菜单
  

    The  complexityof  MOEA  is  that  there  is  a  competitive  relationship  between  eachobjective  function,  that  is,  when  one  of  the  objective  functionsachieves  better  results  the  others  optimization  results  may  not  be realistic.  Therefore,  the  optimal  solution  is  often  not  the  only  one,but  a  set  of  optimal  solutions  which  do  not  have  mutually  domi-nated  relationship,  that  is,  the  non-dominated  front.  The  algorithmemploys  the  Pareto  (front)  which  is  used  to  calculate  the  fitness  ofeach  solution  (solutions  of  equal  rank  having  equal  fitness).This  paper  adopted  the  non-dominated-and-crowding  sortinggenetic  algorithm  II  (NSGA-II),  developed  by  Deb  [18].  This  algo-rithm  uses  a  specific  population  sorting  approach,  which  is  firstlybased  on  dominance,  and  then  on  a  crowding  distance  computedfor  each  inpidual.  Due  to  this  selection  process,  both  convergenceand  spreading  of  the  solution  front  are  ensured,  without  requiringthe  use  of  external  population.  NSGA-II  is  capable  of  maintainingthe  population  persity  and  avoid  the  loss  of  excellent  inpidualsat  small  computation,  and  there  is  no  need  to  set  some  parame-ters  of  algorithm  (such  as  the   share and   mate in  MOGA).  NSGA-IIis  recognized  as  one  of  the  most  efficient  MOEA.2.2.  Objective  of  fitness  function–back  propagation  neuralnetwork  combined  with  genetic  algorithmThere  are  many  factors  that  affect  building  energy  consump-tion. These  include  transparency  ratio  (%),  building  form  factor,orientation,  optical  and  thermo-physical  properties  of  the  materialsused  in  building  envelope  etc.  These  factors  have  nonlinear  cou-pling  impact  on  building  energy  consumption.  Therefore,  dynamiccomputing  is  the  main  energy  analysis  method  in  the  process  ofbuilding  efficiency  design.  Due  to  the  complexity  of  the  dynamiccomputing  process,  it  is  difficult  for  the  general  engineer  staff  tomaster  it.  In  general,  most  of  the  commercial  dynamic  modelingprograms  are  time-consuming,  especially  when  it  comes  to  provid-ing  the  results  annually.  Furthermore,  the  cost  of  these  programs  isprohibitive  for  small  research  establishments.  Therefore,  there  is  aneed  for  alternative  approaches  to  perform  this  task.  As  a  result,  thealternative  approaches  must  have  high  accuracy  and  computationalspeed  which  can  greatly  simplify  the  design  optimization  processand  reduce  design  optimization  time  in  building  energy  efficiency.The  recently  developed  technology,  artificial  neural  network  (ANN)could  offer  such  an  alternative  approach  [19].Therefore,  ANN  is  used  to  establish  the  multi-objective  pre-diction  model  and  the  Genetic  algorithm  for  optimizing  the  ANNis  used  to  improve  the  prediction  accuracy.  Dorsey  et  al.,  [20]designed  a  genetic  adaptive  neural  network  training  (GANNT)  algo-rithm  and  shown  that  the  GA  also  worked  well  for  optimizing  theANN.  The  GANNT  algorithm  is  different  from  other  genetic  searchalgorithms  because  it  uses  real  values  instead  of  binary  representa-tions  of  the  weights.  In  this  paper,  the  genetic  algorithm  is  adoptedfor  training  the  BP  network.  The  genetic  algorithm  is  utilized  tooptimize  the  BP  network’s  weight  or  threshold.  Fig.  1  illustrates  asimple  outline  of  the  GA  used  in  this  paper  [21].3.  The  multi-objective  optimization  model  in  buildingsustainable  design3.1.  The  multi-objective  optimization  model3.1.1.  Components  of  the  optimization  modelThe  components  of  the  optimization  model  are  presented  in  thefollowing  order:  variables,  constraints,  and  objective  functions.  Themodel  concentrates  on  building  conceptual  design  because  of  itsimportance  in  determining  the  performance  of  both  energy  con-sumption  and  of  indoor  thermal  comfort.  The  same  methodologycould  be  applied  later  to  a  large  scope  covering  other  building  sys-tems  such  as  heating,  ventilation,  and  air  conditioning  system.• Variables:  In  this  study,  the  buildings  are  limited  to  a  rectangularshape  with  a  known  total  floor  area. 
  1. 上一篇:Android应用程序英文文献和中文翻译
  2. 下一篇:液压缸泄漏诊断英文文献和中文翻译
  1. 兰州某大酒店空调设计+CAD图纸

  2. 新能源空调系统设计英文文献和中文翻译

  3. 机械设计制造及其自动化英文文献和中文翻译

  4. FPGA的全景拼接相机的优化...

  5. 海水淡化的优化设计英文文献和中文翻译

  6. 模拟退火技术来设计英文文献和中文翻译

  7. 超市空调系统英文文献和中文翻译

  8. 上市公司股权结构对经营绩效的影响研究

  9. 巴金《激流三部曲》高觉新的悲剧命运

  10. 现代简约美式风格在室内家装中的运用

  11. 高警觉工作人群的元情绪...

  12. 浅析中国古代宗法制度

  13. 中国传统元素在游戏角色...

  14. g-C3N4光催化剂的制备和光催化性能研究

  15. C++最短路径算法研究和程序设计

  16. NFC协议物理层的软件实现+文献综述

  17. 江苏省某高中学生体质现状的调查研究

  

About

优尔论文网手机版...

主页:http://www.youerw.com

关闭返回