Optimization of working process parameters of marine engines based on the method of multicriteria optimization

Abstract

Статья посвящена вопросу энергосбережения и сокращения выбросов энергетическими установками в судоходной отрасли. В процессе исследования рассмотрены особенности реализации подхода к оптимизации параметров рабочего процесса судовых двигателей на основе эволюционных методов многоцелевой оптимизации. Этот метод, несмотря на номинальное сходство с подходами на основе весов, фактически может быть классифицирован как модифицированный подход субъективного компромисса, который расширяет концепцию от би-объективной до многообъективной. При необходимости он также может быть расширен таким образом, чтобы принимать входные параметры нейронной сети в виде лингвистических термов, которые впоследствии могут быть преобразованы в весовые интервалы. Отдельное внимание уделено построению и обучению нейронной сети радиального базиса. В статье проанализированы недостатки градиентного алгоритма обучения нейронной сети RBF, который базируется на минимизации целевой функции ошибки сети. Для преодоления недостатков градиентного алгоритма обучения RBF предложено использовать эволюционный алгоритм, который позволяет реализовать самообучение на основе закона биологической эволюции, в конечном итоге сходясь к наиболее адаптивной группе для получения оптимального решения или наиболее удовлетворительного решения. This article addresses the issue of energy conservation and emissions reduction by marine power plants. The research explores the implementation of an approach to optimize the parameters of ship engines using evolutionary multi-objective optimization methods. Despite its nominal similarity to weight-based approaches, this method can be classified as a modified approach to subjective compromise, which extends the concept from bi-objective to multi-objective optimization. When necessary, it can also be extended to take input parameters of a neural network in the form of linguistic terms that can subsequently be transformed into weight intervals. Special attention is given to the construction and training of a radial basis function (RBF) neural network. The article analyzes the shortcomings of the gradient-based training algorithm for RBF neural networks, which is based on minimizing the network's error objective function. To overcome these shortcomings, the use of an evolutionary algorithm is proposed, allowing self-learning based on the principles of biological evolution, ultimately converging towards the most adaptive group to obtain the optimal or most satisfactory solution.