วิธีแทงบอล SBOBET เว็บ Royal Online การเลือกเว็บไซต์ที่มีโปรโมชั่นคุ้มค่า

วิธีแทงบอล SBOBET การเลือกเว็บไซต์ที่มีโปรโมชั่นคุ้มค่า ทางเลือกในการจัด E-auction เพื่อซื้อไฟฟ้าที่จำเป็นสำหรับช่วงโหลดสูงสุดที่คาดการณ์ไว้คือทางเลือกใหม่สำหรับบริษัทสาธารณูปโภค เพื่อตอบสนองความต้องการที่เพิ่มขึ้น เราได้พัฒนาระบบประมูลไฟฟ้าแบบย้อนกลับ (CRA) เพื่อวัตถุประสงค์ในการจัดหาพลังงานจากแหล่งพลังงานที่หลากหลาย ในตลาดไฟฟ้าอัจฉริยะแห่งใหม่นี้ ซัพพลายเออร์ที่มีขนาดต่างกันสามารถเข้าร่วมได้ และเจ้าของบ้านอาจมีบทบาทอย่างแข็งขัน ใน CRA ของเรา รายการหนึ่งซึ่งอยู่

ภายใต้ข้อจำกัดการซื้อขายหลายประการ ระบุช่วงเวลาที่มีลักษณะที่ขัดแย้งกันสองประการ คือ ปริมาณไฟฟ้าและราคา เพื่อความปลอดภัยของไฟฟ้า เราออกแบบการประมูลของเราด้วยการประมูลสองรอบ: รอบแรกมีไว้สำหรับพลังงานผันแปรเท่านั้น และรอบที่สองอนุญาตให้จัดเก็บและพลังงานหมุนเวียนที่ไม่ต่อเนื่องเพื่อประมูลสินค้าที่เหลือ การประมูลไฟฟ้าของเรานำไปสู่งานการกำหนดผู้ชนะที่ซับซ้อน (WD) ที่เราเป็นตัวแทนในฐานะปัญหาการเพิ่มประสิทธิภาพการจัดซื้อทรัพยากร เราแก้ปัญหานี้โดยใช้อัลกอริธึมทาง

พันธุกรรมแบบหลายวัตถุประสงค์เพื่อค้นหาวิธีแก้ปัญหาที่ลดราคาและเพิ่มปริมาณได้ดีที่สุด โซลูชันนี้ประกอบด้วยซัพพลายเออร์ที่ชนะหลายราย ราคา ปริมาณและกำหนดการ เราตรวจสอบความถูกต้องของแนวทาง WD ของเราตามชุดข้อมูลจำลองขนาดใหญ่ อันดับแรก เราประเมินประสิทธิภาพด้านเวลาของวิธีการ WD ของเรา จากนั้นเราจะเปรียบเทียบกับเทคนิค WD ที่เป็นที่รู้จักและเข้าใจได้อย่างแม่นยำ เพื่อให้ได้แนวคิดที่ชัดเจนเกี่ยวกับความถูกต้องของ WD เราจึงนำอัลกอริธึมที่มีชื่อเสียงสองชุดมาใช้สำหรับปัญหาการจัดซื้อ

จัดจ้างแบบผสมผสานที่มีข้อจำกัดของเรา วิธีแทงบอล SBOBET เราแก้ปัญหานี้โดยใช้อัลกอริธึมทางพันธุกรรมแบบหลายวัตถุประสงค์เพื่อค้นหาวิธีแก้ปัญหาที่ลดราคาและเพิ่มปริมาณได้ดีที่สุด โซลูชันนี้ประกอบด้วยซัพพลายเออร์ที่ชนะหลายราย ราคา ปริมาณและกำหนดการ เราตรวจสอบความถูกต้องของแนวทาง WD ของเราตามชุดข้อมูลจำลองขนาดใหญ่ อันดับแรก เราประเมินประสิทธิภาพด้านเวลาของวิธีการ WD ของเรา จากนั้นเราจะเปรียบเทียบกับเทคนิค WD ที่เป็นที่รู้จักและเข้าใจได้อย่างแม่นยำ เพื่อให้ได้แนวคิดที่ชัดเจนเกี่ยวกับความถูกต้อง

ของ WD เราจึงนำอัลกอริธึมที่มีชื่อเสียงสองชุดมาใช้สำหรับปัญหาการจัดซื้อจัดจ้างแบบผสมผสานที่มีข้อจำกัดของเรา เราแก้ปัญหานี้โดยใช้อัลกอริธึมทางพันธุกรรมแบบหลายวัตถุประสงค์เพื่อค้นหาวิธีแก้ปัญหาที่ลดราคาและเพิ่มปริมาณได้ดีที่สุด โซลูชันนี้ประกอบด้วยซัพพลายเออร์ที่ชนะหลายราย ราคา ปริมาณและกำหนดการ เราตรวจสอบความถูกต้องของแนวทาง WD ของเราตามชุดข้อมูลจำลองขนาดใหญ่ อันดับแรก เราประเมินประสิทธิภาพด้านเวลาของวิธีการ WD ของเรา จากนั้นเราจะเปรียบเทียบกับเทคนิค WD ที่

เป็นที่รู้จักและเข้าใจได้อย่างแม่นยำ เพื่อให้ได้แนวคิดที่ชัดเจนเกี่ยวกับความถูกต้องของ WD เราจึงนำอัลกอริธึมที่มีชื่อเสียงสองชุดมาใช้สำหรับปัญหาการจัดซื้อจัดจ้างแบบผสมผสานที่มีข้อจำกัดของเรา เราตรวจสอบความถูกต้องของแนวทาง WD ของเราตามชุดข้อมูลจำลองขนาดใหญ่ อันดับแรก เราประเมินประสิทธิภาพด้านเวลาของวิธีการ WD ของเรา จากนั้นเราจะเปรียบเทียบกับเทคนิค WD ที่เป็นที่รู้จักและเข้าใจได้อย่างแม่นยำ เพื่อให้ได้แนวคิดที่ชัดเจนเกี่ยวกับความถูกต้องของ WD เราจึงนำอัลกอริธึมที่มีชื่อเสียงสอง

ชุดมาใช้สำหรับปัญหาการจัดซื้อจัดจ้างแบบผสมผสานที่มีข้อจำกัดของเรา เราตรวจสอบแนวทาง WD ของเราตามชุดข้อมูลจำลองขนาดใหญ่ อันดับแรก เราประเมินประสิทธิภาพด้านเวลาของวิธีการ WD ของเรา จากนั้นเราจะเปรียบเทียบกับเทคนิค WD ที่เป็นที่รู้จักและเข้าใจได้อย่างแม่นยำ เพื่อให้ได้แนวคิดที่ชัดเจนเกี่ยวกับความถูกต้องของ WD เราจึงนำอัลกอริธึมที่มีชื่อเสียงสองชุดมาใช้สำหรับปัญหาการจัดซื้อจัดจ้างแบบผสมผสานที่มีข้อจำกัดของเรา

บทนำ ขอบเขตและปัญหา ภาคไฟฟ้าในหลายประเทศกำลังอยู่ระหว่างการปฏิรูป โดยเฉพาะอย่างยิ่งในรูปแบบของกฎระเบียบของตลาดและการแปรรูปของผู้ค้าปลีกไฟฟ้า [ 1 , 2 ] นอกจากนี้ จำนวนการประมูลไฟฟ้าออนไลน์เพิ่มขึ้นอย่างมากในช่วงทศวรรษที่ผ่านมา เนื่องจากความสามารถในการปรับปรุงประสิทธิภาพการจัดสรรและส่งเสริมการแข่งขันระหว่างซัพพลายเออร์ไฟฟ้า [ 1 , 3 , 4 ] การประมูลอาจเป็นเทคโนโลยีเฉพาะ (พลังงานหมุนเวียนอย่างน้อยหนึ่งรายการ) หรือเป็นกลาง (เทคโนโลยีในอดีตและใหม่) [ 5 ] พลังงานหมุนเวียน โดยเฉพาะลมและแสงอาทิตย์ ประสบความสำเร็จในตลาด และการใช้งานก็เพิ่มขึ้นอย่างรวดเร็วเนื่องจากความกังวลด้านสิ่งแวดล้อม [6 ]. ตัวอย่างเช่น พลังงานหมุนเวียนเพิ่มขึ้น 66.4% ในปี 2555 ในตลาดบราซิล [ 7 ] และ 60% ในปี 2556 ในตลาดสเปน [ 3 ] ในบางประเทศ เช่น บราซิลและเยอรมนี ไฟฟ้าส่วนที่ดีเกิดจากพลังงานลม ซึ่งแทบไม่มีต้นทุนส่วนเพิ่มเลย [ 8 ] ดังนั้น ลมจึงเป็นที่ต้องการของแหล่งพลังงานอื่นๆ [ 8 ] มันยังแสดงให้เห็นอีกด้วยว่าการเข้ามาของแหล่งพลังงานใหม่เข้าสู่ตลาดเป็นตัวเร่งให้เกิดการเติบโตทางเศรษฐกิจ [ 3 ] รัฐบาลหลายแห่งได้นำการประมูลพลังงานหมุนเวียนมาใช้ และจำนวนของพวกเขาเพิ่มขึ้นจาก 9% ในปี 2552 เป็น 44% ภายในต้นปี 2556 [ 2]]. การประมูลไฟฟ้าประเภททั่วไปคือการทำสัญญาเพื่อสร้างสิ่งอำนวยความสะดวกด้านพลังงานหมุนเวียนแห่งใหม่ [ 1 ] เป้าหมายของการประมูลทั้งหมดเหล่านี้คือการดึงดูดนักลงทุนรายใหม่ (รายเล็กและรายใหญ่) [ 5 ] การประมูลไฟฟ้าที่มีอยู่ส่วนใหญ่มุ่งเน้นไปที่การทำสัญญาระยะยาว โดยปกติจะมีซัพพลายเออร์หนึ่งหรือสองรายในช่วงหลายเดือนหรือหลายปี [ 2 , 5 , 9 ] โดยเน้นที่สัญญาระยะสั้นน้อยมาก (ไม่กี่ชั่วโมง) [ 1 , 10]. อย่างไรก็ตาม วรรณกรรมส่วนใหญ่เกี่ยวกับตลาดไฟฟ้าไม่ได้เปิดเผยและอธิบายการออกแบบและคุณลักษณะการประมูล กลยุทธ์การเสนอราคา และวิธีการกำหนดผู้ชนะ วรรณกรรมส่วนใหญ่รายงานเกี่ยวกับประโยชน์และผลกระทบทางเศรษฐกิจของการประมูลไฟฟ้าที่ดำเนินการในบางประเทศ

ปริมาณการใช้ไฟฟ้าเพิ่มขึ้นอย่างรวดเร็วอันเนื่องมาจากการเติบโตของประชากร โครงสร้างพื้นฐาน และเศรษฐกิจ ความต้องการที่เพิ่มขึ้นนี้สร้างความท้าทายอย่างแท้จริงให้กับบริษัทสาธารณูปโภค โดยเฉพาะอย่างยิ่งในการหลีกเลี่ยงปัญหาด้านการบริการที่ร้ายแรง เช่น ไฟฟ้าดับในช่วงที่มีความต้องการสูง เช่น ในฤดูร้อนและคืนที่อากาศหนาวเย็น เพื่อรองรับภาระที่เพิ่มขึ้นในช่วงที่มีผู้ใช้ไฟฟ้าสูงสุด บริษัทสาธารณูปโภคอาจต้องจัดหาไฟฟ้าจากแหล่งอื่น ด้วยเหตุนี้ พวกเขาสามารถจัดการประมูลออนไลน์เพื่อซื้อไฟฟ้าที่เกิดจากแหล่งพลังงานหมุนเวียนที่หลากหลาย ตามความรู้ของเรา การจัดประมูลไฟฟ้าเพื่อแก้ไขปัญหาการรับน้ำหนักสูงสุดเป็นกลยุทธ์ใหม่ อย่างแท้จริง,7 ]. คำแนะนำถูกสร้างขึ้นตามพฤติกรรม วิถีชีวิต และคำติชมของผู้บริโภค ในมุมมองของเรา แนวทางนี้ไม่เพียงแต่เป็นการบุกรุกความเป็นส่วนตัวของผู้บริโภคเท่านั้น แต่ยังอาจป้องกันไม่ได้เนื่องจากผู้บริโภคอาจไม่สามารถปฏิบัติตามคำแนะนำได้

ผลงาน เพื่อวัตถุประสงค์เพียงอย่างเดียวในการชดเชยปริมาณความต้องการที่เพิ่มขึ้นที่คาดการณ์ไว้ เราขอแนะนำการประมูลไฟฟ้ารูปแบบใหม่ที่เหมาะสำหรับบริบทระหว่างผู้บริโภคกับธุรกิจและธุรกิจกับธุรกิจ บริษัทสาธารณูปโภคอาจจัดหาพลังงานที่จำเป็นพร้อมกันจากแหล่งอื่นๆ ที่มีอยู่ การประมูลไฟฟ้าของเราแตกต่างอย่างมากจากที่เคยเสนอและดำเนินการด้วยเหตุผลดังต่อไปนี้:

1)
เราวางแผนการประมูลเพื่อจุดประสงค์เฉพาะเพื่อหลีกเลี่ยงไม่ให้ไฟฟ้าดับในช่วงที่มีการใช้งานสูงสุด การประมูลของเรากำหนดโดยสัญญาระยะสั้นที่มีเงื่อนไขตั้งแต่นาทีถึงชั่วโมง

2)
เราทำสัญญาไฟฟ้าจากแหล่งต่างๆ เช่น พลังงานแปรผัน (แสงอาทิตย์และลม) โหลดที่ควบคุมได้แบบแอคทีฟ (เช่น ที่เก็บแบตเตอรี่ แบตเตอรี่ของรถยนต์ไฟฟ้า และที่เก็บความร้อน) และพลังงานหมุนเวียนที่ควบคุมได้ (เช่น ไฟฟ้าพลังน้ำ ชีวมวล และความร้อนใต้พิภพ)

3)
เราสนับสนุนให้เจ้าของบ้านมีส่วนร่วมในตลาดไฟฟ้าใหม่ของเรา อันที่จริงผู้เล่นตัวเล็กเหล่านี้จะมีบทบาทอย่างแข็งขัน ผู้เขียนใน [ 11 ] อ้างว่าซัพพลายเออร์ที่มีขนาดต่างกันจะมีส่วนร่วมในตลาดไฟฟ้าในอนาคต

ในการศึกษานี้ เราแนะนำการประมูลย้อนกลับด้วยไฟฟ้าแบบผสมผสาน (CRA) การออกแบบรูปแบบการประมูลที่เหมาะสมในภาคไฟฟ้าเป็นงานที่ท้าทาย [ 4]; ดังนั้น ในการออกแบบ CRA เฉพาะของเรา เราจึงพยายามกำหนดคุณลักษณะที่เกี่ยวข้องมากที่สุดและกลไกการแก้ปัญหาซึ่งให้ผลลัพธ์ที่ดีที่สุดในแง่ของคุณภาพของโซลูชันและประสิทธิภาพด้านเวลา การประมูลของเราประกอบด้วยหลายรายการ โดยแต่ละรายการแสดงช่วงเวลา 15 นาที แต่ละรายการมีคุณสมบัติที่ต่อรองได้สองประการ ราคาและปริมาณไฟฟ้า และข้อจำกัดในการซื้อขายหลายประการเช่นกัน อย่างไรก็ตาม คุณลักษณะทั้งสองขัดแย้งกัน เนื่องจากวัตถุประสงค์ของผู้ซื้อคือการตระหนักถึงราคาที่ต่ำกว่าและปริมาณที่เพิ่มขึ้นไปพร้อม ๆ กัน มีการศึกษาอย่างจำกัดเกี่ยวกับการประมูลแบบผสมผสานไฟฟ้า แม้ว่าจะมีการจับคู่อุปสงค์และอุปทานอย่างมีประสิทธิภาพ (ราคา) และเพิ่มรายได้ของผู้ซื้อให้สูงสุด [ 12]. อย่างไรก็ตาม การศึกษาเหล่านี้มีข้อจำกัดหลายประการ ตัวอย่างเช่น พวกเขามักจะพิจารณาเฉพาะแอตทริบิวต์ราคาแต่ไม่พิจารณาคุณลักษณะอื่นๆ ที่มีความสำคัญสำหรับการซื้อขายด้วย นอกจากนี้ การศึกษาเหล่านี้ยังคำนึงถึงข้อจำกัดของผู้ซื้อและผู้ขายน้อยมากหรือไม่มีเลย

กลไกของไฟฟ้า CRA นำไปสู่ปัญหาที่ซับซ้อนในการกำหนดผู้ชนะ (WD) การค้นหาโซลูชันที่ดีที่สุด (ชุดของผู้ขายที่ชนะ) ใน CRA ดั้งเดิม (เช่น หลายรายการและแอตทริบิวต์เดียว) นั้นยากอยู่แล้วเนื่องจากความซับซ้อนในการคำนวณ [ 12 ] การศึกษาในอดีตได้นำอัลกอริธึมที่แน่นอนมาใช้เพื่อค้นหาวิธีแก้ปัญหาที่ดีที่สุดใน CRA แต่อัลกอริธึมเหล่านี้มาพร้อมกับต้นทุนเวลาแบบเอ็กซ์โพเนนเชียล [ 13 ] ซึ่งไม่สามารถทำได้จริงในการประมูลในชีวิตจริง เพื่อแก้ไขปัญหาในครั้งนี้ นักวิจัยได้แนะนำเทคนิคการเพิ่มประสิทธิภาพเชิงวิวัฒนาการ เช่น อัลกอริธึมทางพันธุกรรม (GA) ซึ่งผลิตโซลูชันคุณภาพสูง (บางครั้งเป็นวิธีแก้ปัญหาที่เหมาะสมที่สุด) พร้อมประสิทธิภาพด้านเวลาที่ยอดเยี่ยม [ 14]. นอกจากนี้ การจัดการกับคุณลักษณะที่ขัดแย้งกันหลายประการทำให้การค้นหาวิธีแก้ปัญหาที่ดีที่สุดยากขึ้นและใช้เวลานานขึ้น ด้วยเหตุนี้ จึงมีการเสนอวิธีการเพิ่มประสิทธิภาพหลายวัตถุประสงค์แบบวิวัฒนาการ (EMOO) เป็นวิธีที่ดีที่สุดในการค้นหาโซลูชันการแลกเปลี่ยนที่ดีที่สุดซึ่งช่วยลดต้นทุนและเวลาให้เหลือน้อยที่สุด ในการศึกษาของเรา เราปรับแต่งอัลกอริทึม EMOO WD ที่ใช้ GA ที่นำมาใช้เพื่อรองรับ CRA ที่มีหลายหน่วย หลายแอตทริบิวต์ และวัตถุประสงค์ที่ขัดแย้งกัน [ 15]. เทคนิค WD ของเราส่งคืนโซลูชันที่ประกอบด้วยซัพพลายเออร์ที่ชนะหลายรายที่ได้รับเลือกให้จัดหาไฟฟ้าสำหรับช่วงเวลาต่างๆ ตามทฤษฎีแล้ว โซลูชันนี้ควรเป็นไปตามข้อกำหนดของผู้ซื้อทั้งหมด รวมถึงข้อจำกัดและข้อเสนอของซัพพลายเออร์ นอกจากนี้ โซลูชันนี้ยังเป็นการรวมซัพพลายเออร์ที่ดีที่สุดสำหรับการลดราคาและเพิ่มปริมาณ วิธีที่เราสร้างโซลูชันที่ชนะจะทำให้ผู้ซื้อได้รับอำนาจในแต่ละช่วงเวลา ด้วยความช่วยเหลือจาก CRA ด้านไฟฟ้าของเรา บริษัทกริดจะสามารถได้รับพลังงานที่จำเป็นในราคาที่ดี เนื่องจากลักษณะการประมูลที่มีการแข่งขันสูง

Moreover, we conduct a real case study to illustrate the feasibility of our electricity procurement auction, WD method, and generated solution. Afterwards, we validate the WD approach using simulated data by generating large-scale instances of our advanced electricity CRA problem. The goal of the experiments is twofold: first, to assess the time-efficiency of our WD method, and second, to compare its performance to well-known heuristic and exact WD techniques that have been proposed for much simpler CRAs. The execution time is not the only critical auction requirement; the quality of the winning solution is important as well. Therefore, we fully implement two famous exact algorithms to solve our complex combinatorial procurement problem in order to evaluate the accuracy of our WD method (how close the produced solution comes to being optimal).

มีประโยชน์ที่สำคัญหลายประการของ CRA ไฟฟ้าใหม่ของเรา ประการแรก การประมูลของเราเป็นวิธีแก้ปัญหาหลักสำหรับปัญหาการโหลดความต้องการพิเศษ ประการที่สอง การออกแบบการประมูลที่มีช่วงเวลา 15 นาทีช่วยให้มีโอกาสเท่าเทียมกันมากขึ้นระหว่างผู้เล่นรายเล็ก (เช่นผู้อยู่อาศัย) และผู้เล่นรายใหญ่ (โรงงาน) ประการที่สาม ตลาดไฟฟ้าอัจฉริยะของเราจะเป็นประโยชน์อย่างมากต่อสาธารณูปโภคและผู้บริโภคทั้งต่อสิ่งแวดล้อมและเศรษฐกิจ ประการที่สี่ ตลาดนี้จะสนับสนุนการขยายตัวของโรงงานพลังงานหมุนเวียน โดยเฉพาะอย่างยิ่งเทคโนโลยีที่ใช้ในบ้านซึ่งลูกค้าสามารถเข้าถึงได้ เช่น แผงโซลาร์เซลล์และรถยนต์ไฟฟ้าแบบเสียบปลั๊ก

งานที่เกี่ยวข้อง
ในวรรณกรรมส่วนใหญ่เกี่ยวกับตลาดไฟฟ้า การออกแบบและคุณลักษณะการประมูล กลยุทธ์การเสนอราคา และวิธีการกำหนดผู้ชนะไม่ได้อธิบายไว้ วรรณกรรมส่วนใหญ่รายงานเกี่ยวกับผลประโยชน์และผลกระทบทางเศรษฐกิจของการประมูลไฟฟ้าที่ดำเนินการในบางประเทศ มีการศึกษาเพียงเล็กน้อยเกี่ยวกับกลไกพื้นฐานของการประมูลไฟฟ้า และส่วนใหญ่มีข้อจำกัดหลายประการ นักวิจัยจำกัดคุณสมบัติและพารามิเตอร์การประมูลเพื่อลดความซับซ้อนของวิธีการ WD เนื่องจากเวลาในการดำเนินการเป็นความท้าทายอย่างแท้จริงสำหรับขั้นตอนการเพิ่มประสิทธิภาพเหล่านี้ ในส่วนนี้ เรายังแสดงให้เห็นว่าอัลกอริธึมวิวัฒนาการมีความเหมาะสมในบริบทของการประมูลแบบผสมผสาน

การประมูลไฟฟ้า
ที่นี่เราตรวจสอบการศึกษาบางส่วนเกี่ยวกับการออกแบบการประมูลไฟฟ้าแบบผสมผสาน การประมูลรวมไฟฟ้ามีจำกัด แม้ว่าจะมีการจัดสรรทรัพยากรอย่างมีประสิทธิภาพและเพิ่มรายได้สูงสุดของผู้ประมูลก็ตาม แม้ว่า WD ในการประมูลประเภทนี้จะเป็นงานที่ซับซ้อน แต่ CRAs ก็ถูกนำมาใช้อย่างประสบความสำเร็จในโดเมนอื่นๆ สำหรับทั้งภาครัฐและเอกชน [ 16 ]

ข้อมูลอ้างอิง [ 17 ] ได้แนะนำโปรโตคอลการประมูลแบบผสมผสานแบบใหม่ที่เรียกว่ากลไกการประมูลความน่าจะเป็น (PBM) ซึ่งคำนึงถึงข้อจำกัดหลายประการในการลดราคาและเพื่อเพิ่มปริมาณการซื้อขายให้สูงสุด ผู้เขียนได้พิจารณาคุณลักษณะหลายประการ เช่น ราคาไฟฟ้า ต้นทุนการส่ง ความแออัดของเครือข่าย และข้อจำกัดด้านเทคโนโลยี พวกเขาใช้ระบบตัวแทนเพื่อพัฒนาและตรวจสอบ PBM และเพื่อเปรียบเทียบกับกลไกการเสนอราคาที่ตรงกันสูงต่ำ พวกเขาอ้างว่า PBM เพิ่มประสิทธิภาพการจัดซื้อไฟฟ้าอย่างมีนัยสำคัญและส่งเสริมการเติบโตทางเศรษฐกิจ อย่างไรก็ตาม PBM เป็นเพียงโมเดลในอุดมคติและยังไม่ได้นำไปใช้กับตลาดไฟฟ้าจริง ในการศึกษาอื่น [ 8] ผู้เขียนจัดการการประมูลแบบย้อนกลับแบบรวมหลายหน่วยสำหรับรายการเดียวและหลายรายการในบริบทของตลาดค้าปลีกไฟฟ้า พวกเขาอนุญาตให้เสนอราคาบางส่วนเพื่อเพิ่มผลกำไรของผู้ประมูลสูงสุด พวกเขาเปิดเผยอัลกอริธึม WD การล้างข้อมูลแบบรายการเดียวและหลายรายการที่เหมาะสมที่สุด (โดยใช้เทคนิคแบบเดรัจฉาน) ด้วยการเสนอราคาแบบจำกัด มีการประมูลทุกวันโดยบริษัทสาธารณูปโภคแข่งขันกัน 24 รายการ (แต่ละรายการมีความยาว 1 ชั่วโมง) ผู้เขียนใช้รูปแบบการเสนอราคา Vickrey-Clarke-Groves เพราะในโปรโตคอลนี้ กลยุทธ์ที่โดดเด่นของผู้ประมูลคือส่งการประเมินมูลค่าที่แท้จริงของรายการ พวกเขาตรวจสอบวิธี WD สองวิธีโดยเปรียบเทียบกับอัลกอริธึม WD ที่เหมาะสมที่สุดที่มีอยู่ อีกไม่นาน [ 16] พัฒนา CRA บนเว็บ (หน่วยเดียวและแอตทริบิวต์เดียว) พร้อมอินเทอร์เฟซผู้ใช้สำหรับตลาดค้าปลีกไฟฟ้าเพื่อลดค่าใช้จ่ายของผู้บริโภค การประมูลนี้อนุญาตให้ผู้บริโภคเปิดการประมูล กำหนดปริมาณการใช้รายชั่วโมง และเลือกซัพพลายเออร์ที่มีการจัดหาพลังงานที่ถูกที่สุด ผู้เขียนอ้างว่าความยืดหยุ่นของผู้บริโภคนี้สร้างการแข่งขันที่มากขึ้นระหว่างซัพพลายเออร์ และเพิ่มจำนวนซัพพลายเออร์และผลกำไรของผู้บริโภคในท้ายที่สุด พวกเขาใช้เครื่องมือเพิ่มประสิทธิภาพ IBM CPLEX ที่มีชื่อเสียงเพื่อตัดสินผู้ชนะการประมูล พวกเขาพิสูจน์ว่าโปรโตคอลของพวกเขาสร้างการจัดสรรการใช้ไฟฟ้าอย่างมีประสิทธิภาพ เนื่องจากผู้บริโภคซื้อไฟฟ้าจากหลายบริษัทเพื่อลดค่าใช้จ่ายของพวกเขา อย่างไรก็ตาม ระบบการประมูลนี้ยังไม่ได้ทดสอบกับตลาดจริง

ผลกระทบทางเศรษฐกิจ
รายงานล่าสุดส่วนใหญ่เกี่ยวกับตลาดค้าส่งไฟฟ้าในอเมริกาใต้ (เช่น บราซิล) และยุโรป (เช่น เยอรมนีและสหราชอาณาจักร) ในช่วงหลายปีที่ผ่านมา หลายประเทศหันมาใช้พลังงานหมุนเวียน โดยเฉพาะพลังงานลมและแสงอาทิตย์ ข้อมูลอ้างอิง [ 3 ] แสดงให้เห็นว่าในบราซิล ผู้ผลิตไฟฟ้ารายใหญ่ที่สุดจากพลังงานหมุนเวียน การประมูลมีบทบาทอย่างมากในการนำต้นทุนด้านพลังงานกลับมาใช้ใหม่พร้อมผลกำไร ผู้เขียนได้หารือเกี่ยวกับนโยบายจูงใจระยะยาวของตลาดพลังงานหมุนเวียนและการประมูลระยะยาว อ้างอิง [ 18] วิเคราะห์ตลาดของประเทศส่วนใหญ่ในยุโรปโดยเน้นที่ตลาดวันข้างหน้า ระหว่างวัน และตลาดสมดุล บทความนี้เปรียบเทียบตลาดเหล่านี้โดยพิจารณาจากกลไกการเสนอราคา การสร้างราคา และเวลา เป้าหมายของการประมูลเหล่านี้คือการลดต้นทุนการจัดการ ผู้เขียนกล่าวว่าความรู้ที่ดีเกี่ยวกับตลาดไฟฟ้าเป็นกุญแจสำคัญในการทำกำไรจากโรงไฟฟ้าเพียงแห่งเดียวหรือจากพอร์ตโฟลิโอ พวกเขายังวิเคราะห์โครงการที่ดำเนินการโดยหน่วยงานไฟฟ้าของยุโรปเพื่อให้สอดคล้องกับตลาดค้าส่งในทวีป นอกจากนี้ ตามรายงานของหน่วยงานแห่งหนึ่ง การรวมตลาดประมูลไฟฟ้าด้วยยอดขายส่งสามารถประหยัดเงินได้หลายร้อยล้านดอลลาร์ต่อปี ใน [ 2] ผู้เขียนมีความสนใจในการออกแบบการประมูล โครงสร้างข้อมูล และพฤติกรรมการเสนอราคาที่มีอิทธิพลต่อผลลัพธ์ของตลาดเมื่อผู้เสนอราคาไม่ทราบถึงต้นทุนของคู่แข่งอย่างเต็มที่ พวกเขาตรวจสอบสถานการณ์ของตลาดและกล่าวถึงประสิทธิภาพของตลาดที่ได้รับการปรับปรุงเมื่อจำนวนขั้นตอนของตารางการประมูลถูกจำกัด จากการวิจัยของพวกเขา ความโปร่งใสของตลาดยังมีบทบาทสำคัญในประสิทธิภาพของตลาดการประมูล ผู้เขียนได้พัฒนาการประมูลจัดซื้อจัดจ้างหลายหน่วยโดยที่ซัพพลายเออร์มีต้นทุนและหน่วยการผลิตที่ไม่แน่นอน สุดท้าย [ 19] กล่าวถึงการเปลี่ยนแปลงของยุโรปสู่พลังงานสีเขียวในตลาด ผู้เขียนสรุปว่าการประมูลเป็นตัวเลือกที่ดีที่สุดในตลาดไฟฟ้าเนื่องจากสามารถประหยัดต้นทุนได้มาก ตัวอย่างเช่น พวกเขากล่าวถึงความสำเร็จของสหราชอาณาจักรที่ลดราคาค่าไฟฟ้าโดยใช้แหล่งพลังงานหมุนเวียน

เทคนิค WD วิวัฒนาการ
ข้อมูลอ้างอิง [ 20 ] แสดงให้เห็นว่าอัลกอริธึมวิวัฒนาการมีความเหมาะสมและทำงานได้ดีในบริบทของการประมูลแบบรวม ผู้เขียนได้เปิดเผย Evolutionary Iterative Random Search Algorithm ที่กำหนดไว้สำหรับการประมูลที่มีหลายหน่วยและหลายรอบ พวกเขาแสดงให้เห็นว่าโปรโตคอลของพวกเขาบรรลุ Nash Equilibrium ด้วยวิธีต่อไปนี้: สมมติว่าผู้เสนอราคาทั้งหมดเสนอราคาเดียวกันในตอนเริ่มต้น หากผู้เสนอราคาคนใดเสนอราคาสูงกว่า มูลค่าสาธารณูปโภคของราคาเสนอจะลดลง มิฉะนั้น ค่ายูทิลิตี้จะเป็นศูนย์ กรณีเดียวกันกับผู้ขาย สถานการณ์นี้บ่งชี้ว่าตลาดอยู่ในสมดุลของแนช อ้างอิง [ 21] นำเสนอแนวทางการจัดสรรทรัพยากรที่เหมาะสมที่สุดตาม GA สำหรับการประมูลแบบรวมที่มีหลายหน่วยและหลายรอบ วิธีนี้แสดงให้เห็นว่าเป็นไปได้และมีประสิทธิภาพผ่านการจำลอง สามารถเพิ่มจำนวนการซื้อขายรวมของผู้ขายให้สูงสุด และลดเวลาในการดำเนินการในบริบทของปัญหา WD แหล่งอ้างอิง [ 21 ] อ้างว่าเมื่อปัญหาการจัดสรรทรัพยากรมีวิธีแก้ปัญหาที่เป็นไปได้ สมดุลของแนชจะรับประกันเสมอ นอกจากนี้ ใน [ 6] ผู้เขียนเสนอ Nash Equilibrium Search Approach (NESA) ที่ประกอบด้วยขั้นตอนการค้นหาในท้องถิ่นและอัลกอริธึมวิวัฒนาการ พวกเขาแก้ไขปัญหา WD ในบริบทของการประมูลแบบรวมมาตรฐาน และตรวจสอบขั้นตอนของ WD โดยการวัดประสิทธิภาพของโซลูชัน Nash-Equilibrium โดยพิจารณาจากประสิทธิภาพในการสร้างรายได้ ประสิทธิภาพทุกเวลา และการเปรียบเทียบโซลูชันที่เหมาะสมที่สุด NESA สามารถผลิตได้ใกล้เคียงกับโซลูชันที่เหมาะสมที่สุด นอกจากนี้ [ 6 ] แสดงให้เห็นว่า NESA ทำงานได้ดีสำหรับการตั้งค่ามาตราส่วนขนาดใหญ่ (ผู้เสนอราคา 2,000 รายและ 200 รายการ) และรายเล็ก (ผู้เสนอราคา 1,000 รายและรายการ 100 รายการ) พวกเขายังกล่าวถึงความเสถียรของ Nash Equilibrium เพื่อแก้ปัญหา WD ในการประมูลแบบผสมผสาน หลังจากผ่านไประยะหนึ่ง สมดุลจะถูกสร้างขึ้นและยังคงอยู่ในตำแหน่งสมดุล

ประมูลไฟฟ้าจากแหล่งต่างๆ
คุณสมบัติการประมูล
เราออกแบบกลไก CRA ไฟฟ้าด้วยคุณสมบัติที่เกี่ยวข้องตามที่อธิบายไว้ด้านล่าง

1)
ย้อนกลับ. บริษัทจัดจำหน่าย (ผู้ซื้อ) รับซื้อไฟฟ้าจากซัพพลายเออร์หลายราย ไฟฟ้านี้จำเป็นสำหรับช่วงเวลาที่มีการจ่ายไฟฟ้าไม่เพียงพอ ซึ่งมักจะใช้เวลาประมาณหนึ่งหรือสองชั่วโมง ซัพพลายเออร์อาจเป็นผู้อยู่อาศัยหรือโรงงานก็ได้ เราทำสัญญาไฟฟ้าจากแหล่งพลังงานที่หลากหลายซึ่งแบ่งออกเป็นสองประเภทหลัก: พลังงานหมุนเวียนและโหลดที่ควบคุมได้แบบแอคทีฟ (เรียกอีกอย่างว่าการจัดเก็บ) อดีตมีสองประเภทย่อย: พลังงานผันแปร (ไม่สามารถควบคุมได้เนื่องจากลักษณะที่คาดเดาไม่ได้) และพลังงานหมุนเวียนที่ไม่ต่อเนื่อง

2)
รวม การประมูลประกอบด้วยหลายรายการ โดยแต่ละรายการแสดงช่วงเวลาสิบห้านาทีภายในช่วงความต้องการ ด้วยวิธีนี้ ผู้อยู่อาศัยจะสามารถขายพลังงานให้กับบริษัทโครงข่ายไฟฟ้าได้ เนื่องจากพวกเขาจะสามารถผลิตไฟฟ้าได้เพียงพอต่อความต้องการใช้หน้าต่างภายใน 15 นาที

3)
สองวัตถุประสงค์ที่ขัดแย้งกัน ซัพพลายเออร์แข่งขันกันในสองคุณสมบัติ คือ ปริมาณและราคาไฟฟ้า คุณลักษณะเหล่านี้ขัดแย้งกันเนื่องจากวัตถุประสงค์ของ บริษัท ยูทิลิตี้คือการลดราคาและเพิ่มปริมาณพร้อมกัน

4)
ข้อจำกัดในการซื้อขาย ผู้ซื้อต้องตัดสินใจเกี่ยวกับข้อกำหนดในการซื้อขายบางอย่าง เช่น ระยะเวลาความต้องการ ปริมาณพลังงาน และราคาที่กำหนด ผู้ให้บริการยังต้องระบุความต้องการของตนเอง เช่น ราคาขั้นต่ำและข้อจำกัดในการปฏิบัติงาน ซึ่งขึ้นอยู่กับประเภทพลังงานและต้นทุนการผลิต ราคาไฟฟ้าอาจแตกต่างกันไปตลอดทั้งวันในตลาดค้าปลีกฟรี

5)
ปิดประมูลครับ. การประมูลของเราปิดการประมูลซึ่งจะไม่เปิดเผยข้อมูลใด ๆ เกี่ยวกับข้อเสนอของคู่แข่งเพื่อปกป้องความเป็นส่วนตัวของพวกเขา ด้วยโปรโตคอลการประมูลแบบปิดผนึก การบอกความจริงเป็นกลยุทธ์หลักในการประมูล [ 8 ] การประมูลที่ปิดสนิทนั้นเรียบง่าย ส่งเสริมการแข่งขันระหว่างผู้เสนอราคาและป้องกันการสมรู้ร่วมคิด [ 17 , 22 ] มีการแสดงให้เห็นในวรรณคดีว่าการประมูลแบบปิดผนึกดึงดูดผู้เข้าร่วมมากกว่าการประมูลแบบเปิดจากน้อยไปมาก

6)
ประมูลสองรอบ. ในรอบแรก ซัพพลายเออร์พลังงานผันแปรจะได้รับโอกาสในการแข่งขันรายการที่สามารถจ่ายไฟฟ้าได้ตามพยากรณ์อากาศ แหล่งลมและพลังงานแสงอาทิตย์มีส่วนอย่างมากต่อตลาดไฟฟ้าของบราซิลในช่วงฤดูหนาวและฤดูร้อน ตามลำดับ [ 3 ] ในการประมูลระยะยาว พลังงานลมได้พิสูจน์ศักยภาพของตลาดเนื่องจากประสิทธิภาพที่ดี [ 3 ] เพื่อรักษาความต้องการพลังงานที่เหลืออยู่หลังจากรอบแรก แหล่งอื่นๆ ที่ไม่ต่อเนื่อง เช่น โหลดที่ควบคุมได้และพลังงานหมุนเวียน จะเข้าร่วมในรอบที่สอง ตัวอย่างเช่น การจัดเก็บข้อมูลสามารถรองรับความต้องการของระบบไฟฟ้าได้ตลอดเวลา

ขั้นตอนการประมูล
การประมูลไฟฟ้าของเราดำเนินการกับหกขั้นตอนหลัก ซึ่งอธิบายไว้ในส่วนต่อไปนี้ รูปที่ 1แสดงตัวอย่างสถานการณ์การจัดซื้อไฟฟ้า

มะเดื่อ 1
รูปที่ 1
การประมูลย้อนกลับแบบผสมผสานไฟฟ้า

ภาพขนาดเต็ม
ความต้องการประมูล
บริษัทยูทิลิตี้ระบุความต้องการโดยมีข้อกำหนดดังต่อไปนี้:

1)
ระยะเวลาความต้องการ ช่วงเวลาของกระแสไฟฟ้าที่ต้องการ (ช่วงพีค) ซึ่งแบ่งเป็นช่วงๆ ละสิบห้านาที (เรียกว่ารายการ)

2)
ปริมาณไฟฟ้า. ไฟฟ้าที่จำเป็นสำหรับช่วงความต้องการ; ปริมาณไฟฟ้าถูกกำหนดในแง่ของปริมาณไฟฟ้าขั้นต่ำ (เพื่อหลีกเลี่ยงไฟดับ) และปริมาณไฟฟ้าสูงสุด (เพื่อหลีกเลี่ยงส่วนเกิน)

3)
ข้อจำกัดในรายการ แต่ละรายการมีการอธิบายในแง่ของข้อจำกัดที่เข้มงวดสามประการ: ปริมาณไฟฟ้าขั้นต่ำและสูงสุด และราคาสูงสุดที่อนุญาต

การลงทะเบียนซัพพลายเออร์
จากนั้นเชิญซัพพลายเออร์ไฟฟ้าที่มีศักยภาพ (ที่เชื่อมต่อกับกริดไฟฟ้าผ่านสมาร์ทมิเตอร์แล้ว) ให้เข้าร่วมการประมูล และข้อกำหนดของผู้ซื้อจะถูกเปิดเผยต่อพวกเขาอย่างเต็มที่ ระบบวัดแสงอัจฉริยะช่วยให้ซัพพลายเออร์ถ่ายโอนไฟฟ้าไปยังกริดได้ ซัพพลายเออร์ที่สนใจรวมทั้งผู้อยู่อาศัยและโรงงานสามารถลงทะเบียนเพื่อจำหน่ายไฟฟ้าได้ตามความต้องการในการประมูล

ข้อจำกัดของซัพพลายเออร์และการเสนอราคา
ซัพพลายเออร์แตกต่างกันในแง่ของต้นทุนการผลิตไฟฟ้าและข้อจำกัดเกี่ยวกับวิธีการผลิตและส่งไฟฟ้า ราคาไฟฟ้าขึ้นอยู่กับต้นทุนการผลิตซึ่งอาจเพิ่มขึ้นเมื่อมีการผลิตไฟฟ้ามากขึ้น ก่อนทำการประมูล ผู้เข้าร่วมต้องยื่นข้อจำกัดสองประการ:

1)
ราคาขั้นต่ำของแต่ละรายการที่เลือก ซัพพลายเออร์ไม่เต็มใจที่จะขายน้อยกว่าราคานี้

2)
ข้อจำกัดในการปฏิบัติงานหรือระยะเวลาที่ซัพพลายเออร์จะใช้งานได้ในระหว่างระยะเวลาการส่งมอบหลังจากเปลี่ยนสถานะจากปิดเป็นเปิด

เมื่อกำหนดข้อจำกัดแล้ว ซัพพลายเออร์จะแข่งขันกันอย่างอิสระในช่วงเวลาหนึ่งหรือหลายช่วงเวลา (ชุดของรายการ) พวกเขาเสนอราคาสองแอตทริบิวต์สำหรับแต่ละรายการ: ปริมาณและราคา การเสนอราคาแต่ละครั้งควรเป็นไปตามข้อกำหนดของผู้ซื้อ หากผู้ขายตกลงซื้อของบางอย่าง เขาควรทำสัญญาให้ครบถ้วนหากเขาเป็นผู้ชนะของสินค้านั้น เพื่อช่วยบรรเทาความไม่แน่นอนที่เกี่ยวข้องกับพลังงานผันแปร เราออกแบบการประมูลของเราด้วยการเสนอราคาสองรอบ (แต่ละรอบใช้เวลา 20 นาที)

รอบที่ 1: รอบนี้สำหรับซัพพลายเออร์พลังงานแปรผัน เฉพาะผู้ให้บริการเหล่านี้เท่านั้นที่ได้รับอนุญาตให้เสนอราคาบางส่วน เนื่องจากอาจไม่สามารถผลิตไฟฟ้าได้ตลอดเวลา นอกจากนี้ยังแสดงให้เห็นว่าการเสนอราคาบางส่วนช่วยเพิ่มผลกำไรของผู้ซื้อ [ 8 ] เมื่อซัพพลายเออร์เหล่านี้ประมูลสินค้า เราคิดว่าพวกเขาสามารถจัดสรรไฟฟ้าตามพยากรณ์อากาศได้

รอบที่ 2: กรณีที่ความต้องการพลังงานยังคงไม่เป็นที่พอใจหลังจากรอบที่ 1 ส่วนที่เหลือจะถูกประมูลโดยผู้ให้บริการด้านพลังงานที่ควบคุมได้ (พลังงานหมุนเวียนและการจัดเก็บ) รายการในรอบที่สอง ได้แก่: รายการที่ไม่มีการเสนอราคาใด ๆ และ/หรือรายการที่ไม่ได้รับข้อเสนอที่ชนะในรอบแรก

ความมุ่งมั่นของผู้ชนะ
อัลกอริธึม WD ของเราจะค้นหาโซลูชันการแลกเปลี่ยนที่ดีที่สุดอย่างมีประสิทธิภาพ ซึ่งเป็นโซลูชันที่ตอบสนองความต้องการของผู้ซื้อทั้งหมด ตลอดจนข้อจำกัดของซัพพลายเออร์และการเสนอราคาที่ถูกต้อง โซลูชันนี้แสดงถึงส่วนผสมที่ดีที่สุดของซัพพลายเออร์ซึ่งส่งผลให้ราคาต่ำที่สุดและปริมาณไฟฟ้าสูงสุด แม่นยำยิ่งขึ้น ประกอบด้วยชุดซัพพลายเออร์ที่ชนะ ราคา ปริมาณและกำหนดการ จะมีผู้ชนะหลายคนสำหรับการประมูลและหนึ่งผู้ชนะสำหรับแต่ละรายการ WD ของเรามีรายละเอียดอยู่ใน Sect 4 .

การตั้งถิ่นฐานการค้า
ซัพพลายเออร์ที่ชนะจะจัดสรรไฟฟ้าที่จำเป็นตามกำหนดการซื้อขายและเสนอราคา เพื่อดำเนินการส่งมอบพลังงานที่ประสบความสำเร็จ เราพิจารณาสมมติฐานต่อไปนี้:

1)
ซัพพลายเออร์ทั้งหมดอยู่ในโหมดปิดเมื่อเริ่มต้นช่วงความต้องการ

2)
การสลับระหว่างซัพพลายเออร์ทุก ๆ สิบห้านาทีจะไม่เป็นปัญหาสำหรับโครงข่ายไฟฟ้า

3)
เรามีกำลังไฟฟ้าเต็มกำลังจากแหล่งไฟฟ้า

การตัดสินผู้ชนะการประมูล
ใน [ 23 ] ได้มีการแนะนำอัลกอริธึม EMOO ที่ใช้ GA ที่มีประสิทธิภาพเพื่อแก้ปัญหา CRA ด้วยไอเท็ม หน่วย คุณลักษณะ และวัตถุประสงค์หลายรายการ เราปรับแต่งอัลกอริธึมนี้ [ 23 ] เฉพาะสำหรับการประมูลไฟฟ้าของเรา: หลายรายการ, หน่วยเดียว, สองคุณสมบัติและสองวัตถุประสงค์ที่ขัดแย้งกัน สำหรับรายละเอียดเพิ่มเติม โปรดดูที่ [ 23 ] ในอัลกอริธึม 1 เราจะให้ภาพรวมของแนวทาง WD ของเราสำหรับทั้งสองรอบ การเสนอราคาที่ส่งทั้งหมด (ปริมาณและราคา) ควรได้รับการตรวจสอบก่อนโดยใช้ ( 1 ) และ ( 2 ) เพื่อให้แน่ใจว่าเป็นไปตามข้อจำกัดที่ระบุไว้ทั้งหมด

D e m a nNSนาที ,ฉัน≤ Q u a n t i tyส, ฉัน≤ D E เมตรnNSสูงสุด ,ฉัน
(1)
NSr ฉันcอีmin ,si≤ Pr ฉันcอีs ฉัน≤ Pr ฉันcอีสูงสุด ,ฉัน
(2)
โดยที่Demand min i คือความต้องการขั้นต่ำของผู้ซื้อสำหรับสินค้าi ; จำนวน siเป็นปริมาณที่จัดทำโดยผู้ขายsสำหรับรายการฉัน ; Demand max, iคือความต้องการสูงสุดของผู้ซื้อสำหรับสินค้าi ; ราคานาทีsiเป็นราคาต่ำสุดของผู้ขายsสำหรับรายการฉัน ; ราคาsiคือราคาการเสนอราคาของผู้ขายsสำหรับรายการฉัน ; ราคาสูงสุดiคือราคาสูงสุดของผู้ซื้อสำหรับรายการi .

ในปัญหาการเพิ่มประสิทธิภาพแบบหลายวัตถุประสงค์ เป้าหมายคือการเพิ่มฟังก์ชันความเหมาะสมของโซลูชันให้สูงสุดโดยคำนึงถึงข้อจำกัดของผู้ซื้อและผู้ขายใน ( 1 ) และ ( 2 ) แม้ว่าเราจะมีจุดมุ่งหมายทั้งการเพิ่มและการลดขนาดผสมกัน แต่แนวทาง WD ของเราจะแปลงให้เป็นวัตถุประสงค์สูงสุด ในตอนแรก อัลกอริธึม WD จะสร้างประชากรเริ่มต้นของโซลูชันโดยพิจารณาจากการกระจายแบบสม่ำเสมอ โซลูชันจะถูกเลือกแบบสุ่มจากพื้นที่โซลูชันทั้งหมด แม่นยำยิ่งขึ้น WD จะสุ่มผู้ขายสำหรับสินค้าแต่ละรายการ จากนั้นตรวจสอบว่าการเลือกนี้เป็นไปได้หรือไม่โดยตรวจสอบสมการสองสมการ: ผู้ขายที่เลือกได้เสนอราคาสำหรับสินค้าแต่ละรายการจริงใน ( 3) และอุปทานของผู้ขายเป็นไปได้เพราะเขายังคงทำงานในช่วงเวลานั้นตั้งแต่เริ่มโอนไฟฟ้าไปยังผู้ซื้อใน ( 4 ) ในกรณีที่ไม่สามารถเลือกรายการได้ อัลกอริธึมจะพยายามหาผู้ขายรายอื่น

บีไอNSs ฉัน= t r u e
(3)
A c t i v e D u r a t i oNSNS≥ Ce r t a i n Tฉันm E – St a r t ฉันn gNSฉันเมตรอีNS
(4)
ที่เสนอราคา si = จริงถ้าผู้ขายsได้วางการเสนอราคาสำหรับรายการหนึ่งซึ่งฉันเท็จอย่างอื่น; ActiveDuration sเป็นข้อ จำกัด ในการดำเนินงานของผู้ขายs ; SomeTimeคือช่วงเวลาที่กำลังดำเนินการภายในระยะเวลาการส่งมอบ StartingTime sเป็นเวลาที่ผู้ขายsเปิดจากสถานะปิด

ในการวนซ้ำแต่ละครั้ง ค่าความเหมาะสมของโซลูชันจะคำนวณจากฟังก์ชันอรรถประโยชน์สองฟังก์ชันสำหรับการเพิ่มปริมาณสูงสุดและการลดราคาให้น้อยที่สุด ฟังก์ชันแรกจะตรวจจับความแตกต่างระหว่างความต้องการสูงสุดของผู้ซื้อกับปริมาณที่ผู้ขายเสนอ ในขณะที่ฟังก์ชันที่สองจะคำนวณส่วนต่างระหว่างราคาเสนอซื้อและราคาต่ำสุดที่ผู้ขายกำหนด หลังจากนั้น ตามการวัดคุณภาพ เช่น ค่าความเหมาะสม วิธีการปรับปรุงประชากรของโซลูชันในปัจจุบันด้วยตัวดำเนินการ GA สามคน: การเลือก (Gambling-Wheel Disk [ 4 ]), ครอสโอเวอร์ (Modified Two-Point [ 14 ]) และการกลายพันธุ์ (Swap การกลายพันธุ์ [ 13]. เพื่อป้องกันไม่ให้ประชากรมีวิธีแก้ปัญหาที่คล้ายกันมากมาย อัลกอริธึมใช้กลไกความหลากหลายตามวิธีการเพิ่มระยะการอัดแน่นใน [ 23]. ในตัวแปรนี้ ฟังก์ชันฟิตเนสสัมพันธ์จะได้รับมาเพื่อคำนวณระยะห่างระหว่างโซลูชันที่เป็นตัวเลือกสองรายการ การทำเช่นนี้ทำให้เราป้องกันไม่ให้อัลกอริธึม WD มาบรรจบกันก่อนเวลาอันควรเป็นค่าที่เหมาะสมในเครื่อง โซลูชันชั้นยอดเป็นโซลูชันอันดับต้น ๆ ที่พบในแต่ละรุ่น ดังนั้นเราจึงใช้เทคนิคพิเศษเพื่อจัดเก็บโซลูชันเหล่านี้ในประชากรภายนอก เป้าหมายที่นี่คือเพื่อหลีกเลี่ยงการสูญเสียโซลูชันที่ดีและช่วยให้อัลกอริธึมของเรามาบรรจบกับสิ่งที่ดีที่สุดทั่วโลก จากประชากรทั้งสองรุ่นก่อนหน้าและรุ่นปัจจุบัน วิธีการเลือกโซลูชันที่มีอันดับสูงสุดเป็นผู้มีส่วนร่วมสำหรับคนรุ่นต่อไป หลังจากทำซ้ำขั้นตอนการปรับให้เหมาะสมนี้หลายครั้งแล้ว ระบบจะแสดงโซลูชันอันดับแรก (บางครั้งก็เหมาะสมที่สุด)

วิธีการของเราสามารถส่งคืนโซลูชันคุณภาพสูงได้ในเวลาที่มีประสิทธิภาพมาก ดังที่แสดงไว้ในส่วนการทดสอบ ความซับซ้อนของเวลาคือความท้าทายที่แท้จริงสำหรับปัญหาการเพิ่มประสิทธิภาพ ตัวอย่างเช่น ใน CRA ไฟฟ้าของเรา หากผู้ขาย 100 รายแข่งขันกันเพื่อ 8 รายการที่มีสองแอตทริบิวต์ พื้นที่โซลูชันจะเป็น2 ×10028ซึ่งมีขนาดใหญ่มาก อัลกอริธึมที่แน่นอนกลายเป็นสิ่งที่ทำไม่ได้เพราะจัดการกับพื้นที่โซลูชันทั้งหมด และแม้แต่อัลกอริทึมแบบฮิวริสติกก็ใช้เวลาพอสมควร วิธีนี้ใช้ไม่ได้กับแอปพลิเคชันในชีวิตจริง เช่น การประมูลออนไลน์ วิธีการของเราซึ่งประมวลผลชุดย่อยของพูลโซลูชัน สามารถปรับปรุงคุณภาพการออกกำลังกายได้ในเวลาอันสั้น

กรณีศึกษา
เราได้ใช้อัลกอริธึม WD ที่เสนอใน Java โดยใช้ NetBeans IDE 8.0.2 และรันบนซีพียู Intel (R) core (TM) i3-2330M ที่มีความเร็วโปรเซสเซอร์ 2.20 GHz และ RAM 4 GB ที่นี่เราแสดงไฟฟ้า CRA กับตลาดขนาดเล็ก (8 รายการและ 5 ผู้ขาย) ยูทิลิตี้ต้องการรักษาความปลอดภัยไฟฟ้าในช่วงเวลา 11:00 น. ถึง 13:00 น. โดยมีขั้นต่ำ 700 กิโลวัตต์และสูงสุด 850 กิโลวัตต์ ผู้ซื้อยังระบุความต้องการของเขาสำหรับแต่ละรายการแสดงในตารางที่ 1 เนื่องจากเรากำลังเผชิญกับคุณลักษณะที่ขัดแย้งกันสองประการ (ปริมาณและราคา) ผู้ซื้อจึงต้องจัดอันดับคุณลักษณะเหล่านี้จึงจะสามารถหาวิธีแก้ปัญหาการประนีประนอมยอมความ เขาอาจชอบคุณลักษณะหนึ่งมากกว่าคุณลักษณะอื่น ในสถานการณ์ปัจจุบันของเรา ปริมาณมีความสำคัญสูงกว่าราคาสำหรับสินค้าทั้ง 8 รายการ

ตารางที่ 1 ข้อกำหนดด้านยูทิลิตี้
ตารางขนาดเต็ม
ให้เราสมมติเรามีทั้งหมดห้าแหล่งพลังงานตารางที่เชื่อมต่อ (2 ลม 1 hydroelectricity, การจัดเก็บแบตเตอรี่ที่ 1 และ 1 แสงอาทิตย์-resident) ที่ลงทะเบียนในการประมูลครั้งนี้ในรูป. 1 ซัพพลายเออร์พลังงานผันแปรแข่งขันในรอบแรก ก่อนที่พวกเขาส่งราคาที่น้อยที่สุดของพวกเขาและระยะเวลาที่พวกเขาสามารถพักการใช้งานแสดงในตารางที่ 2 ตัวอย่างเช่น S1 อาจจ่ายไฟฟ้าสำหรับสินค้าที่ 1 ในราคาขั้นต่ำ 18 ดอลลาร์ และหลังจากเปิดใช้งาน S1 จะยังคงใช้งานได้เป็นเวลา 2 ชั่วโมง สัญลักษณ์ ‘–’ หมายความว่าในช่วงเวลานั้น ผู้ขายจะไม่มีการผลิตกระแสไฟฟ้า ถัดไป ผู้ขายทั้งสามรายส่งการเสนอราคาที่มีคุณสมบัติเหมาะสมสำหรับรายการที่เลือกซึ่งแสดงในตารางที่ 3. ตัวอย่างเช่น S1 เสนอราคาเพียงสามรายการเท่านั้น สำหรับรายการ 1 เขาสามารถจัดหา 105 กิโลวัตต์ในราคา $20 เราจะเห็นว่าไม่มีการเสนอราคาสำหรับรายการ 8

ตารางที่ 2 ข้อจำกัดของลมและแสงอาทิตย์
ตารางขนาดเต็ม
ตารางที่ 3 การเสนอราคาที่ถูกต้อง (ปริมาณและราคา) ของลมและแสงอาทิตย์
ตารางขนาดเต็ม
อัลกอริธึม WD ของเราจะแก้ปัญหาแบบผสมผสานด้านบนสำหรับรอบแรก ตารางที่ 4แสดงรายละเอียดของโซลูชันที่เป็นตัวเลือก วิธีแก้ปัญหานี้ไม่ถูกต้องเนื่องจากไม่เป็นไปตามเงื่อนไขความเป็นไปได้สองประการ (( 3 ) และ ( 4 )) โดยแท้จริงแล้ว S3 ได้รับเลือกสำหรับรายการ 3 และอีกครั้งสำหรับรายการ 7 ซึ่งหมายความว่าแหล่งที่มาต้องเปิดใช้งานเป็นเวลา 75 นาที แต่ระยะเวลาใช้งานของ S3 อยู่ที่ 1 ชั่วโมงเท่านั้น นอกจากนี้ S1 ยังได้รับเลือกสำหรับรายการ 4 แต่ไม่ได้เสนอราคาสำหรับรายการนั้น อัลกอริธึม WD พยายามหาผู้ขายรายอื่นสำหรับรายการ 4 และรายการ 7 หลังจากที่จำนวนหนึ่งของคนรุ่น (ที่นี่ 100), WD ส่งกลับทางออกที่ดีที่สุดของรอบแรกซึ่งยังไม่เสร็จสมบูรณ์เนื่องจากมีการพบว่าไม่มีความเป็นไปได้สำหรับผู้จัดจำหน่าย Item7 และไม่มีการเสนอราคาที่วาง Item8 แสดงในตารางที่ 4

ตารางที่ 4 คำตอบของผู้สมัครและผู้ชนะในรอบแรก
ตารางขนาดเต็ม
สำหรับรอบต่อไป ที่เก็บพลังน้ำและแบตเตอรี่จะแข่งขันกันเพื่อแย่งชิงสองรายการที่เหลือ ตารางที่ 5แสดงข้อจำกัดและการเสนอราคาที่ถูกต้อง ซัพพลายเออร์ S5 และ S4 เป็นผู้ชนะของรายการที่ 7 และรายการที่ 8 ตามลำดับ ในตารางที่ 6เราเปิดเผยรายละเอียดของโซลูชันสุดท้ายที่ชนะซึ่งประกอบด้วยข้อเสนอที่มีสิทธิ์เท่านั้น ยูทิลิตี้จะได้รับ 617 กิโลวัตต์จากพลังงานแปรผันในราคา 109 ดอลลาร์และ 199 กิโลวัตต์จากพลังงานหมุนเวียนแบบไม่ต่อเนื่องที่ 32 ดอลลาร์

ตารางที่ 5 ข้อจำกัดและการเสนอราคาที่ถูกต้องของพลังน้ำและแบตเตอรี่
ตารางขนาดเต็ม
ตารางที่ 6 การวิเคราะห์อุปทานของโซลูชันที่ชนะขั้นสุดท้าย
ตารางขนาดเต็ม
การตรวจสอบและการเปรียบเทียบ
เราวิเคราะห์ผลการประมูลในแง่ของเมตริกคุณภาพสองแบบ ได้แก่ ความเหมาะสมของโซลูชันและความซับซ้อนของเวลา เราทำการทดลองหลายครั้งด้วยชุดข้อมูลเทียมห้าชุด

ชุดข้อมูลจำลอง
เราสุ่มห้ากรณีของปัญหาการจัดซื้อไฟฟ้าแบบผสมผสาน ในตารางที่ 7เราให้รายละเอียดของชุดข้อมูลเทียมโดยเปลี่ยนจำนวนผู้ขาย รายการและรุ่น

ตารางที่ 7 ชุดข้อมูลจำลอง
ตารางขนาดเต็ม
ค่าสูงสุดของแต่ละแอตทริบิวต์จะถูกสุ่มเลือกจาก [100, 1000] และค่าต่ำสุดจาก [10% ของค่าสูงสุด, 50% ของค่าสูงสุด] การจัดอันดับของคุณสมบัติทั้งสองนั้นทำแบบสุ่มเช่นกัน เกี่ยวกับพารามิเตอร์ของอัลกอริธึม GA (ทั้งหมด 5 รายการ) เราทำการทดสอบการปรับพารามิเตอร์หลายอย่าง และจากผลลัพธ์ เราใช้การกำหนดค่าที่ดีที่สุดดังต่อไปนี้: จำนวนโซลูชันคือ 500 อัตราครอสโอเวอร์คือ 0.6 อัตราการกลายพันธุ์คือ 0.01 , จำนวนของโซลูชั่นยอดเยี่ยม = จำนวนโซลูชั่นของผู้เข้าร่วม และ อัตราการแก้ปัญหาที่ยอดเยี่ยม = 0.2 ผลลัพธ์ทั้งหมดที่ส่งคืนโดยวิธี WD แสดงถึงค่าเฉลี่ย 20 รัน

การวิเคราะห์ทางสถิติ
เราตรวจสอบอัลกอริธึม WD ทางสถิติตามชุดข้อมูล 1 รูปที่ 2แสดงค่าเฉลี่ยของค่าการวัดคุณภาพสำหรับรอบที่ 1 และ 2 และโดยรวมค่าสูงสุดและต่ำสุดของรุ่น นอกจากนี้ ตัวเลขเหล่านี้แสดงแถบข้อผิดพลาดด้วยระดับความเชื่อมั่น 95% สังเกตได้ว่าหลังจากผ่านไปหลายชั่วอายุคน ค่าความฟิตสูงสุดจะคงที่ ซึ่งหมายความว่าทางออกที่ดีที่สุดที่ WD พบอาจเป็นทางออกที่ดีที่สุด เป็นที่ชัดเจนว่า WD สามารถควบคุมความผันแปรของโซลูชันและความแตกต่างหลังจากผ่านไปหลายชั่วอายุคน

มะเดื่อ 2
รูปที่2
การวิเคราะห์ทางสถิติของ WD

ภาพขนาดเต็ม
การประเมินเวลาคำนวณ
เป้าหมายในที่นี้คือการประเมินประสิทธิภาพด้านเวลาของอัลกอริธึม WD ของเรา เราใช้ชุดข้อมูลที่แตกต่างกัน 2 โดยจำนวนรายการที่แสดงในรูปที่ได้. 3และชุดที่ 3 จำนวนของผู้ขายที่แสดงในรูปได้. 4 จากผลลัพธ์ เราอาจกล่าวได้ว่าเวลาคำนวณที่ต้องการไม่ใช่เลขชี้กำลังแต่เป็นพหุนาม เป็นที่ชัดเจนว่าเวลาดำเนินการเพิ่มขึ้นเชิงเส้นตามการเพิ่มขึ้นของรายการและผู้ขาย

มะเดื่อ 3
รูปที่3
เวลาคำนวณของ WD ตามจำนวนรายการที่แตกต่างกัน

ภาพขนาดเต็ม
มะเดื่อ 4
รูปที่ 4
เวลาคำนวณของ WD ตามจำนวนผู้ขายที่แตกต่างกัน

ภาพขนาดเต็ม
เปรียบเทียบกับอัลกอริธึมฮิวริสติก
เราเปรียบเทียบเวลาคำนวณของ WD กับวิธี WD แบบศึกษาสำนึกที่เป็นที่รู้จักกันดีอีกสามวิธี: ฝูงมดที่ปรับปรุงแล้ว (IAC) อัลกอริธึมการแจงนับด้วยการติดตามย้อนกลับ (EAB) และอัลกอริธึมทางพันธุกรรมสำหรับอินสแตนซ์หลายรายการในการประมูลแบบย้อนกลับแบบรวม (GAMICRA) วิธีการปรับให้เหมาะสมทั้งหมดเหล่านี้ส่งคืนโซลูชันที่ดีที่สุดเพียงหนึ่งเดียว การเปรียบเทียบอิงตามชุดข้อมูล 4 ตารางที่ 8ให้เวลาในการประมวลผลของ IAC, EAB และ GAMICRA สำหรับการประมูลย้อนกลับแบบผสมผสานที่ง่ายกว่ามาก สองรายการแรกนำมาโดยตรงจาก [ 24 ] และรายการสุดท้ายจาก [ 15 ] อย่างที่เราเห็นว่า WD นั้นเหนือกว่าทั้งหมดอย่างเห็นได้ชัด

ตารางที่ 8 เปรียบเทียบกับอัลกอริธึมฮิวริสติก
ตารางขนาดเต็ม
เปรียบเทียบกับอัลกอริธึมที่แน่นอน
เพื่อให้ได้แนวคิดที่ชัดเจนเกี่ยวกับความถูกต้องของ WD เราได้ดำเนินการอย่างเต็มรูปแบบใน Java สองขั้นตอนที่แน่นอนเพื่อแก้ปัญหา CRA ด้านไฟฟ้าที่มีข้อจำกัดของเรา:

1)
Brute Force ที่รับประกันความเหมาะสมของโซลูชัน เนื่องจากจะตรวจสอบพื้นที่โซลูชันทั้งหมด

2)
Branch and Bound [ 25 ] ซึ่งเป็นอัลกอริธึมที่ตรงต่อเวลามากที่สุด

เราเปรียบเทียบ WD กับอัลกอริธึมที่แน่นอนทั้งสองนี้โดยพิจารณาจากคุณสมบัติด้านประสิทธิภาพสองประการ: ประสิทธิภาพด้านเวลาและความแม่นยำ (วิธีแก้ปัญหาที่เหมาะสมที่สุดอยู่ใกล้แค่ไหน) สมการ ( 5 ) แสดงให้เห็นว่าเราวัดความแม่นยำได้อย่างไร เราใช้ชุดข้อมูล 4 และ 5 โดยที่ชุดข้อมูลเดิม (ค่อนข้างเล็ก) สำหรับ Brute Force และชุดข้อมูลหลังสำหรับ Branch และ Bound

WNSอีNSเอซีNS× 100 %
(5)
เกี่ยวกับชุดข้อมูล 4 ผู้ขาย 60 รายแข่งขันกันสำหรับ 24 รายการในรอบที่ 1 และผู้ขาย 40 รายสำหรับ 8 รายการในรอบที่ 2 หลังจากใช้ Brute Force (BF) ในชุดข้อมูลชุดแรก เราได้ผลลัพธ์ดังนี้ ในรอบที่ 1 ความแม่นยำของ WD อยู่ที่ 87.3% และในรอบที่ 2 อยู่ที่ 93.3% ความแม่นของ BF อยู่ที่ 100% ทั้งสองรอบ ดังนั้นเราจึงสามารถสรุปได้ว่าวิธี WD ของเราสามารถกลับมาใกล้เคียงกับโซลูชันที่เหมาะสมที่สุด ในทางกลับกัน วิธีการของเราสร้างวิธีแก้ปัญหาใน 0.182 วินาทีในรอบที่ 1 และ 0.063 วินาทีในรอบที่ 2 ในขณะที่ BF ใช้เวลามากกว่า 1 วันในรอบที่ 1 และเกือบ 1 วันในรอบที่ 2 โดยสรุป WD ใช้เวลาเพียง 0.245 วินาที ในขณะที่ BF ประมาณ 2 วัน

ตอนนี้เราพูดถึงเทคนิคที่สองที่แน่นอนที่เราใช้กับชุดข้อมูล 5 ในรอบ 1600 ผู้ขายเสนอราคาสำหรับ 15 รายการ ความแม่นยำของ WD คือ 91.32% และ WD จะสร้างโซลูชันที่ดีที่สุดใน 10.271 วินาที Branch and Bound (บีบี) ใช้เวลา 39.687 นาที ในรอบ 2400 ผู้ขายแข่งขันกัน 5 รายการ ความแม่นยำของ WD คือ 95.62% และโซลูชันจะถูกส่งคืนใน 0.231 วินาที ในขณะที่ BB ใช้เวลา 33.375 วินาที ดังนั้น WD ทั้งหมดจะใช้เวลาเพียง 10.502 วินาที ในขณะที่ BB 40.243 นาที

ผลทั้งหมดจะสรุปในตารางที่ 9 เป็นที่ชัดเจนว่าอัลกอริธึมที่ไม่สมเหตุสมผลกับค่าที่เพิ่มขึ้นของพารามิเตอร์การประมูล (รายการและผู้ขาย) โดยสรุป เราได้แสดงให้เห็นว่าวิธีการ WD ของเราไม่เพียงแต่สร้างโซลูชันในเวลาประมวลผลที่มีประสิทธิภาพมากเท่านั้น แต่ยังสร้างโซลูชันที่ใกล้เคียงที่สุดอีกด้วย

ตารางที่ 9 เปรียบเทียบกับอัลกอริธึมที่แน่นอน
ตารางขนาดเต็ม
บทสรุป
เพื่อหลีกเลี่ยงไฟฟ้าดับในช่วงที่มีการใช้งานสูงสุดที่คาดการณ์ไว้ บริษัทสาธารณูปโภคของรัฐสามารถจัดหาไฟฟ้าจากซัพพลายเออร์รายอื่น (โดยรวม) ด้วยความช่วยเหลือของการประมูลออนไลน์ สามารถซื้อไฟฟ้าที่ต้องการได้จากแหล่งพลังงานหมุนเวียนที่หลากหลาย เราได้นำเสนอการประมูลแบบย้อนกลับด้วยไฟฟ้าที่ได้รับการออกแบบมาโดยเฉพาะสำหรับการจัดหาทรัพยากรในระยะสั้น เพื่อให้สามารถยึดไฟฟ้าได้ การประมูลของเราประกอบด้วยการประมูลสองรอบ: ในรอบแรก ซัพพลายเออร์พลังงานผันแปรจะประมูลชุดสินค้า ในรอบที่สอง ผู้จัดเก็บและควบคุมพลังงานหมุนเวียนจะประมูลรายการใด ๆ ที่ยังเหลืออยู่ ตลาดอัจฉริยะแห่งใหม่ของเราทำให้ซัพพลายเออร์ไฟฟ้าทุกขนาดสามารถแข่งขันได้ ซึ่งรวมถึงเจ้าของบ้านด้วย เราได้แก้ไขปัญหาการจัดซื้อจัดจ้างแบบผสมผสานที่มีข้อจำกัด (หลายรายการ สองคุณลักษณะและสองวัตถุประสงค์ที่ขัดแย้งกัน) โดยใช้เทคนิคการเพิ่มประสิทธิภาพแบบหลายวัตถุประสงค์เชิงวิวัฒนาการเพื่อให้สามารถค้นหาโซลูชันการแลกเปลี่ยนที่ดีที่สุด ส่วนหลังแสดงถึงการผสมผสานที่ดีที่สุดของผู้ขายซึ่งส่งผลให้มีต้นทุนต่ำสุดและปริมาณไฟฟ้าสูงสุด การออกแบบการประมูลที่มีช่วงเวลา 15 นาทีช่วยให้มีโอกาสเท่าเทียมกันมากขึ้นระหว่างผู้เล่นรายเล็ก (เช่นผู้อยู่อาศัย) และผู้เล่นรายใหญ่ (โรงงาน) เราเชื่อว่าการประมูลไฟฟ้าที่เสนอจะส่งเสริมการขยายตัวของโรงไฟฟ้าพลังงานหมุนเวียนและการผลิตไฟฟ้าจากที่บ้าน เนื่องจากเทคโนโลยีใหม่ ๆ สามารถเข้าถึงผู้อยู่อาศัยได้มากขึ้น (ยานพาหนะไฟฟ้าและแผงโซลาร์เซลล์) โดยสรุป การประมูลไฟฟ้าของเราเป็นแนวคิดใหม่ในแง่ของ: ➀ปัญหาที่กำลังได้รับการแก้ไข (ปริมาณความต้องการสูงสุดที่คาดการณ์ไว้); ➁คุณสมบัติของตลาดไฟฟ้าอัจฉริยะของเรา

จากการทดลองหลายครั้ง เราได้แสดงให้เห็นว่าวิธีการ WD ของเราไม่เพียงแต่สามารถระบุผู้ชนะได้ในขณะที่ยังรักษาเวลาในการดำเนินการอย่างมีประสิทธิภาพมากเท่านั้น แต่ยังสามารถสร้างโซลูชันที่ใกล้เคียงที่สุดได้อีกด้วย เรามองว่าการจัดสรรไฟฟ้าของเราเป็นชุดของการจัดสรรที่เหมาะสมที่สุดหลายรายการ โดยแต่ละรายการจะสอดคล้องกับรายการที่ตรงตามข้อจำกัดของความต้องการในการประมูลและไม่สามารถจัดสรรที่ทำกำไรได้มากกว่า แหล่งอ้างอิง [ 21 ] ชี้ให้เห็นว่าการประมูลแบบผสมผสานที่บรรลุการจัดสรรทรัพยากรที่ต้องการ (เพราะวิธีแก้ปัญหาที่เป็นไปได้มีอยู่เสมอ) ท้ายที่สุดแล้วจะเติมเต็มสมดุลของแนช (ความสมดุลของตลาดประเภทหนึ่ง) ดังนั้นเราจึงสามารถอ้างได้ว่าอัลกอริธึม WD ของเราสอดคล้องกับดุลยภาพของตลาดเช่นกัน

เพื่อนำการประมูลไฟฟ้าใหม่ของเรามาใช้ สาธารณูปโภคและผู้มีอำนาจตัดสินใจของพวกเขาจะต้องกำหนดนโยบายสำหรับการทำสัญญาไฟฟ้ากับบริษัทเอกชนและบุคคล นอกจากนี้ สาธารณูปโภคควรตรวจสอบประสิทธิภาพทางเศรษฐกิจของตลาดที่เสนอในทางปฏิบัติ
ข้อมูลที่รวบรวมจากผู้ใหญ่ชาวอังกฤษที่มีอายุมากกว่าพยายามกำหนดความสัมพันธ์ระหว่างการเลิกสูบบุหรี่และความชอบด้านเวลา (Adams 2009b ) ผู้เขียนพบว่าเมื่อระยะเวลาการวางแผนทางการเงินของอาสาสมัครเพิ่มขึ้น โอกาสในการสูบบุหรี่ลดลง แม้ว่าการเลิกบุหรี่จะไม่แสดงรูปแบบเดียวกัน ในการศึกษานี้ ผู้เข้าร่วมถูกจำแนกตามการตอบคำถาม “ในการวางแผนการออมและการใช้จ่ายของครอบครัว/คุณ ช่วงเวลาใดต่อไปนี้มีความสำคัญมากกว่าสำหรับคุณและสามี/ภรรยา/คู่ครองของคุณ” (อดัมส์2009bหน้า 530). ตัวเลือกของพวกเขามีตั้งแต่สองสามสัปดาห์ข้างหน้าไปจนถึงนานกว่า 10 ปี อดัมส์ ( 2009b) ชี้ให้เห็นว่า คำถามนี้เกี่ยวข้องกับโดเมนการเงินมากกว่า ในขณะที่การเลิกบุหรี่เกี่ยวข้องกับโดเมนด้านสุขภาพมากกว่า Scharff และ Viscusi ( 2011) พบว่าอัตราการลดเวลาโดยนัยของผู้สูบบุหรี่สูงกว่าผู้ไม่สูบบุหรี่ (กล่าวคือ ผู้สูบบุหรี่มุ่งอนาคตน้อยกว่าผู้ไม่สูบบุหรี่) โดยตรวจสอบรายได้ที่บุคคลได้รับเทียบกับอันตรายที่เกี่ยวข้องกับงาน วิธีนี้ยังอาจล้มเหลวในการแยกโดเมนสุขภาพและการเงินอย่างแท้จริง เนื่องจากตามที่กล่าวไว้ก่อนหน้านี้ การตั้งค่าเวลาอาจเปลี่ยนแปลงสำหรับโดเมนต่างๆ นอกจากนี้ ตัวแปรจำนวนหนึ่งที่ละไว้อาจทำให้การวิเคราะห์สับสน ซึ่งรวมถึงความรุนแรงของการเสพติด การวินิจฉัยโรคที่เกี่ยวข้องกับการสูบบุหรี่ การรับรู้ความสามารถของตนเอง ข้อมูลและแนวคิดเกี่ยวกับผลร้ายของการสูบบุหรี่ และการสนับสนุนทางสังคมในหมู่ผู้อื่น (Ward et al. 2540 ). การตั้งค่าการสูบบุหรี่และเวลามีความสัมพันธ์กับข้อมูลและการศึกษาในขอบเขตที่ Fersterer และ Winter-Ebmer (พ.ศ. 2546 ) ใช้สถานะการสูบบุหรี่เมื่ออายุ 16 ปี ทำนายผลสัมฤทธิ์ทางการศึกษาในอนาคต อย่างไรก็ตาม สิ่งหนึ่งที่ต้องทราบด้วยว่าไม่ใช่ทุกการศึกษาที่พบว่ามีความสัมพันธ์ที่สำคัญระหว่างอัตราคิดลดเวลากับการสูบบุหรี่ ตัวอย่างเช่น Harrison และคณะ ( พ.ศ. 2553 ) พบว่าผู้สูบบุหรี่ชายมีอัตราคิดลดที่สูงกว่าผู้ชายไม่สูบบุหรี่อย่างมีนัยสำคัญ แต่การสูบบุหรี่ไม่มีผลกระทบอย่างมีนัยสำคัญต่ออัตราคิดลดในสตรี ซึ่งอาจเนื่องมาจากความแตกต่างในวิธีการกระตุ้น (Khwaja et al. 2007 )

เมื่อพิจารณาความชอบด้านเวลาและบทบาทในการสูบบุหรี่ (โดยเฉพาะอย่างยิ่งเกี่ยวกับการเลิกบุหรี่) ควรพิจารณาการหลีกเลี่ยงความเสี่ยงด้วย หรือโอกาสที่บุคคลจะรับความเสี่ยงมากขึ้นเพื่อแลกกับความเป็นไปได้ของรางวัลที่มากขึ้น (การหลีกเลี่ยงความเสี่ยงส่งผลโดยตรงต่อ ความเว้าของฟังก์ชันยูทิลิตี้ ดูตัวอย่าง Andersen et al. 2008 ) การศึกษาโดยใช้ตัวอย่างคนญี่ปุ่นพบว่าอัตราการลดเวลาที่ต่ำกว่า (เช่น การปฐมนิเทศในอนาคตมากขึ้น) และการหลีกเลี่ยงความเสี่ยงทำนายความสำเร็จในการเลิกบุหรี่อย่างมีนัยสำคัญ (Goto et al. 2009 ; Ida and Goto 2009b). วิธีการเลือกแบบแยกส่วน ซึ่งอาสาสมัครเลือกระหว่างแอตทริบิวต์ที่แตกต่างกันสองแบบ ช่วยให้สามารถพิจารณาร่วมกันเกี่ยวกับการกำหนดลักษณะความเสี่ยงและเวลา และการประเมินอัตราคิดลดที่แท้จริงและค่าสัมประสิทธิ์การหลีกเลี่ยงความเสี่ยง อัตราความพึงพอใจด้านเวลาที่สูงขึ้นและค่าสัมประสิทธิ์การหลีกเลี่ยงความเสี่ยงที่ต่ำกว่ามีความสัมพันธ์กับโอกาสในการสูบบุหรี่ที่เพิ่มขึ้น (Ida และ Goto 2009a , b ) วิธีการเลือกแบบไม่ต่อเนื่องให้ข้อมูลมากกว่าการศึกษาที่ใช้พร็อกซีการตั้งค่าเวลาเพื่อกำหนดความสัมพันธ์ระหว่างพฤติกรรมและความชอบด้านเวลา (Goto et al. 2009 ) นอกจากนี้ การใช้พร็อกซีการตั้งค่าเวลาอาจทำให้การวิเคราะห์สับสน เนื่องจากพฤติกรรมบางอย่าง (เช่น การสูบบุหรี่) ที่เกี่ยวข้องกับการตั้งค่าเวลาอาจเกี่ยวข้องกับการหลีกเลี่ยงความเสี่ยงด้วยฉนอกจากการสูบบุหรี่ อาการหรือพฤติกรรมอื่นๆ เช่น การมีน้ำหนักตัวมากเกินไป การไม่คาดเข็มขัดนิรภัย และการดื่มหนัก พบว่ามีความสัมพันธ์เชิงลบอย่างมีนัยสำคัญกับการหลีกเลี่ยงความเสี่ยง (Anderson and Mellor 2008 ) ดังนั้นจึงค่อนข้างยากที่จะแยกการตั้งค่าเวลาและการหลีกเลี่ยงความเสี่ยงเมื่อใช้พร็อกซี่

จากการตรวจสอบการศึกษาที่เกี่ยวข้องกับพฤติกรรมการสูบบุหรี่กับการตั้งค่าเวลา (ดูตารางที่ 5 ) เราพบว่าคำถามที่สำคัญที่สุดข้อหนึ่งที่ถามในการศึกษาเหล่านี้คือวิธีการเพิ่มประสิทธิภาพของโปรแกรมการเลิกบุหรี่และป้องกันไม่ให้บุคคลจำนวนมากขึ้น . แม้ว่าการปฏิบัติจริงจะยังไม่ชัดเจน แต่ขั้นตอนสำคัญที่กล่าวถึงคือการเพิ่มการวางแนวในอนาคต (Adams 2009b) และทำให้มีอัตราคิดลดต่ำลง ดังนั้นทิศทางของนโยบายสาธารณะจึงอาจขึ้นอยู่กับกรอบทฤษฎีที่สนับสนุนพฤติกรรมเสพติด หากการเสพติดการสูบบุหรี่ทำงานภายใต้รูปแบบการเสพติดที่มีเหตุผล โปรแกรมบริการสาธารณะที่ออกแบบมาเพื่อสื่อสารอันตรายที่บุหรี่ทำให้เกิดกับผู้อื่นและตนเองอาจเป็นประโยชน์ ในทางกลับกัน ภายใต้แบบจำลองที่ไร้เหตุผลและไร้เหตุผล ปัจเจกบุคคลมักจะเสียใจกับการเลือกในปัจจุบันของตนในภายหลัง ดังนั้นอุปกรณ์ที่ออกแบบมาเพื่อส่งเสริมการควบคุมตนเองในปัจจุบัน เช่น ภาษีการสูบบุหรี่ที่เพิ่มขึ้นและการห้ามสูบบุหรี่อาจเป็นประโยชน์ อุปกรณ์เหล่านี้จะเป็นประโยชน์ภายใต้รูปแบบการเสพติดอย่างมีเหตุมีผล (Sloan and Wang 2008). การวิเคราะห์โครงการต่อต้านการสูบบุหรี่ที่ประสบความสำเร็จควรให้แนวทางในประสิทธิภาพของนโยบายเหล่านี้ ตัวอย่างเช่น ความพยายามของรัฐบาลเกาหลีในช่วงต้นศตวรรษที่ 21 ดูเหมือนจะปรับปรุงความสำเร็จและความตั้งใจในการเลิกบุหรี่ ท่ามกลางความพยายามของพวกเขาเป็นผลรวมของภาษีบุหรี่ที่เพิ่มขึ้นและการรณรงค์ต่อต้านการสูบบุหรี่ (สิ่งเหล่านี้ไม่ได้ประเมินแยกกันในแบบจำลอง) (Hong and Collins 2010 ) นอกจากนี้ การศึกษายังแสดงให้เห็นถึงบทบาทของการส่งเสริมพฤติกรรมสุขภาพโดยทั่วไปในนโยบายสาธารณะ บุคคลที่ออกกำลังกายมากขึ้นและดื่มในระดับปานกลางพบว่ามีแนวโน้มที่จะเลิกสูบบุหรี่มากขึ้น (Hong and Collins 2010 )

ตารางที่ 5 พร็อกซีการตั้งค่าเวลาและวิธีการกระตุ้นในการศึกษาการสูบบุหรี่
ตารางขนาดเต็ม
ความสัมพันธ์ระหว่างการตั้งค่าเวลา พฤติกรรมสุขภาพ และสถานะทางเศรษฐกิจและสังคม
วรรณกรรมที่กล่าวถึงข้างต้นมีความเชื่อมโยงระหว่างความชอบด้านเวลากับสถานะที่เกี่ยวข้องกับสุขภาพ เช่น นิสัยการสูบบุหรี่ (หรือการขาดสิ่งเหล่านี้) และโรคอ้วน ประเด็นที่กล่าวถึงในที่นี้คือการทำงานร่วมกันระหว่างพฤติกรรมเหล่านี้ในแง่ของการพิจารณาด้านประชากรที่อาจสร้างความสับสน (สรุปในตารางที่ 6 ) ในการศึกษาหนึ่ง สถานะทางเศรษฐกิจและสังคม (วัดโดยดัชนีการกีดกันหลายครั้ง) มีความสัมพันธ์อย่างมีนัยสำคัญกับการตั้งค่าเวลา (ซึ่งวัดโดยการพิจารณามาตราส่วนผลกระทบในอนาคต) สถานะการสูบบุหรี่ และดัชนีมวลกาย (Adams and White 2009 ) โดยเฉพาะอย่างยิ่ง พบว่าการตั้งค่าเวลามีผลต่อสถานะทางเศรษฐกิจและสังคมและดัชนีมวลกาย แม้ว่าจะไม่ใช่สถานะการสูบบุหรี่ก็ตาม ในทางตรงกันข้าม อดัมส์ ( 2009a) พบว่าสถานะทางเศรษฐกิจและสังคมมีบทบาทในการกำหนดระดับการออกกำลังกายและสถานะการสูบบุหรี่ นอกจากนี้ยังแสดงให้เห็นว่าการตั้งค่าเวลาไม่ได้คำนึงถึงระดับการศึกษาใด ๆ เช่น ความเชื่อมโยงระหว่างช่องว่างทางการศึกษากับพฤติกรรมสุขภาพ รวมถึงการสูบบุหรี่และการมีน้ำหนักเกิน (Cutler และ Lleras-Muney 2010 ) การค้นพบนี้ตอกย้ำถึงความสำคัญของการตรวจสอบการตั้งค่าเวลาในแง่ของตัวแปรที่ทำให้สับสน เช่น สถานะทางเศรษฐกิจและสังคม เช่น Adams and White ( พ.ศ. 2552 ) หรือรายได้ โครงสร้างครอบครัว หรือสถานะการประกันสุขภาพ เช่น Cutler และ Lleras-Muney ( 2010 )

ตารางที่ 6 พร็อกซีการตั้งค่าเวลาและวิธีการกระตุ้นในการศึกษาการสูบบุหรี่และโรคอ้วนร่วมกัน
ตารางขนาดเต็ม

อ้างอิงท้ายเรื่อง
การตรวจสอบวรรณกรรมของเราอิงจากการค้นหา Web of Science โดยใช้คำว่า “เวลาที่ต้องการ” “พฤติกรรม (u) r” “การสูบบุหรี่” “โรคอ้วน” และ “เพศ” มีการระบุเอกสารอื่นๆ อีกหลายฉบับโดยการค้นหาวรรณกรรมย้อนหลังในเอกสารจากรายการเริ่มต้นของเรา เรามั่นใจว่าการศึกษาทั้งหมดที่มีความสำคัญเฉพาะในหัวข้อของบทความของเราได้รับการระบุและรวมไว้ในบทความแล้ว

ขปัญหาเกี่ยวกับการตัดสินใจที่มีผลผูกพันในการทดลอง (เช่น การตัดสินใจที่มีผลทางการเงินจริง) มีความสำคัญเนื่องจากมีหลักฐานของช่องว่างระหว่างการตัดสินใจภายใต้การตั้งค่าสมมุติและการตั้งค่าจริง (เช่น Harrison 2006 ; Harrison and Rutstrom 2008a ) . ช่องว่างนี้มักเรียกว่าอคติเชิงสมมุติฐานในวรรณคดีที่เกี่ยวข้อง

cแม้ว่าจะสามารถประมาณค่าสัมประสิทธิ์การหลีกเลี่ยงความเสี่ยงสัมพัทธ์ได้โดยใช้วิธีเศรษฐมิติเชิงโครงสร้าง (Harrison and Rutstrom 2008b )

d ดังที่ Drichoutis and Lusk (Drichoutis and Lusk 2012 ) ทราบ เนื่องจากงานนี้ประกอบด้วยตัวเลือกที่ทำเงินได้มากกว่า 4 ดอลลาร์เท่านั้น งานนี้จึงเผยให้เห็นข้อมูลเพียงเล็กน้อยเกี่ยวกับความโค้งของฟังก์ชันยูทิลิตี้ ดังนั้นจึงจำเป็นต้องขยายผลตอบแทนเพื่อให้ได้รับจำนวนเงินดอลลาร์ที่กว้างขึ้น โดยให้ข้อมูลเพิ่มเติมเกี่ยวกับรูปร่างของฟังก์ชันยูทิลิตี้ หรืออาจต้องการคงความน่าจะเป็นให้คงที่และเปลี่ยนแปลงจำนวนเงินดอลลาร์ (Drichoutis and Lusk 2012 ; Bosch-Domènech and Silvestre 2013 )

จผลกระทบขนาดและผลแตกต่างทั่วไปเป็นสองอคติทางจิตวิทยาจำนวนมากที่มีอิทธิพลต่ออัตราการลดเวลา แชปแมน ( พ.ศ. 2546 ) กล่าวถึงอคติทางจิตวิทยาเพิ่มเติม

f Andersen และคณะ ( 2008 ) แสดงให้เห็นว่าการตั้งค่าความเสี่ยงและเวลามีความสัมพันธ์กันอย่างไร ในการทดลองของพวกเขา พวกเขาแสดงให้เห็นว่าจำเป็นต้องมีภารกิจการกำหนดความพึงพอใจความเสี่ยงอย่างใดอย่างหนึ่งสำหรับการวัดความโค้งของฟังก์ชันอรรถประโยชน์ งานอื่นเพื่อระบุอัตราคิดลดตามเงื่อนไขในการทราบฟังก์ชันอรรถประโยชน์ แล้วร่วมกันประมาณแบบจำลองโครงสร้างที่กำหนดไว้เหนือพารามิเตอร์ ของฟังก์ชันอรรถประโยชน์และอัตราคิดลด อีกไม่นาน Andreoni และ Sprenger ( 2012 ) ได้ขยายวิธีการที่เสนอโดย Andersen et al ( 2551) โดยการพัฒนาขั้นตอนที่พวกเขาเรียกว่าวิธี Convex Time Budget (CTB) ซึ่งไม่ต้องการงานการหลีกเลี่ยงความเสี่ยงแยกต่างหากเพื่อระบุความโค้งของฟังก์ชันยูทิลิตี้ ขั้นตอนเกี่ยวข้องกับการให้โทเค็น 100 เรื่องเพื่อจัดสรรระหว่างช่วงเวลาที่เร็วกว่าและหลังจากนั้น จากนั้นจึงเปลี่ยนอัตราแลกเปลี่ยนระหว่างโทเค็นและเงินสำหรับจำนวนที่ช้าหรือเร็ว ดูเพิ่มเติมที่ Cheung ( 2014 ) สำหรับเกร็ดความรู้เกี่ยวกับ Andreoni และ Sprenger ( 2012 )

กิ้งก่านีโอทรอปิคัลในสกุลAnolis (Polychrotidae) มีเกือบ 380 สปีชีส์ เป็นสมาชิกของสกุลที่หลากหลายที่สุดชนิดหนึ่งในบรรดาสัตว์น้ำคร่ำ ในที่นี้ เรานำเสนอภาพรวมของวิวัฒนาการของโครโมโซมใน ‘beta’ Anolis (กลุ่ม Norops) เพื่อเป็นพื้นฐานสำหรับการศึกษาในอนาคตเกี่ยวกับวิวัฒนาการของคาริโอไทป์ของ anoles เราประเมินข้อมูลทั้งหมดที่เกี่ยวกับการ karyotypes ของ Norops รวมทั้งข้อมูลเดิมในสายพันธุ์ที่อธิบายไว้เมื่อเร็ว ๆ นี้Anolis unilobatus เราใช้สายวิวัฒนาการของ Norops ตามข้อมูลลำดับดีเอ็นเอเพื่อสรุปรูปแบบหลักของวิวัฒนาการของโครโมโซมโดยใช้การวิเคราะห์สถานะบรรพบุรุษ (ASR)

ผลลัพธ์
เราระบุคาริโอไทป์ที่แตกต่างกัน 11 ชนิด โดยในจำนวนนี้มี 9 ชนิดในสปีชีส์ที่เคยถูกใช้ในการศึกษาระดับโมเลกุล ASR ระบุว่าการเปลี่ยนแปลงในจำนวนของไมโครโครโมโซมเป็นขั้นตอนแรกของวิวัฒนาการ ตามด้วยการเพิ่มจำนวนโครโมโซม ซึ่งน่าจะเกิดจากการแยกตัวของโครโมโซมจากศูนย์กลาง ASR ยังแสดงให้เห็นว่าในเก้าสปีชีส์ โครโมโซมเพศต่างเพศส่วนใหญ่น่าจะมาจากเหตุการณ์อิสระหกเหตุการณ์

บทสรุป
เราสังเกตความสัมพันธ์ที่ดีโดยรวมของคุณลักษณะบางอย่างของคาริโอไทป์และความสัมพันธ์ของสปีชีส์ ยิ่งกว่านั้น คลดดูเหมือนมีแนวโน้มที่จะมีความหลากหลายของโครโมโซมเพศ และต้นกำเนิดของโครโมโซมเพศที่แตกต่างกันห้าแบบดูเหมือนจะเกิดขึ้นล่าสุดเมื่อปรากฏที่โหนดปลายในการสร้างตัวละครของบรรพบุรุษ การกระจายความหลากหลายแบบคาริโอไทป์ใน Norops เปิดโอกาสให้ทดสอบแบบจำลองการเก็งกำไรของโครโมโซม และคาดว่าจะมีประโยชน์ในการศึกษาความสัมพันธ์ระหว่างสปีชีส์ anole และในการระบุแท็กซ่าที่เป็นความลับ

พื้นหลัง
สกุลAnolisมีกิ้งก่านีโอทรอปิคัลเกือบ 380 สายพันธุ์ และเป็นสกุลที่มีน้ำคร่ำที่อุดมด้วยสปีชีส์มากที่สุด (Uetz 2013 ) เมื่อไม่นานมานี้Anolisเป็นหัวข้อของการแก้ไขอย่างเป็นระบบซึ่งส่งผลให้มันถูกแบ่งออกเป็นแปดจำพวกที่แตกต่างกัน (Nicholson et al. 2012 ) อย่างไรก็ตาม การจัดวางอย่างเป็นระบบนี้ได้รับการวิพากษ์วิจารณ์อย่างรุนแรง (เช่น Poe 2013 ) และในบทความนี้ เรานำมุมมองคลาสสิกที่ถือว่ากิ้งก่าทวารหนักเป็นสกุลเดียว (Losos 2009 ; Uetz 2013 ) สายพันธุ์ Anole มีการกระจายไปทั่วหมู่เกาะแคริบเบียนและอเมริกาแผ่นดินใหญ่ตั้งแต่เท็กซัสไปจนถึงอเมริกาใต้เขตร้อน (ทบทวนใน Losos 2009) ซึ่งแสดงความเชี่ยวชาญทางนิเวศวิทยาและสัณฐานวิทยาที่หลากหลาย (Etheridge 1959 ; Williams 1983 ; Losos et al. 1998 ; Köhler 2000 ) Anoles ได้รับการตรวจสอบอย่างละเอียดในการศึกษาทางนิเวศวิทยา พฤติกรรมและวิวัฒนาการต่างๆ (ทบทวนใน Losos 2009 ) สายพันธุ์หนึ่ง จิ้งจก anole สีเขียวAnolis carolinensisเป็นจีโนมของสัตว์เลื้อยคลานกลุ่มแรกที่ได้รับการจัดลำดับ ความสำเร็จนี้อาจช่วยพัฒนาผลการวิจัยในด้านชีววิทยาต่างๆ ของ anoles ได้อย่างมาก (Alföldi et al. 2011 )

ตามลักษณะเฉพาะทางกระดูก กล่าวคือ การมีอยู่/ไม่มีของกระบวนการตามขวางหาง Etheridge ( 2502 ) แบ่งAnolisออกเป็นส่วนสำคัญ ๆ : anole ‘alpha’ ซึ่งไม่มีลักษณะทางสัณฐานวิทยานี้ และ anole ‘beta’ (Norops) ซึ่งมี ลักษณะ ในการแก้ไขล่าสุดและในรายงานก่อนหน้านี้ โดยอิงจากสายวิวัฒนาการระดับโมเลกุล (Poe 2004 ; Nicholson et al. 2012 ) Norops ได้รับการยอมรับว่าเป็นกลุ่ม monophyletic ที่มี 169 สปีชีส์

การศึกษา Karyological ใน anoles นั้นเข้มข้นมากในปี 1970 และ 1980 โดยเฉพาะอย่างยิ่งการศึกษาที่ดำเนินการโดย Gorman และเพื่อนร่วมงานที่กำหนด karyotypes ของสปีชีส์มากมาย (Gorman 1973 ) ตั้งแต่นั้นมา ความสนใจทางวิทยาศาสตร์ได้เปลี่ยนไปเป็นสาขาการศึกษาอื่น และยังไม่มีการตรวจสอบวิวัฒนาการของโครโมโซมของทวารหนักเพิ่มเติม อันที่จริง มีเพียงไม่กี่บทความในเรื่องนี้ที่ตีพิมพ์ตั้งแต่ปี 1980 จนถึงปัจจุบัน (Blake 1986 ; Brandley et al. 2006 ; Castiglia et al. 2010). อย่างไรก็ตาม anoles แสดงความแปรปรวนระหว่างและ intraspecific ที่โดดเด่นในจำนวนโครโมโซมและสัณฐานวิทยาตลอดจนการมีอยู่/ไม่มีของโครโมโซมเพศต่างเพศ ด้วยเหตุนี้ การตรวจสอบ speciation ของ anoles ที่เกิดจากการเปลี่ยนแปลงของโครโมโซมจึงยังคงเป็นเรื่องที่ท้าทาย นอกจากนี้ คาดว่าความแปรปรวนของโครโมโซมจะเป็นประโยชน์ในการศึกษาความสัมพันธ์ระหว่างสปีชีส์ anole และในการระบุแท็กซ่าที่เป็นความลับ

ในที่นี้ เรานำเสนอภาพรวมของวิวัฒนาการของโครโมโซมใน Norops เพื่อเป็นพื้นฐานสำหรับการศึกษาในอนาคตเกี่ยวกับวิวัฒนาการของโครโมโซมของทวารหนัก เว็บ Royal Online การสร้าง anoles ทางสายวิวัฒนาการครั้งก่อนซึ่งรวมถึงข้อมูลโครโมโซมด้วย ใช้พวกมันในเมทริกซ์เดียวกันร่วมกับอักขระโมเลกุลและสัณฐานวิทยา (Poe 2004 ; Brandley et al. 2006 ) ในทางตรงกันข้าม วิธีการของเราประกอบด้วยการอนุมานรูปแบบของวิวัฒนาการของโครโมโซมในสายวิวัฒนาการโดยอาศัยข้อมูลระดับโมเลกุลอย่างหมดจด เมื่อเร็ว ๆ นี้มีการใช้วิธีการที่คล้ายกันสำหรับการสร้างสถานะของบรรพบุรุษ (ASR) ของลักษณะโครโมโซมในสัตว์เลื้อยคลานอื่น ๆ เช่น Phrynosomatidae (สกุลSceloporus ) (Leaché และ Sites 2009 ), Gekkonidae (Gamble 2010) และงู (Oguiura et al. 2009 ) สำหรับการศึกษานี้ เราได้ตรวจสอบข้อมูลที่มีอยู่ทั้งหมดเกี่ยวกับคาริโอไทป์ของ Norops และยังรวมข้อมูลดั้งเดิมของสปีชีส์หนึ่งที่เพิ่งอธิบายไว้คือA. unilobatus (Köhler และ Vesely 2010 ) เราใช้สายวิวัฒนาการของ Norops ตามข้อมูลลำดับดีเอ็นเอเพื่อสรุปรูปแบบหลักของการวิวัฒนาการของโครโมโซมโดยใช้ ASR การวิเคราะห์ ASR ช่วยให้เราสามารถทดสอบว่าความหลากหลายของคาริโอไทป์ตรงกับความสัมพันธ์สายวิวัฒนาการระหว่างสปีชีส์หรือไม่ และช่วยให้เราติดตามทิศทางของการเปลี่ยนแปลงโครโมโซมได้ เรายังได้ทดสอบสมมติฐานเกี่ยวกับต้นกำเนิดทั่วไปของโครโมโซมเพศแบบเฮเทอโรมอร์ฟิคกับต้นกำเนิดที่เป็นอิสระในสปีชีส์ต่างๆ

วิธีการ วัสดุ เราตรวจสอบคาริโอไทป์ที่ตีพิมพ์ของสปีชีส์ Norops สำหรับรูปร่างของมาโครโครโมโซม จำนวนไมโครโครโมโซม การมีอยู่/ไม่มีของโครโมโซมเพศ ขนาดและรูปร่างของโครโมโซม (ตารางที่ 1 ) อีกชนิดหนึ่งคือA. unilobatusได้รับการศึกษาใหม่และรวมไว้ในการสำรวจนี้ A. unilobatusตัวผู้หนึ่งตัวและตัวเมียสามตัวถูกเก็บสะสมอยู่ในป่าเขตร้อนที่แห้งแล้งที่ Reserva da Biosfera Sepultura รัฐเชียปัส ประเทศเม็กซิโก หมายเลขฟิลด์ที่อ้างถึงในข้อความ (RCMX) เป็นของ Riccardo Castiglia สัตว์ได้รับการจัดการตามแนวทางการดูแลสัตว์ของสถาบันที่เกี่ยวข้องทั้งหมด และได้รับอนุญาตจากรัฐและรัฐบาลกลางที่จำเป็นทั้งหมด

ตารางที่ 1 ข้อมูล Karyological ของ Norops สปีชีส์ ตารางขนาดเต็ม กระดูกต้นขาถูกพรากไปจากบุคคลหลังจากการฉีด vinblastine sulfate, Velbe (Lilly, Italy) (1:1,000) ในช่องท้อง เป็นเวลา 1 ชั่วโมง จากนั้นตัวอย่างถูกประมวลผลตามขั้นตอนที่อธิบายไว้ใน Castiglia et al ( 2553 ). รูปภาพของเมตาเฟสถูกรวบรวมโดยใช้กล้องดิจิตอล Photometrics Sensys 1600 (Roper Scientific Photometrics, Tucson, AZ, USA)

DNA ถูกสกัดจากเนื้อเยื่อที่เก็บรักษาไว้ในเอทานอล 100% โดยใช้ชุดสกัดเนื้อเยื่อ QIAmp (Qiagen, Hilden, Germany) ยีน ND2 ของไมโตคอนเดรีย อาร์เอ็นเอการถ่ายโอนห้าตัว ต้นกำเนิดของการจำลองแบบสายแสง และส่วนหนึ่งของยีน cytochrome oxidase subunit 1 (CO1) ถูกขยายด้วยไพรเมอร์ที่ออกแบบโดย Macey et al ( 1999 ) ดังนี้: L4160 ND1 5′-CGATTCCGATATGACCARCT-3′, H4980 ND2 5′-ATTTTTCGTAGTTGGGTTTGRTT-3′, L4437 tRNAMet 5′-AAGCTTTCGGGCCCATACC-3′, และ H5934a CO1 5′-AGRGTGCCAATGTCTTTGTGRTT-3′

เราใช้อัลกอริธึม Bayesian เพื่อสร้างสายวิวัฒนาการตามลำดับดีเอ็นเอของไมโตคอนเดรีย (NDH2, 5 tRNAs, ต้นกำเนิดของการจำลองแบบสายแสง และส่วนหนึ่งของยีน CO1) ที่รวมทั้งหมด 62 สปีชีส์ซึ่งมีลำดับ mtDNA อยู่ใน GenBank ( ตีพิมพ์ส่วนใหญ่โดยนิโคลสัน et al. 2005 ) บวกA. unilobatus การจัดตำแหน่งขั้นสุดท้ายประกอบด้วย 1,406 bp

ข้อมูลถูกแบ่งพาร์ติชั่นโดยตำแหน่งโคดอนที่มีพาร์ติชั่นแยกกันสำหรับแต่ละยีน แบบจำลองการแทนที่แบบผันกลับได้ตามเวลาทั่วไปที่มีอัตราที่ต่างกันแบบกระจายแกมมาและสัดส่วนของตำแหน่งที่ไม่แปรผันถูกใช้สำหรับแต่ละพาร์ติชัน สำหรับการวิเคราะห์แบบเบย์ การวิเคราะห์แบบมอนติคาร์โล (MCMC) อิสระสองรายการถูกเรียกใช้ด้วย MrBayes 3.2 (Ronquist et al. 2012 ) เราใช้รุ่น 3 × 10 6รุ่น สี่โซ่ และเผาต้นไม้ 10% ที่สร้างขึ้น Anolis cristatellus (AF528724) และA. disticus (AF528725) ถูกใช้เป็นกลุ่มนอก (Nicholson et al. 2005 )

ตัดแต่งต้นไม้ฉันทามติเพื่อกำจัดสายพันธุ์ที่ไม่ทราบข้อมูลโครโมโซม ทรีผลลัพธ์ ซึ่งรวมถึง 31 สปีชีส์ Norops ถูกใช้สำหรับการวิเคราะห์ ASR ที่ดำเนินการด้วยซอฟต์แวร์ Mesquite 2.74 (Maddison และ Maddison 2011 ) วิธีการสร้างใหม่ที่เป็นไปได้สูงสุด (ML) ถูกใช้เพื่อสร้างสถานะของบรรพบุรุษขึ้นใหม่ เราใช้รุ่น MK1 อัตราเดียว (Lewis 2001) โมเดลเดียวใน Mesquite ที่อนุญาตให้ใช้อักขระหลายสถานะ และค่าความน่าจะเป็นตามสัดส่วน (PL) ถูกใช้เพื่อกำหนดสถานะที่มีแนวโน้มมากที่สุด ในเบื้องต้น เรายังดำเนินการ ASR ด้วยค่าพาร์ซิโมนีสูงสุด (MP) (ไม่แสดง) และเปลี่ยนแปลงสมมติฐานของต้นทุนที่เท่ากันสำหรับการเปลี่ยนแปลงสถานะที่สร้างเมทริกซ์ขั้นตอนต่างๆ ใน ​​Mesquite ผลลัพธ์ที่ได้จากวิธี ML และ MP มีความสอดคล้องกันอย่างมาก ดังนั้นเราจึงตัดสินใจที่จะแสดงเฉพาะผลลัพธ์ที่ได้รับจาก ML เนื่องจากปัญหาหนึ่งเกี่ยวกับ เว็บ Royal Online คือข้อเท็จจริงที่การสนับสนุนที่โหนดมักจะแสดงเป็นที่ชัดเจน ซึ่งมักจะบดบังระดับการสนับสนุนที่แท้จริงสำหรับสถานะอักขระทางเลือก