Сравнение характеристик генетического алгоритма и метода координатного поиска для оптимизации температурного режима помещений

Abstract

В статье обосновывается актуальность исследований алгоритмов оптимизации как для решения различных прикладных задач, так и для науки об искусственном интеллекте в целом. Поясняется необходимость решения задач оптимизации теплогидравлических режимов зданий в рамках проекта «Умный город». В статье приводится математическая постановка задачи оптимизации температурного режима помещений с помощью регулируемых устройств, а также два метода решения поставленной задачи: метод покоординатного поиска и генетический алгоритм. Приводиться описание вышеназванных алгоритмов, включая используемый математический аппарат. Представлены результаты численного эксперимента для рассматриваемых методов оптимизации. В заключении сделан вывод о том, что генетический алгоритм показывает лучшие результаты оптимизации, чем метод покоординатного поиска, но имеет большую вычислительную стоимость. Подтверждена гипотеза о том, что для повышения эффективности решения рассматриваемого класса задач необходимо объединение генетического алгоритма и градиентных методов. The article substantiates the relevance of research optimization algorithms for solving various applied problems and for the artificial intelligence science. The necessity of solving the problems of optimizing the thermo-hydraulic buildings modes within the Smart City project is explained. The article presents a mathematical formulation of the optimization problem, as well as two methods for solving the present issue: the coordinates search method and the genetic algorithm. There is the description of the above algorithms, including the mathematical apparatus. The results of the experiment for mentioned optimization methods are presented. They include the chart of the function change by iterations and comparative table. In conclusion, it is concluded that the genetic algorithm shows better optimization results than the coordinates search method, but has a large computational cost. Confirmed the hypothesis that it is necessary to combine the genetic algorithm and the gradient method, which was put forward in a previous study (there is a reference).