Pareto Set Narrowing Based on Preference Sampling and Pairs of Criteria Processing for Turbogenerator Design Optimization

N. V. Korovkin; Коровкин Н. В.; V. I. Bekuzin; Бекузин В. И.; V. N. Zheleznyak; Железняк В. Н.

doi:10.31857/S0002331025020075

Pareto Set Narrowing Based on Preference Sampling and Pairs of Criteria Processing for Turbogenerator Design Optimization

Authors: Korovkin N.V.¹, Bekuzin V.I.², Zheleznyak V.N.²
Affiliations:
1. FGAOU VO “SPbPU”
2. JSC “Power Machines”
Issue: No 2 (2025)
Pages: 95-113
Section: Articles
URL: https://journal-vniispk.ru/0002-3310/article/view/293840
DOI: https://doi.org/10.31857/S0002331025020075
ID: 293840

Cite item

Full Text

Open Access
Restricted Access

Access granted
Restricted Access

Subscription Access

Abstract
About the authors
References
Supplementary files
Statistics

Abstract

The paper considers an approach to narrowing the Pareto set, which, in the authors’ opinion, is aimed at solving engineering problems related to the design of complex devices. The authors believe that this approach has a number of advantages over using fuzzy logic to narrow the Pareto set. For the effective use of the latter, it is necessary to develop a set of rules, the success of which will determine the degree of compression of the set. For different devices, the sets of these rules are also different, and the complex problem of narrowing the Pareto set is reduced to another (in our opinion, less complex) problem of developing the best rules. The approach considered in this paper, related to the analysis of pairs of criteria, does not require additional rules, seems to us less labor-intensive and meets the goal of the work – obtaining a high-quality design solution in minimal time.

Keywords

pareto set, objective function, optimization calculation, shock generator

References

Bramerdorfer G., Tapia J.A., Pyrhönen J.J., Cavagnino A. Modern Electrical Machine Design Optimization: Techniques, Trends, and Best Practices. – IEEE Transactions on Industrial Electronics. 2018. Vol. 65, No. 10. P. 7672–7684. doi: 10.1109/TIE.2018.2801805.
Duan Y., Harley R.G. A Novel Method for Multiobjective Design and Optimization of Three Phase Induction Machines. – IEEE Transactions on Industry Applications. 2011. Vol. 47, No. 4. P. 1707–1715. doi: 10.1109/TIA.2011.2156372.
Zheleznyak V.N., Burmistrov A.A., Korovkin N.V. Short-Circuit Turbine Generator Package: Functional and Operational Features. – 24th International Conference of Young Professionals in Electron Devices and Materials (EDM), EDM-2023. P. 990–994.
Копылов И.П. Проектирование электрических машин. М., Юрайт, 2011, 775 с.
Лютер Р.А. Расчет синхронных машин. Л., Энергия, Ленингр. отд-ние, 1979, 272 с.
Теоретические основы электротехники: В 3-х т. Учебник для вузов. Том 1. – 4-е изд. / К. С. Демирчян, Л. Р. Нейман, Н. В. Коровкин, В. Л. Чечурин. – СПб.: Питер, 2003. – 463 с.: ил.
Zhang L. An Efficient Modeling of Air Gap and Nonlinear Analysis of Magnetic Equivalent Circuit for Large Turbogenerators Under No-Load Condition. – IEEE Transactions on Magnetics. 2022. Vol. 58, No. 2. C. 1–8. Art no. 8202108. doi: 10.1109/TMAG.2021.3125141.
Kwon M.-S., Lim D.-K. A Study on the Optimal Design of PMa-SynRM for Electric Vehicles Combining Random Forest and Genetic Algorithm. – IEEE Access. 2023. Vol. 11. P. 52357–52369. doi: 10.1109/ACCESS.2023.3279126.
Zheleznyak V.N., Korovkin N.V. Analysis of Operating Conditions of Short-Circuit Turbogenerators. – 2023 Seminar on Industrial Electronic Devices and Systems (IEDS), Saint Petersburg, Russian Federation, 2023. С. 275–278.
Бутырин П.А., Алпатов М.Е. Цифровизация и аналитика в электротехнике. Электричество, 2021. № 10. С. 4–10.
Иерархическое моделирование систем энергетики / под ред. Н.И. Воропая, В.А. Стенникова. Новосибирск: Академическое изд-во “Гео”, 2020, 314 с.
Lee D., Kim J.-W., Lee C.-G., Jung S.-Y. Variable Mesh Adaptive Direct Search Algorithm Applied for Optimal Design of Electric Machines Based on FEA. – IEEE Transactions on Magnetics. 2011. Vol. 47, No. 10. P. 3232–3235. doi: 10.1109/TMAG.2011.2152380.
Stefek A. Benchmarking of heuristic optimization methods. – 14th International Conference on Mechatronics. MECHATRONIKA 2011. 2011. P. 68–71.
Bettinger P., Boston K., Sessions J. Simulated annealing. Encyclopedia of Ecology (Editors: S.E. Jorgensen, B.D. Fath). Elsevier, Oxford, UK. 2008. P. 3255–3261. doi: 10.1016/B978-008045405-4.00167-1.
Qiao D., Sun E. Research on parallel machine scheduling based on genetic neighborhood hybrid algorithm – 2019 2nd international conference on information systems and computer aided education (ICISCAE). 2019. P. 324–327.
Wolpert D.H., Macready W.G. Coevolutionary Free Lunches – IEEE Transactions on Evolutionary Computation. 2005. Vol. 9, No. 6. P. 721–735. doi: 10.1109/TEVC.2005.856205.
Климова О.Н. Сужение множества Парето на основе взаимозависимой информации с использованием нелинейных функций. – Экономика. Информатика. 2009. № 9 (64). С. 152–159.
Ногин В.Д., Климова О.Н. Учет взаимозависимой информации об относительной важности критериев в процессе принятия решений. – ЖВМиМФ. 2006. Т. 46, № 12. С. 2178–2190.
Ногин В.Д. Алгоритм сужения множества Парето на основе произвольного конечного набора “квантов” информации. – Искусственный интеллект и принятие решений, 2013. № 1. С. 63–69.
Shu T., Shang K., Gong C., Nan Y., Ishibuchi H. Learning Pareto Set for Multi-Objective Continuous Robot Control [Электронный ресурс]. URL: https://www.researchgate.net/publication/381770365_Learning_Pareto_Set_for_Multi-Objective_Continuous_Robot_Control (дата обращения 25.09.2024).
Yan J., Zhang T., Ma L., Pu W., Liu H. Deployment Optimization for Integrated Search and Tracking Tasks in Netted Radar System Based on Pareto Theory. – IEEE Transactions on Aerospace and Electronic Systems. 2024. Vol. 60, No. 3. C. 3664–3672. doi: 10.1109/TAES.2024.3367662.
Wang J., Zhang L., Zhang H., Peng F., El-Meligy M.A., Sharaf M., Fu Q. Multi-Objective Optimization Algorithm for Grouping Decision Variables Based on Extreme Point Pareto Frontier Computers. – Materials & Continua. 2024. Vol. 79, No. 1. C. 1281–1299. doi: 10.32604/cmc.2024.048495.
Богданова А.В., Ногин В.Д. Сужение множества Парето на основе простейших наборов нечеткой информации об относительной важности критериев. – Вестник СПбГУ. Серия 10. Прикладная математика. Информатика. Процессы управления. 2007. № 2. С. 3–17.
Захаров А.О. Сужение множества Парето на основе замкнутой информации о нечетком отношении предпочтения лица, принимающего решение – Вестник СПбГУ. Серия 10. Прикладная математика. Информатика. Процессы управления. 2012. № 3. С. 33–47.
Захаров А.О. Сужение множества Парето на основе замкнутой информации об отношении предпочтения ЛПР. – Вестник СПбГУ. Серия 10. Прикладная математика. Информатика. Процессы управления. 2009. № 4. С. 69–83.
Железняк В.Н., Коровкин Н.В. Повышение мощности ударных генераторов для обеспечения эксплуатационных режимов. – Электричество. 2022. № 11. С. 46–55.
Антонюк О.В., Арсеньев И.А., Кади-Оглы И.А., Сидельников А.В., Сидельников Б.В. Методика проектирования турбогенераторов с продольно-поперечным возбуждением, основанная на использовании магнитных схем замещения. – Электричество. 2013. № 7. С. 36–40.
Arjona M.A. Parameter calculation of a turbogenerator during an open-circuit transient excitation. – IEEE Transactions on Energy Conversion. 2004. Vol. 19, No. 1. C. 46–52. doi: 10.1109/TEC.2003.821838.
Савченко Е.В. Ток в демпферном контуре турбогенератора в режиме ударного возбуждения. – Электричество. 2017. № 12. С. 18–25.