Development of a variance-based deterministic algorithm for stochastic MST in distribution networks
Uloženo v:
| Název: | Development of a variance-based deterministic algorithm for stochastic MST in distribution networks |
|---|---|
| Autoři: | Sitinjak, Anna Angela, Suwilo, Saib, Mardiningsih, Mardiningsih, Sutarman, Sutarman |
| Zdroj: | Eastern-European Journal of Enterprise Technologies; Vol. 3 No. 4 (135) (2025): Mathematics and Cybernetics-applied aspects; 42-51 Eastern-European Journal of Enterprise Technologies; Том 3 № 4 (135) (2025): Математика та кібернетика-прикладні аспекти; 42-51 |
| Informace o vydavateli: | TECHNOLOGY CENTER PC®, 2025. |
| Rok vydání: | 2025 |
| Témata: | uncertainty modeling, spanning tree, stochastic graph, детерміністичне перетворення, стохастичний граф, variance-based algorithm, алгоритм на основі дисперсії, deterministic transformation, network optimization, кістякове дерево, моделювання невизначеності, оптимізація мережі |
| Popis: | Це дослідження стосується побудови мінімальних кістякових дерев (МКД) у стохастичних зважених розподільних мережах, де витрати на ребра мають невід'ємні невизначеності з відомими середніми значеннями та дисперсіями. Традиційні детерміновані методи часто дають збій, а існуючі стохастичні підходи часто є нестабільними або обчислювально складними за високої невизначеності. Запропоновано новий алгоритм детерміністичного перетворення на основі дисперсії. Його основною особливістю є перетворення стохастичних витрат на ребра в надійні детерміновані еквіваленти шляхом обчислення агрегованого члена дисперсії з найбільших (n – 1) дисперсій ребер, що дозволяє побудувати МКД за допомогою класичних алгоритмів. Цей метод принципово підвищує стабільність і забезпечує доцільність, особливо у сценаріях з високою дисперсією, покращуючи традиційні методи на основі довірчих інтервалів. Ефективність алгоритму була ретельно перевірена. Його продуктивність порівнювали з ймовірнісним методом на основі Qij за помірної дисперсії, демонструючи послідовні та точні МКД. Потім його було застосовано до складної 21-реберної розподільчої мережі з високими параметрами дисперсії. Результати підтверджують широку застосовність, точність та здатність алгоритму будувати надійні кістякові дерева як за помірної, так і за значної невизначеності. Алгоритм демонструє значну обчислювальну ефективність (O(r log r)), що забезпечує практичність та масштабованість при різних рівнях невизначеності. На відміну від ітеративних або моделей з важкими обмеженнями, цей алгоритм спрощує оптимізацію, зберігаючи при цьому представлення невизначеності. Це робить його добре придатним для великомасштабних мереж та реальних систем, де мінливість вартості є критично важливою. Майбутні дослідження включають розширення цього підходу до багатоцільової оптимізації або динамічних мереж This study addresses constructing Minimum Spanning Trees (MST) in stochastic weighted distribution networks, where edge costs have inherent uncertainties with known means and variances. Traditional deterministic methods often fail, and existing stochastic approaches are frequently unstable or computationally complex under high uncertainty. A novel variance-based deterministic transformation algorithm is proposed. Its core feature is transforming stochastic edge costs into robust deterministic equivalents by computing an aggregate variance term from the largest (n – 1) edge variances, enabling MST construction via classical algorithms. This method fundamentally enhances stability and ensures feasibility, particularly in high-variance scenarios, improving upon traditional confidence interval-based techniques. The algorithm’s efficacy was rigorously validated. Its performance was compared against a probabilistic Qij-based method under moderate variance, demonstrating consistent and accurate MSTs. It was then applied to a complex 21-edge distribution network with high variance parameters. Results confirm the algorithm’s broad applicability, precision, and capability to construct reliable spanning trees under both moderate and substantial uncertainty. The algorithm demonstrates significant computational efficiency (O(r log r)), ensuring practicality and scalability across varying uncertainty levels. Unlike iterative or constraint-heavy models, this algorithm simplifies optimization while preserving uncertainty representation. This makes it well-suited for large-scale networks and real-world systems where cost variability is critical. Future research includes expanding this approach to multi-objective optimization or dynamic networks |
| Druh dokumentu: | Article |
| Popis souboru: | application/pdf |
| Jazyk: | English |
| ISSN: | 1729-3774 1729-4061 |
| Přístupová URL adresa: | https://journals.uran.ua/eejet/article/view/329685 |
| Rights: | CC BY |
| Přístupové číslo: | edsair.scientific.p..c79ad753ab21472d448e5b5e40e2acc3 |
| Databáze: | OpenAIRE |
Nájsť tento článok vo Web of Science | Abstrakt: | Це дослідження стосується побудови мінімальних кістякових дерев (МКД) у стохастичних зважених розподільних мережах, де витрати на ребра мають невід'ємні невизначеності з відомими середніми значеннями та дисперсіями. Традиційні детерміновані методи часто дають збій, а існуючі стохастичні підходи часто є нестабільними або обчислювально складними за високої невизначеності. Запропоновано новий алгоритм детерміністичного перетворення на основі дисперсії. Його основною особливістю є перетворення стохастичних витрат на ребра в надійні детерміновані еквіваленти шляхом обчислення агрегованого члена дисперсії з найбільших (n – 1) дисперсій ребер, що дозволяє побудувати МКД за допомогою класичних алгоритмів. Цей метод принципово підвищує стабільність і забезпечує доцільність, особливо у сценаріях з високою дисперсією, покращуючи традиційні методи на основі довірчих інтервалів. Ефективність алгоритму була ретельно перевірена. Його продуктивність порівнювали з ймовірнісним методом на основі Qij за помірної дисперсії, демонструючи послідовні та точні МКД. Потім його було застосовано до складної 21-реберної розподільчої мережі з високими параметрами дисперсії. Результати підтверджують широку застосовність, точність та здатність алгоритму будувати надійні кістякові дерева як за помірної, так і за значної невизначеності. Алгоритм демонструє значну обчислювальну ефективність (O(r log r)), що забезпечує практичність та масштабованість при різних рівнях невизначеності. На відміну від ітеративних або моделей з важкими обмеженнями, цей алгоритм спрощує оптимізацію, зберігаючи при цьому представлення невизначеності. Це робить його добре придатним для великомасштабних мереж та реальних систем, де мінливість вартості є критично важливою. Майбутні дослідження включають розширення цього підходу до багатоцільової оптимізації або динамічних мереж<br />This study addresses constructing Minimum Spanning Trees (MST) in stochastic weighted distribution networks, where edge costs have inherent uncertainties with known means and variances. Traditional deterministic methods often fail, and existing stochastic approaches are frequently unstable or computationally complex under high uncertainty. A novel variance-based deterministic transformation algorithm is proposed. Its core feature is transforming stochastic edge costs into robust deterministic equivalents by computing an aggregate variance term from the largest (n – 1) edge variances, enabling MST construction via classical algorithms. This method fundamentally enhances stability and ensures feasibility, particularly in high-variance scenarios, improving upon traditional confidence interval-based techniques. The algorithm’s efficacy was rigorously validated. Its performance was compared against a probabilistic Qij-based method under moderate variance, demonstrating consistent and accurate MSTs. It was then applied to a complex 21-edge distribution network with high variance parameters. Results confirm the algorithm’s broad applicability, precision, and capability to construct reliable spanning trees under both moderate and substantial uncertainty. The algorithm demonstrates significant computational efficiency (O(r log r)), ensuring practicality and scalability across varying uncertainty levels. Unlike iterative or constraint-heavy models, this algorithm simplifies optimization while preserving uncertainty representation. This makes it well-suited for large-scale networks and real-world systems where cost variability is critical. Future research includes expanding this approach to multi-objective optimization or dynamic networks |
|---|---|
| ISSN: | 17293774 17294061 |