحديداً الطريقة التي تتنافس وتتطور بها المجموعات — يمكن للمهندسين إنشاء أدوات أكثر ذكاءً لإدارة البنية التحتية للطاقة في العالم، مما يضمن تقديم الكهرباء بكفاءة وتكلفة معقولة.
ملخص تقني: حل مشكلة توزيع الأحمال الاقتصادية المقيدة عبر خوارزمية تحسين الذئب الرمادي التنافسية الاستعمارية (CCGWO)
بيان المشكلة تتناول الورقة البحثية مشكلة توزيع الأحمال الاقتصادية (ELD)، وهي تحدٍ استراتيجي في تشغيل أنظمة الطاقة. يتمثل الهدف في جدولة مخرجات الطاقة للوحدات الحرارية لتوليد الطاقة لتقليل إجمالي تكاليف الوقود مع تلبية مجموعة معقدة من القيود. وتشمل هذه القيود حدود قدرة المولد، وتوازن القدرة (الطلب على الحمل بالإضافة إلى خسائر النقل)، وقيود معدل الصعود (ramp rate limits)، ومناطق التشغيل المحظورة (POZ)، والطبيعة غير المنتظمة وغير المحدبة لدوال تكلفة الوقود الناتجة عن تأثيرات نقطة الصمام (VPE). ويشير المؤلفون إلى أن الطرق التقليدية القائمة على التدرج (gradient-based methods) تعاني أمام هذه الخصائص غير القابلة للتفاضل وغير المحدبة، مما يستدعي استخدام الخوارزميات الميتاهيورستية (metaheuristic algorithms). ومع ذلك، فإن العديد من الخوارزميات الميتاهورستية الحالية تعاني غالباً من التقارب المبكر، أو الوقوع في القيم المثلى المحلية، أو الفشل في الحفاظ على التوازن بين الاستكشاف (البحث العالمي) والاستغلال (التحسين المحلي) في الأنظمة واسعة النطاق وعالية الأبعاد.
المنهجية: خوارزمية تحسين الذئب الرمادي التنافسية الاستعمارية (CCGWO) يقترح المؤلفون نسخة محسنة من خوارزمية تحسين الذئب الرمادي (GWO)، تسمى خوارزمية تحسين الذئب الرمادي التنافسية الاستعمارية (CCGWO). يدمج هذا النهج مبادئ نمذجة التطور الاجتماعي والسياسي في إطار عمل GWO القياسي لمعالجة أوجه قصوره. تتضمن المنهجية ثلاث آليات رئيسية:
تجميع السكان وهيكل القادة المتعددين: على عكس GWO القياسية، التي تعتمد على مجموعة واحدة من قادة ألفا (alpha)، وبيتا (beta)، ودلتا (delta) لجميع السكان، تقوم CCGWO بتقسيم السكان الأولي إلى مجموعات متميزة متعددة. تحتفظ كل مجموعة بقادة ألفا وبيتا ودلتا محليين خاصين بها. يخلق هذا الهيكل "مراكز جذب" متعددة داخل فضاء البحث، مما يحافظ على تنوع السكان ويمنع القطيع بأكمله من التقارب بسرعة كبيرة نحو منطقة واحدة.
آلية محسنة لتحديث الموقع: تقوم الخوارزمية بتعديل معادلة تحديث الموقع لتشمل "أفضل موقع شخصي" (Xm,best) لكل فرد، وليس فقط القادة الثلاثة الأوائل. يتم حساب الموقع الجديد لذئب ما كمتوسط مرجح لمواقع ذئاب ألفا وبيتا ودلتا الخاصة بمجموعته، مضافاً إليه مساهمة صغيرة (معامل 0.05) من متوسط أفضل المواقع الشخصية لذئاب أوميغا (omega) في تلك المجموعة. يسمح هذا للأفراد الأضعف بالتأثير على اتجاه البحث، مما يعزز قدرة الخوارزمية على الهروب من القيم المثلى المحلية.
التنافس الاستعماري: تم إدخال آلية تنافسية بين المجموعات. يتم حساب "قوة" كل مجموعة بناءً على مجموع مرجح لقيم دالة الهدف لقادتها وأعضائها. في كل تكرار، تقوم المجموعة الأقوى باستيعاب العضو الأضعف من المجموعة الأضعف. إذا فقدت مجموعة ما جميع أعضائها، يتم إلغاؤها، ويتم نقل ذئب ألفا الخاص بها إلى المجموعة الأقوى. يضمن هذا التنافس الديناميكي تركيز الموارد الحسابية على المناطق الواعدة مع ضخ التنوع باستمرار في المجموعات الرائدة.
المساهمات الرئيسية تحدد الورقة أربع مساهمات رئيسية:
تطوير الخوارزمية: تصميم CCGWO، وهي امتداد جديد لـ GWO يعتمد على نمذجة التطور الاجتماعي والسياسي.
تعزيز الأداء: إثبات أن عامل التنافس الاستعماري يحسن سرعة التقارب، وقدرات الاستكشاف، والاستغلال مقارنة بـ GWO التقليدية.
كفاءة البحث: تقديم عامل تحديث محسن يستخدم بفعالية المواقع المثلى التاريخية لجميع أعضاء السكان، مما يزيد من قوة البحث المحلي.
التطبيق القوي: التطبيق الناجح لـ CCGWO لحل مشكلات ELD غير المحدبة وغير الخطية عبر مختلف أنظمة الطاقة مع قيود متنوعة، بما في ذلك مناطق التشغيل المحظورة (POZ)، وتأثيرات نقطة الصمام (VPE)، ومعدلات الصعود، وخسائر النقل.
النتائج التجريبية تم التحقق من فعالية CCGWO من خلال عمليات محاكاة على أربعة أنظمة اختبار قياسية: أنظمة مكونة من 6 وحدات، و15 وحدة، و110 وحدات، و140 وحدة مولدات. درست الدراسة سيناريوهات قيود مختلفة، بما في ذلك الحالات التي تحتوي على قيود معدل الصعود ومناطق التشغيل المحظورة أو بدونها.
جودة الحل: حققت CCGSO باستمرار أدنى تكاليف وقود دنيا عبر جميع أنظمة الاختبار مقارنة بـ GWO القياسية، وCGWO (التي تعمل بمجموعات تعاونية متعددة)، والعديد من الخوارزميات المتطورة الأخرى (مثل RDPSO، BFO، CSA، IJaya، ORCCRO). على سبيل المثال، في نظام الـ 140 وحدة، حققت CCGWO حداً أدنى للتكلفة قدره 1,657,960.0099 دولار/ساعة، متفوقة على GWO القياسية (1,678,808.5745 دولار/ساعة) والطرق التنافسية الأخرى.
الاستقرار والمتانة: أظهر التحليل الإحصائي عبر 25 تشغيلاً مستقلاً أن CCGWO سجلت أدنى انحراف معياري في جميع الحالات، مما يشير إلى موثوقية وقابلية تكرار عالية. كانت الانحرافات المعيارية أقل بكثير من الخوارزميات المنافسة (على سبيل المثال، 0.0037 لنظام الـ 6 وحدات مقابل 2.2828 لـ RDPSO).
سلوك التقارب: أظهرت منحنيات التقارب أن CCGWO تصل إلى مستويات التكلفة المثلى بشكل أسرع وبمسارات أكثر سلاسة من GSO القياسية. تتجنب الخوارزمية التذبذبات والركود الذي يظهر غالباً في الطرق الأخرى، لا سيما في الأنظمة واسعة النطاق.
الأهمية الإحصائية: أكدت اختبارات ويلكوكسون (Wilcoxon signed-rank tests) غير المعلمية أن تحسينات الأداء لـ CCGWO مقارنة بأفضل الخوارزميات المنافسة كانت ذات دلالة إحصائية (p-values < 0.05) لجميع أنظمة الاختبار.
الأهمية والادعاءات تدعي الورقة أن CCGWO توفر حلاً قوياً وفعالاً لمشكلات ELD المعقدة والمقيدة. تكمن أهمية العمل في قدرته على سد الفجوة بين الاستكشاف والاستغلال التي غالباً ما تعاني منها الخوارزميات القائمة على الأسراب. ومن خلال إدخال التنافس المهيكل والاستفادة من الذاكرة الجماعية لجميع السكان (وليس القادة فقط)، تنجح CCGWO بفعالية في التخفيف من خطر التقارب المبكر في مساحات البحث عالية الأبعاد وغير المنتظمة.
يؤكد المؤلفون أن الأداء المتفوق لـ CCGWO ليس ناتجاً عن مكون واحد جديد فحسب، بل هو نتيجة للجمع التآزري بين النمذجة الاجتماعية والسياسية، وديناميكيات المجموعات المتعددة، وعوامل التحديث المحسنة. ويخلصون إلى أن CCGWO تعد أداة قوية وفعالة لتحسين أنظمة الطاقة في العالم الحقيقي، قادرة على التعامل مع القيود المعقدة للشبكات الكهربائية الحديثة مع تقديم توفير فائق في التكاليف واستقرار تشغيلي. وتضع الورقة CCGWO كتقدم كبير في مجال التحسين الهندسي، مما يجعلها مناسبة للتطوير المستقبلي في مجالات هندسية معقدة أخرى.