CFBPSO sebagai Solusi Economic Dispatch pada Sistem Kelistrikan 500 kv Jawa-Bali

Transkripsi

1 JNTETI, Vol., No., November CFBPSO sebagai Solusi Economic Dispatch pada Sistem Kelistrian V JawaBali Sabhan Kanata AbstractThe most substantial component of the operating cost of thermal generation is fuel costs. The problem of how to minimize the cost of fuel to determine the combination of the output power of each generating unit with the fulfillment of load constraint systems and limit the ability of each generating unit nown as economic dispatch (ED). In this study, the proposed method Modified Improved Particle Swarm Optimization (MIPSO) approach Contriction Factor Based Particle Swarm Optimization (CFBPSO) then this approach is applied in cases the power system in the case of IEEE bus at loading MW and V power system JawaBali with MW pea load. The IEEE bus simulation results, the method MIPSO with CFBPSO approach is able to produce the most optimal economic solution than IPSO approach and Quadratic Programming. For the case of V power system is Jawa Bali, MIPSO method with this approach is also able to provide the most optimal solution compared with the real system PT. PLN (Persero). Intisari Komponen biaya paling besar pada operasi pembangitan thermal adalah biaya bahan baar. Permasalahan bagaimana meminimalan biaya bahan baar dengan menentuan ombinasi daya output dari masingmasing unit pembangit dengan eangan terpenuhinya beban sistem dan batas emampuan masingmasing unit pembangit dienal dengan istilah economic dispatch (ED). Dalam penelitian ini, diusulan metode Modified Improved Particle Swarm Optimization (MIPSO) dengan pendeatan Contriction Factor based Particle Swarm Optimization (CFBPSO) Kemudian metode pendeatan ini diterapan dalam asus sistem tenaga yaitu pada asus IEEE bus pada pembebanan MW dan sistem interonesi V JawaBali dengan pembebanan punca. MW. Dari hasil simulasi IEEE bus, metode MIPSO dengan pendeatan CFBPSO mampu menghasilan solusi paling optimal eonomi dibanding metode pendeatan IPSO dan Quadratic Programing. Untu asus sistem interonesi V JawaBali, metode MIPSO dengan pendeatan ini juga mampu memberian solusi paling optimal dibanding dengan sistem real PT. PLN (Persero). Kata unci: Economic Dispatch (ED), Modified Improved Particle Swarm Optimization (MIPSO), Sistem Interonesi V JawaBali. I. PENDAHULUAN Sistem elistrian JawaBali merupaan suatu sistem interonesi terbesar di Indonesia. Komsumsi bahan baar pembangitan menjadi suatu masalah dan perlu mendapatan perhatian yang serius mengingat omponen biaya penyediaan Dosen Teni Eletro, Universitas Gorontalo, Gorontalo tenaga listri terbesar di sistem interonesi JawaBali adalah biaya bahan baar yaitu seitar % dari biaya total. Dari % biaya bahan baar tersebut, % diantaranya adalah biaya bahan baar untu pembangit thermal. Oleh arena itu, penghematan biaya bahan baar dalam presentase yang ecil mampu memberian pengaruh yang sangat besar terhadap penghematan biaya operasi. Untu memprodusi tenaga listri pada suatu sistem tenaga dibutuhan cara bagaimana membuat biaya omsumsi bahan baar generator atau biaya operasi dari eseluruhan sistem seminimal mungin dengan menentuan ombinasi daya output dari masingmasing unit pembangit di bawah eangan dari tuntutan beban sistem dan batas emampuan pembangitan masingmasing unit pembangit. Cara ini dienal dengan istilah Economic Dispatch (ED) [][]. Beberapa metode dapat digunaan untu menyelesaian masalah ED. Metode tradisonal seperti Iterasi Lambda, Gradient, dan NewtonRaphson [] yang menggunaan urva incremental cost metode ini dapat dilauan jia urva arateristi incremental cost ini diidealan terlebih dahulu, sehingga urva terbentu menjadi halus dan convex. Untu urva nonconvex dapat diselesaian dengan cara menggunaan metode Dynamic Programming (DP) []. Metode ini memilii elemahan arena seringali mengalami endala terjeba pada masalah optimasi loal [][]. Untu mengatasi masalah ini, beberapa metode alternatif telah diembangan seperti Algoritma Genetia (GA) [], Neural Networ (NN) [], dan Particle Swarm Optimization (PSO) [][]. Particle Swarm Optimization (PSO) adalah metode optimasi heuristi global yang awalnya diemuan pada tahun yang didasaran pada ecerdasan hewan atau perilau pergeraan awanan burung atau ian dalam mencari maanan sehingga dapat diterapan pada metode penelitian ilmiah maupun reayasa. Keuntungan utama dari algoritma PSO yaitu onsep sederhana, implementasi yang mudah, etahanan untu mengontrol parameter, dan efisiensi omputasi dibanding teni optimasi heuristi lainnya [ ]. Modifiasi PSO dengan menerapan Inertia Weight (IW) untu meredam ecepatan selama iterasi agar secara imbang menjaga pencarian global dan loal []. Perbaian embali PSO dengan menggunaan Contriction Factor (CF) dengan tujuan untu menjamin onvergensi dari algoritma PSO dan osilasi amplitudo partiel menurun dari watu e watu tanpa pengaturan ecepatan masimum []. Penelitian pada PSO embali dilauan dengan membandingan Inertia Weight (IW) dengan Contriction Factor (CF) dan menemuan bahwa penggunaan CF memilii onvergensi yang lebih bai dibanding IW []. ISSN

2 JNTETI, Vol., No., November Dalam masalah ini diusulan metode optimasi Particle Swarm yang dimodifiasi dan ditingatan dengan pendeatan Constriction Factor based Particle Swarm Optimization (CFBPSO) untu menyelesaian permasalahan ED. Efetifitas metode tersebut diujian pada sistem standar IEEE bus dan sistem interonesi V JawaBali. Dalam economic dispatch pembebanan pada unitunit pembangit yang ada dalam sistem dibagi secara optimal eonomi pada harga beban sistem tertentu sehingga biaya operasi dapat ditean seminimal mungin namun tetap dapat memenuhi permintaan beban dan memperhatian batasanbatasan dari masingmasing pembangit [][]. Adapun fungsi biaya bahan baar pada masingmasing unit pembangit dapat direpresentasean dalam fungsi uadrati yaitu [][]: C i ( ) = α i + β i + γ i sehingga total pembangitan C t C i i α i, β i, dan γ i () N C t = i= C i ( ) () = total biaya bahan baar = biaya bahan baar unit i = unit pembangit = oofisien fungsi biaya bahan baar = daya eluaran untu unit i Dalam meminimalan total biaya bahan baar ini perlu memperhatian batas eangan sebagai beriut :. Total daya output pembangitan harus sama dengan total permintaan beban di tambah total rugirugi transmisi, dengan persamaan : N i= = P d + P l () dengan P l = T B () P l T B = rugirugi transmisi = daya output pembangit i di transpose = daya output pembangit i = oofisien rugirugi transmisi. Batas emampuan unit i dengan pertidasamaan : Pi, min Pi Pi, max () II. METODOLOGI A. Algoritma dasar particle swarm optimization Algoritma Particle Swarm Optimization (PSO) proses algoritmanya [] terinspirasi dari perilau sosial binatang seperti seumpulan burung atau ian dalam mencari maanan. Dalam PSO setiap partiel berpindah dari posisinya semula e posisi yang lebih bai dengan suatu velocity. Algoritma PSO vetor velocity diupdate untu masingmasing partiel emudian menjumlahan vetor velocity tersebut e posisi partiel. Update velocity pada penerapan ED dipengaruhi oleh edua solusi yaitu global best yang berhubungan dengan biaya yang paling rendah yang pernah diperoleh dari suatu partiel dan local best yang berhubungan dengan biaya yang paling rendah pada populasi awal. Adapun persamaan algoritma dasar ini adalah sebagai beriut [] : v + id = v id + c r Pbest id x id + c r (Gbest d x id ) () dan x + id = x + id + v id v id + v id x id + x id = ecepatan partiel i, dimensi d pada epoch = ecepatan partiel i, dimensi d pada epoch + = posisi partiel i, dimensi d pada epoch = posisi partiel i, dimensi d pada epoch + r, r = nilai random antara dan c, c = oofisien acceleration Pbest id = posisi terbai loal partiel i, pada epoch Gbest d = posisi terbai global partiel i, pada epoch B. Improved Particle Swarm Optimization (IPSO) Perbaian algoritms PSO yang dienal dengan istilah Improved Particle Swarm Optimization (IPSO) dengan menerapan inertia weight untu menjaga eseimbangan penelusuran global dan loal sehingga dapat memberian performansi yang bai pada PSO [][][][]. Persamaan dinamis dari PSO, velocity dimodifiasi menjadi sebuah algoritma sebagai beriut: v + id = w v id + c r Pbest id x id + c r (Gbest d x id ) () dengan () Pi Pi, min Pi, max = daya eluaran unit i = daya pembangitan minimum unit i = daya pembangitan masimum unit i wi= w max w max w min i max i () ISSN

3 JNTETI, Vol., No., November wi = inertia weight pada epoch i w max w min = inertia weight awal dan ahir i max = epoch masimum i = current epoch C. Modified Improvement Particle Swarm Optimization (MIPSO) dengan Contriction Factor based Particle Swarm Optimization Penerapan constriction factor dienal dengan istilah Contriction Factor based Particle Swarm Optimization (CFBPSO). Peningatan dan modifiasi ini bertujuan untu menjamin suatu penelusuran dalam algoritma PSO agar didapatan onvergen lebih cepat [][][][]. Persamaan dinamis dari Particle Swarm Optimization, ecepatan dimodifiasi dan ditingatan menjadi suatu algoritma sebagai beriut : Mulai Masuan data saluran, bus, apasitas dan onstanta biaya pembangit, beban Menjalanan aliran daya NR untu menentuan ofisien rugirugi untu jadi masuan data pada proses CFBPSO Masuan ofisien rugirugi dan total daya beban, apasitas dan ofisien biaya pembangit pada proses CFBPSO Menentuan jumlah populasi Menentuan jumlah iterasi masimum Menentuan nilai parameterparameter CFBPSO Inisialisasi epoch awal = Membangitan secara aca populasi dari partiel dan posisi awalnya Epoch= v + id = CF (v id + c r Pbest id x id + c r (Gbest d x id ) () dengan Evaluasi fungsi tujuan pada partiel i yaitu C t() = α i+ β i+ i CF= φ φ φ () Menghitung velocity baru partiel i V id + dan = + dan > () Algoritma MIPSO dalam economic dispatch ditunjuan pada Gbr.. Menghitung posisi baru setiap partiel berdasaran persamaan : X id + = X id + V id + Menghitung fitness(evaluasi) dari setiap partiel, berdasaran fungsi tujuan Dari setiap partiel, jia nilai fitness searang (P) lebih bai dari Pbest, Pbest = P Update Pbest sebagai Gbest Tida Epoch = Epoch + Gbest(+) Gbest() < Ya Menceta hasil total biaya minimum Selesai Gbr. Flowchart Algoritma MIPSO ISSN

4 JNTETI, Vol., No., November III. HASIL DAN PEMBAHASAN Dalam simulasi ini, penerapan CFBPSO dilauan pada sistem yaitu :. Sistem standar IEEE bus. Sistem interonesi V JawaBali Simulasi menggunaan perangat luna matlab.. dengan perangat eras noteboo processor intel Atom, GHz, RAM GB, bit. Pencarian solusi biaya tercapai pada jumlah epoch. ditunjuan pada Gbr.. A. Sistem Standar IEEE Bus Sistem standar IEEE bus yang diujian dalam penelitian ini terdiri atas bus, saluran, dan pembangit [] dengan total pembebanan MW. Data fungsi biaya bahan baar dan emampuan pembangitan ditunjuan pada Tabel. Kofisien rugirugi daya (loss cooficient) didapatan dari hasil aliran daya Newton Raphson sehingga didapatan ofisien rugirugi (B) dalam satuan per unit (pu) sebagai beriut : B ij =,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Dalam asus ini digunaan parameter MIPSO nilai inertia weight (,,) dan CF = untu C = C = sedangan CF =, untu C = C =, seperti yang digunaan penelitipeneliti sebelumnya sehingga setiap asus memilii (dua) macam pencarian solusi terbai (Gbest). Parameter lainya yaitu masimum epoch., uuran partiel, dan error limit. Unit TABEL I FUNGSI BIAYA DAN KEMAMPUAN PEMBANGKITAN Cost function ($/h) Data Pembangit. +.P +,P. +.P +,P. +.P +,P. +.P +,. +.P +,P. +.P +,P Unit TABEL II Min (MW) PERBANDINGAN METODE IEEE BUS QP [],,,,,, IPSO [],,,,,, MIPSO,,,,,,, Max (MW),,,,,, Epoch... Daya beban (MW) Daya total (MW),,,, Biaya ($/jam).,.,.,., Rugi daya (MW),,,, Hasil simulasi terlihat pada Tabel terlihat bahwa solusi paling optimal diperoleh dengan metode MIPSO dengan pendeatan CFBPSO dengan parameter CF=, dengan biaya bahan baar minimum yaitu., $ per jam. Gbr. Epoch pencarian solusi fitness pada asus IEEE bus dengan pembebanan MW B. Sistem Interonesi V JawaBali Sistem interonesi V JawaBali terdiri atas bus dengan saluran, dan pembangit. Pembangitpembangit tersebut adalah pembangit Suralaya, pembangit Muaratawar, pembangit Cirata, pembangit Saguling, pembangit Tanjungjati, pembangit Gresi, pembangit Paiton, dan pembangit Grati. Pada pembangit tersebut, terdapat pembangit Cirata dan Saguling sebagai pembangit tenaga air (PLTA) sedangan pembangit lainnya adalah pembangit thermal. Adapun Suralaya bertinda sebagai slac pembangit. Sedangan jenisjenis bus pada sistem interonesi V Jawa Bali adalah sebagai beriut : ) Satu buah slac bus, yaitu bus pembangit Suralaya ) Tujuh buah generator sebagai generator bus, yaitu bus pembangit Muaratawar, bus pembangit Tanjungjati, bus pembangit Cirata, bus pembangit Saguling, bus pembangit Gresi Baru, bus pembangit Paiton, dan bus pembangit Grati. ) Tujuh belas buah load bus, yaitu bus Cilegon, bus Kembangan, bus Gandul, bus Balaraja, bus Cibinong, bus Cawang, bus Beasi, bus Cibatu, bus Bandung Selatan, bus ) Mandirancan,bus Ungaran, bus Surabaya Barat, bus Depo, bus Ngimbang, bus Tasimalaya Baru, bus Pedan, dan bus Kediri. Adapun data bus, data pembangitan, dan data beban punca yang diperoleh dari data lapangan melalui PT. PLN (Persero) PB JawaBali yaitu menggunaan data pembebanan pada tanggal November puul. seperti yang ditunjuan pada Tabel total permintaan beban sebesar. MW. Untu data saluran ditunjuan pada Tabel. Adapun fungsi biaya bahan baar masingmasing pembangit thermal ditunjuan pada Tabel. Untu data pembangit PLTA (CirataSaguling) dalam simulasi economic dispatch menggunaan MIPSO mengiuti pembangitan PLN yaitu MW untu Cirata dan MW untu Saguling. Hal ini disebaban dalam pengoperasian PLTA tida memandang dari sisi pembangitannya, tetapi ISSN

5 JNTETI, Vol., No., November melihat dari pola pengoperasiam wadu, cadangan air dalam wadu, dan lainlainnya. Dalam simulasi MIPSO digunaan data ofisien rugirugi transmisi yang didapatan dari program aliran daya menggunaan Newton Raphson sehingga didapatan oofisien rugirugi daya (B) dalam satuan per unit (pu) sebagai beriut : B ij =,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Data fungsi biaya bahan baar, batas emampuan pembangitan, data besar permintaan beban, dan data oofisien rugirugi daya tersebut emudian disimulasian pada MIPSO untu mencari ombinasi daya eluaran masingmasing pembangit sehingga diperoleh total biaya bahan baar yang paling minimum. Metode Modified Improved Particle Swarm Optimization (MIPSO) ini menggunaan pendeatan sama seperti asus IEEE bus yaitu Constriction Factor Based Particle Swarm Optimization (CFBPSO). Parameter MIPSO yang digunaan dalam simulasi ini yaitu ofisien aselarasi C = C = dan, sehingga contriction factor (CF) ada macam yaitu dan,. dengan masimum epoch/iterasi =, uuran partiel, dan batasan error gradient. Hubungan antar bus ditunjuan pada Gbr. beriut ini : Gbr. Diagram satu garis sistem V JawaBali ISSN

6 JNTETI, Vol., No., November TABEL III TABEL VI No Bus Suralaya Cilegon Cawang Balaraja Kembangan Beasi Gandul Cibinong Depo Muaratawar Tasi. Baru Cibatu Cirata Saguling Bandung Sel. Mandirancan Tanjungjati Ungaran Pedan Ngimbang Gresi Baru Surabaya Barat Grati Kediri Paiton DATA BUS, PEMBANGKITAN, DAN BEBAN Ty pe Slac Vm,,,,,,,,,,,,,,,,,,,,,,,,, ɸ Pembangitan M MW Var MW. M Var Total.... TABEL IV DATA SALURAN DAN JENISNYA Hub. Jenis R X /B dari e Penghantar pu pu pu HASIL SIMULASI SISTEM KV JAWABALI Pembangit Data Operasi MIPSO PLN CF=, CF= Suralaya MW.,.,.. x..... Muaratawar MW.,.,., x Cirata MW,,. x. Sagulimg MW,,. x. Tanjungjati MW.,.,., x.... Gresi MW.,,, x..... Grati MW,,, x.... Paiton MW.,.,., x Daya total MW.,.,., Biaya x Jumlah epoch.. Rugi daya MW,,, Redusi Biaya x... Gennet,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, TABEL V,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Gbr. Epoch pencarian solusi asus sistem JawaBali Hasil simulasi yang dibandingan dengan data operasi PLN ditunjuan pada Tabel. Dalam asus ini terlihat bahwa solusi paling optimal eonomi yaitu metode MIPSO dengan pendeatan CFBPSO dengan CF = dengan total biaya minimum per jam yaitu Rp...., sehingga mampu meredusi biaya sebesar Rp.., dibanding data operasi PT. PLN (Persero) yaitu sebesar Rp...., per jam. Pencarian solusi biaya tercapai pada jumlah epoch. ditunjuan pada Gbr.. FUNGSI BIAYA DAN KEMAMPUAN PEMBANGKITAN Pembangit Fungsi Biaya ()x P Min P Max Suralaya Muaratawar Tanjungjati Gresi Grati Paiton.,+,P,P.,+.,P,P.,+,P+,P.,+,P+,P.,+.,P,P.,+,P,P..,.,,.....,. IV. KESIMPULAN Dalam simulasi ini, penerapan MIPSO dapat disimpulan bahwa : ) Untu asus IEEE bus pada pembebanan MW, metode MIPSO dengan pendeatan CFBPSO mampu memberian solusi paling optimal eonomi dibanding metode pendeatan lainnya yaitu IPSO, IWCFPSO, dan QP. ISSN

7 JNTETI, Vol., No., November ) Simulasi pada sistem V JawaBali hasil simulasi dengan pembebanan punca tanggal November pada puul. WIB menunjuan bahwa metode MIPSO dengan pendeatan CFBPSO mampu memberian solusi paling optimal eonomi yaitu Rp..., per jam dibandingan dengan data operasi pada PT. PLN (Persero) yaitu sebesar Rp..., per jam sehingga metode yang diusulan mampu meredusi biaya sebesar Rp..., per jam dengan epoch pencarian.. REFERENSI [] Jizhong, Optimization of Power System Operation Principal Engineer. AREVA T & D Inc. Redmond, WA, USA, IEEE series of Power Engineering.. [] Hadi Saadat. Power System Analysis. New Delhi: Tata McGraw Hill Publishing Company.. [] Z.X. Liang, J. D. Glover. A Zoom Feature For a Dynamic Programming Solution to Economic Dispatch Including Transmission Losses. IEEE Transactions on Power Systems, ; page. [] Hardiansyah, Junaidi, MS. Yohannes. Solving Economic Load Dispatch Problem Using Particle Swarm Optimization Technigue. I.J. Intelligent Sistem and Application. ; page:. [] M. Sudhaaran, P. Ajay, D. Vimal Raj, T.G. Palanivelu. Application of Particle Swarm Optimization for Economic Load Dispatch Problem. International Conference on Intelligent Sistem Application to Power Sistem. Nov. ; page. [] Adrianti. Penjadwalan Eonomis Pembangit Thermal dengan Memperhitungan Rugirugi Saluran Transmisi Menggunaan Metode Algoritma Geneti. Jurnal TeniA Jurusan Teni Eletro, Faultas Teni, Universitas Andalas. April ; page vol.. [] M Mohatram, S Kumar. Application of Artificial Neural Networ in Economic Generation Scheduling of Thermal Power Plants. Proceedings of the National Conference.. [] ZweLee Gaing. Particle Swarm Optimization to Solving The Economic Dispatch Considering The Generator Constraints. IEEE Transaction on Power Sistem. August ; Vol., No.. [] Steven Young, Moh. Montahab, Hassan Nouri. A Constriction Factors based Particle Optimization Algorithm to Solve The Economic Dispatch Problem Including Losses. International Journal of Innovations in Energy Sistem and Power. July ; Vol., No.. [] Andi Muh. Ilyas, M. Natsir Rahman. Economic Dispatch Thermal Generator Using Modified Improved Particle Swarm Optimization. Jurnal Telomnia. July ; Vol., No., pp. [] AM. Ilyas, Ontoseno Panangsang, Adi Soeprijanto. Optimisasi Pembangit Thermal Sistem V JawaBali Menggunaan Modified Particle Swarm Optimization (MIPSO). National Conference : Design and Application of Technology,. [] Maicel Tuegeh, Adi Soeprijanto, Mauridhi Hery P. Optimal Generator Scheduling based on Particle Swarm Optimization. Seminar Nasional Informatia UPN Veteran Yogyaarta. Mei ; ISSN :.. [] Qinghai Bai. Analysis of Particle Swarm Optimization Algorithm. Computer and Informatic Science Journal. Feb.; Vol. No. [] J. Kennedy, R. C. Eberhart. Particle Swarm Optimization. Proceedings of IEEE International Conference on Neural Networs (ICNN ). ;.. [] Y. Shi, R. C. Eberhart. Particle Swarm Optimization: Development, Applications, and Resources. Proceedings of the Congress on Evolutionary Computation. ; :. [] Y.Shi, R.Eberhart. A Modified Particle Swarm Optmizer. Proc. IEEE Int. Conf. Evol. Comput. May ; pp. [] M. Clerc. The Swarm and The Queen: Towards a Deterministic and Adaptive Particle Swarm Optimization. Proc. Congress on Evolutionary Computation, Washington, DC Piscataway, NJ: IEEE Service Centre, ; pp.. [] R.C. Eberhart, Y. Shi. Comparing Inertia Weight and Constriction Factors in Particle Swarm Optimization. Proceding of the Congress on Evolutionary Computation. ; Vol.,,pp.. [] William D Stevenson, Jr. Power System Analysis Copyright th edition, Erlangga.. [] Kwang Y. Lee, Fellow, JongBae Par. Application of Particle Swarm Optimization to Economic Dispatch Problem Advantages and Disadvantages. Journal IEEE. ; seri X. [] Budi Santoso, Paul Willy. Metoda Metaheuristi Konsep dan Implementasi. Surabaya: Guna Widaya. April [] Pichet. Sriyanyong. Particle Swarm Optimization : Development and Implementationn. Academic paper, Department of Teacher Training in Electrical Engineering, Faculty of Technical Education, King Mongut s University of Technology North Bango. [] Anula Khare, Saroj Rangnear. Particle Swarm Optimization : A Review. Journal Department of Energy, Maulana Azad National Institute of Technology, Bhopal, India. [] Xiaohong Qiu, Jun Liu, Xuemei Ren. The Random Factors in Particle Swarm Optimization. Journal IEEE. ; seri. [] CheunYau Chen, ChenHsueh Chuang, MengCian Wu. Combining Concepts of Inertia Weights and Constriction Factors in Particle Swarm Optimization. Journal IEEE. ; seri /. [] XianHan Chien, WiePing Lee, ChenYi Liao, JangTing Dai. Adaptive Constriction Factors for LocationRelated Particle Swarm. Proceeding of the th WSEAS International Conference on Evolutionary Computing, Vancouver, British Columbia, Canada, June ;. [] Zhiyu You, Weirong Chen, Xiaoqiang Nan. Adaptive Weight Particle Swarm Optimization Algorithm With Constriction Factors. International Conference of Information Science and Management Engineering,. ISSN