CN103106540A - 应用于粒子群的优化方法 - Google Patents
应用于粒子群的优化方法 Download PDFInfo
- Publication number
- CN103106540A CN103106540A CN 201110384955 CN201110384955A CN103106540A CN 103106540 A CN103106540 A CN 103106540A CN 201110384955 CN201110384955 CN 201110384955 CN 201110384955 A CN201110384955 A CN 201110384955A CN 103106540 A CN103106540 A CN 103106540A
- Authority
- CN
- China
- Prior art keywords
- particle
- optimization
- optimization method
- solution
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用于粒子群的优化方法，包括：(a)首先，定义解空间；(b)然后，定义适应度函数；(c)随机初始化群体的位置和速度；(d)粒子在解空间中的飞行；(e)循环反复。本发明不同于其它方法对个体使用演化算子，而是将每个个体看作是在n维搜索空间中的一个没有质量和体积的粒子，并在搜索空间中以一定的速度飞行，每个粒子的飞行速度由其本身的飞行经验和群体的飞行经验进行动态调整。
Description
技术领域
本发明涉及一种应用于粒子群的优化方法。
背景技术
天然气集输系统是一个密闭的、非常复杂的多级网络系统，同时又是一个巨大的能量耗散系统，它作为气田地面生产系统的核心和主体部分，其投资占整个气田地面工程的60％～70％以上。因而，对集输管网进行优化设计显得尤为重要。一般来说，天然气集输管网系统的优化设计分两个方面：布局优化和参数优化。其中布局优化是集输管网系统优化的首要任务和关键阶段，布局优化合理与否，不仅关系到整个油气田地面工程的投资费用，而且也关系到管网系统后续参数优化的进一步开展。在此，布局优化将是本文讨论的核心。
目前，天然气管道日趋朝着长距离、大口径、高压力、多用户、大网络和向极地(海上)延伸的方向发展，再加上开采气井的日渐复杂化，传统的管道优化技术已满足不了目前管道发展的需要，这使得整个管网系统的布局优化设计变得更加困难。此外，集输管网拓扑优化问题是包含大量离散变量的复杂组合优化问题，从优化的角度来看，该优化问题涉及离散优化、非线性优化等多方面的优化理论，从计算复杂性的角度来看，它又属于NP-hard问题，许多学者从分级优化的角度出发，将整个管网系统的布局优化分若干个阶段进行，且均在一定程度上做了简化，在求解算法选取上主要偏重于传统优化方法，将混合启发式算法应用到集输管网布局优化中的例子还比较少。同时，世界尚未出现十分完善的规划设计软件，这也有待于工程技术人员和科研工作者进一步开拓。当今优化决策方法正朝着集成化、大系统、最优化、电算化方向发展，但大型复杂系统的优化方法还处在起步阶段，现有的成型算法只适用于特定形态的模型。随着遗传算法、粒子群算法和模拟退火算法的兴起，这些现代优化算法正成为解决组合优化问题的一种有力工具，它们在求解多目标组合优化难题上体现了很大的优势，因而将智能优化方法应用到油气集输系统，建立油气集输系统中组合优化的求解理论及优化方法，从而指导规划设计和生产运行，这也正是今后组合优化发展的一个方向。
目前，气田集输系统所采用的管网布局方式主要是星式网络和环型网络。一般说来，环状管网的可靠性好，但投资大；树状管网的投资小，但可靠性较差，应从可靠性和投资两方面来考虑。由于集输管网布局优化问题是一个多学科互相交叉运用的问题，涉及到最优化方面的数学理论、技术经济评价以及如何通过计算机实现优化的问题，因而最优化理论与技术、计算机技术、数值计算方法的发展和广泛应用，可为管网布局优化研究提供必要的理论基础和实现手段。长期以来，针对气田集输管网布局优化问题，国内外学者做了大量的研究工作。
在20世纪60年代，哈克斯首先将优化方法引入到管道系统设计上来，他利用库恩-塔克定理确定管道系统的最优条件，但该方法较简单，在实际应用时受到限制。
1979年，Bharkaran等人研究了天然气集输管网的优化设计，他们将该系统的设计问题区分为系统布局子问题、节点位置子问题和直径分派子问题。但是只解决了以管网总费用最小为目标函数，不考虑压缩机站的位置，用线性规划的方法解决了直径分派子问题。
1987年，Soliman F.I.and Nurtagh，B.A.对大型输气管网系统进行了优化设计，建立了以管网造价最低为目标函数的数学模型，并采用传统线性化方法对模型进行了求解，获得了较好的优化结果。Tatsuo Oyama对最优站址问题进行了研究，建立了以路径最短为目标函数的数学模型，并采用传统优化算法进行了求解。
2000年，Eusuff和Lansey首次提出采用新兴的智能算法——蛙跳算法来解决组合优化问题。2003年，Muzaffar和Kevin利用蛙跳算法求解组合优化问题的优越性，将其应用到给水管网的参数优化这类组合优化问题中，并取得了较好的参数优化效果。
2005年，A.de Sa Neto and V.J.M.F.Filho等人首次将仿真优化方法成功地应用于虚拟输气管道的经济费用模型求解中，虚拟输气管道主要是将CNG或LNG从储罐输送到偏远地区。实例计算表明该法在优化成本效益上具有较大的优越性，对寻找输气管道优化问题的求解方法具有一定的借鉴作用。
由上可知，集输管网布局优化问题属于一类组合优化问题，目前采用的求解方法主要是线性化法、分级优化法、动态规划法等传统优化方法，虽然有人将智能优化算法(遗传算法、模拟退火算法、禁忌算法等)成功地应用到该类问题的求解中，但应用混合智能算法进行优化求解的例子并不多。另外，以上研究成果虽然在工程实际规划设计过程中取得了一定的经济效益，但在模型的完整性、优化算法的可靠性和通用性、软件研制等多个方面还需要进一步研究，以期获得更大的效益。
在以往井组划分过程中，由于受所用算法及计算机编程采用顺次计算的限制，为每一集气站分配气井的过程中，往往存在一定的弊端。井组最优划分问题属于大规模、非线性、混合整数规划问题，由于问题是多变量、多约束性的，所以不能保证目标函数是凸函数，更不能保证其可微可导性。传统的优化理论分析方法如线性规划、非线性规划、混合整数规划、灵敏度分析、内点法等由于对目标函数和约束条件有连续、可微的要求，一般得到的结果往往是局部最优解，不能保证全局最优。近年来，各种智能算法，特别是遗传算法对问题适应性强、适合处理整数变量的组合优化问题、理论上具有全局收敛性等特点，自然地被人们应用于该类优化计算，虽然取得了一定进步，但是仍然存在计算速度慢，局部收敛性差以及处理大规模问题时容易陷入局部最优等问题，这就促使它结合其它智能方法需要进行改进。
发明内容
本发明的目的在于克服上述现有技术的缺点和不足，提供一种应用于粒子群的优化方法，该应用于粒子群的优化方法不同于其它方法对个体使用演化算子，而是将每个个体看作是在n维搜索空间中的一个没有质量和体积的粒子，并在搜索空间中以一定的速度飞行，每个粒子的飞行速度由其本身的飞行经验和群体的飞行经验进行动态调整。
本发明的目的通过下述技术方案实现：应用于粒子群的优化方法，包括以下步骤：
(a)首先，定义解空间；
(b)然后，定义适应度函数；
(c)随机初始化群体的位置和速度；
(d)粒子在解空间中的飞行；
(e)循环反复。
所述步骤(a)具体为：挑选需要优化的变量并赋予其搜索最优解的范围；在n维优化问题中每一维都要求确定其取值范围，本文中粒子的当前位置用于代表井群划分的一个可行解，其每一维的取值范围可根据站的总数来限定。
所述步骤(b)具体为：选择一个函数使其能较为准确地用函数值的大小反映出解的优劣；适应度函数和解空间根据该优化问题而定，适用度函数可直接采用优化问题的目标函数，而不像遗传算法那样需要进行转换。
所述步骤(c)具体为：在初始位置时，每个粒子在运动初期的第一个位置，就是该粒子的个体最优位置，而全局最优位置就是这些个体最优位置中最好的一个。
所述步骤(d)的具体步骤如下：
(d1)计算每个粒子的适应度值，并与全局、个体最优值进行比较。适应度函数根据粒子在解空间中的坐标，返回赋给当前位置的适应值，若该适应度值大于此时粒子的个体或全局最优值，则更新粒子的个体或全局最优位置，否则不进行更新；
(d2)更新粒子速度：粒子速度的控制是整个优化的核心，通过对粒子速度更新公式的研究，粒子速度随着个体和全局最优位置的改变而改变，朝着适应度值更优的方向加速。
综上所述，本发明的有益效果是：不同于其它方法对个体使用演化算子，而是将每个个体看作是在n维搜索空间中的一个没有质量和体积的粒子，并在搜索空间中以一定的速度飞行，每个粒子的飞行速度由其本身的飞行经验和群体的飞行经验进行动态调整。
具体实施方式
下面结合实施例，对本发明作进一步的详细说明，但本发明的实施方式不仅限于此。
实施例：
本发明涉及的应用于粒子群的优化方法，包括以下步骤：
(a)首先，定义解空间；
(b)然后，定义适应度函数；
(c)随机初始化群体的位置和速度；
(d)粒子在解空间中的飞行；
(e)循环反复。
所述步骤(a)具体为：挑选需要优化的变量并赋予其搜索最优解的范围；在n维优化问题中每一维都要求确定其取值范围，本文中粒子的当前位置用于代表井群划分的一个可行解，其每一维的取值范围可根据站的总数来限定。
所述步骤(b)具体为：选择一个函数使其能较为准确地用函数值的大小反映出解的优劣；适应度函数和解空间根据该优化问题而定，适用度函数可直接采用优化问题的目标函数，而不像遗传算法那样需要进行转换。
所述步骤(c)具体为：在初始位置时，每个粒子在运动初期的第一个位置，就是该粒子的个体最优位置，而全局最优位置就是这些个体最优位置中最好的一个。
所述步骤(d)的具体步骤如下：
(d1)计算每个粒子的适应度值，并与全局、个体最优值进行比较。适应度函数根据粒子在解空间中的坐标，返回赋给当前位置的适应值，若该适应度值大于此时粒子的个体或全局最优值，则更新粒子的个体或全局最优位置，否则不进行更新；
(d2)更新粒子速度：粒子速度的控制是整个优化的核心，通过对粒子速度更新公式的研究，粒子速度随着个体和全局最优位置的改变而改变，朝着适应度值更优的方向加速。
上述方法中，并没有许多需要调节的参数，下面列出了这些参数以及经验设置：粒子数N(种群大小)：一般取20～40，对于大部分的问题，10个粒子已经足够取得好的结果，对于比较难的问题或者特定类别的问题，粒子数可以取到100或200。粒子的长度n(空间维数)：这是由优化问题决定的，就是问题解的长度。粒子的坐标范围：由优化问题决定，每一维可以设定不同的范围。最大速度决定粒子在一个循环中最大的移动距离，通常设定为粒子的范围宽度。终止条件：设定最大循环数以及最小偏差要求，这个终止条件由具体的问题确定。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质，对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (5)
1.应用于粒子群的优化方法，其特征在于，包括以下步骤：
(a)首先，定义解空间；
(b)然后，定义适应度函数；
(c)随机初始化群体的位置和速度；
(d)粒子在解空间中的飞行；
(e)循环反复。
2.根据权利要求1所述的应用于粒子群的优化方法，其特征在于，所述步骤(a)具体为：挑选需要优化的变量并赋予其搜索最优解的范围；在n维优化问题中每一维都要求确定其取值范围，本文中粒子的当前位置用于代表井群划分的一个可行解，其每一维的取值范围可根据站的总数来限定。
3.根据权利要求1所述的应用于粒子群的优化方法，其特征在于，所述步骤(b)具体为：选择一个函数使其能较为准确地用函数值的大小反映出解的优劣；适应度函数和解空间根据该优化问题而定，适用度函数可直接采用优化问题的目标函数，而不像遗传算法那样需要进行转换。
4.根据权利要求1所述的应用于粒子群的优化方法，其特征在于，所述步骤(c)具体为：在初始位置时，每个粒子在运动初期的第一个位置，就是该粒子的个体最优位置，而全局最优位置就是这些个体最优位置中最好的一个。
5.根据权利要求1所述的应用于粒子群的优化方法，其特征在于，所述步骤(d)的具体步骤如下：
(d1)计算每个粒子的适应度值，并与全局、个体最优值进行比较。适应度函数根据粒子在解空间中的坐标，返回赋给当前位置的适应值，若该适应度值大于此时粒子的个体或全局最优值，则更新粒子的个体或全局最优位置，否则不进行更新；
(d2)更新粒子速度：粒子速度的控制是整个优化的核心，通过对粒子速度更新公式的研究，粒子速度随着个体和全局最优位置的改变而改变，朝着适应度值更优的方向加速。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110384955 CN103106540A (zh) | 2011-11-14 | 2011-11-14 | 应用于粒子群的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110384955 CN103106540A (zh) | 2011-11-14 | 2011-11-14 | 应用于粒子群的优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103106540A true CN103106540A (zh) | 2013-05-15 |
Family
ID=48314384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201110384955 Pending CN103106540A (zh) | 2011-11-14 | 2011-11-14 | 应用于粒子群的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103106540A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250979A (zh) * | 2016-08-16 | 2016-12-21 | 安阳师范学院 | 一种基于互信息相似度策略的粒子群优化方法 |
| CN107862100A (zh) * | 2016-09-21 | 2018-03-30 | 中国石油化工股份有限公司 | 一种基于粒子群算法的炮点纠偏方法 |
| CN108764741A (zh) * | 2018-06-01 | 2018-11-06 | 英特尔产品（成都）有限公司 | 用于确定工厂设定区域内的生产设备布局的方法及装置 |
| CN112101672A (zh) * | 2020-09-22 | 2020-12-18 | 郑州铁路职业技术学院 | 一种基于粒子群优化算法的气田群协同开发优化方法 |
-
2011
- 2011-11-14 CN CN 201110384955 patent/CN103106540A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250979A (zh) * | 2016-08-16 | 2016-12-21 | 安阳师范学院 | 一种基于互信息相似度策略的粒子群优化方法 |
| CN106250979B (zh) * | 2016-08-16 | 2019-06-14 | 安阳师范学院 | 一种基于互信息相似度策略的粒子群优化方法 |
| CN107862100A (zh) * | 2016-09-21 | 2018-03-30 | 中国石油化工股份有限公司 | 一种基于粒子群算法的炮点纠偏方法 |
| CN108764741A (zh) * | 2018-06-01 | 2018-11-06 | 英特尔产品（成都）有限公司 | 用于确定工厂设定区域内的生产设备布局的方法及装置 |
| CN108764741B (zh) * | 2018-06-01 | 2019-10-18 | 英特尔产品（成都）有限公司 | 用于确定工厂设定区域内的生产设备布局的方法及装置 |
| CN112101672A (zh) * | 2020-09-22 | 2020-12-18 | 郑州铁路职业技术学院 | 一种基于粒子群优化算法的气田群协同开发优化方法 |
| CN112101672B (zh) * | 2020-09-22 | 2023-05-26 | 郑州铁路职业技术学院 | 一种基于粒子群优化算法的气田群协同开发优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103136585B (zh) | 基于混沌遗传策略的加权Voronoi图变电站规划方法 | |
| CN103106539A (zh) | 集输管网系统的优化方法 | |
| CN103996074A (zh) | 基于cfd和改进pso的复杂地形风电场微观选址方法 | |
| CN107843920B (zh) | 一种聚类分析优化粒子群储层属性预测方法 | |
| CN103106540A (zh) | 应用于粒子群的优化方法 | |
| CN103942422B (zh) | 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法 | |
| CN113312735B (zh) | 一种城市供水管网dma分区方法 | |
| CN108416392A (zh) | 基于som神经网络的建筑物聚类方法 | |
| CN103136410A (zh) | 干支管网布局优化模型的求解方法 | |
| CN106886156A (zh) | 基于二进制多目标粒子群算法的供水管网关阀方法 | |
| CN112668909A (zh) | 基于遗传算法的水资源优化配置方法及系统 | |
| Zhang et al. | Basic farmland zoning and protection under spatial constraints with a particle swarm optimisation multiobjective decision model: a case study of Yicheng, China | |
| CN108445894A (zh) | 一种考虑无人艇运动性能的二次路径规划方法 | |
| Min et al. | Improved k-means clustering based on genetic algorithm | |
| CN103106536A (zh) | 基于自然选择和群体遗传机理的搜索方法 | |
| Shi et al. | Layout design of satellite module using a modified artificial bee colony algorithm | |
| Kalashnikov et al. | Bilevel optimal control, equilibrium, and combinatorial problems with applications to engineering | |
| CN103136411A (zh) | 混合粒子群的优化方法 | |
| Xu et al. | RETRACTED ARTICLE: Source discrimination of mine water inrush based on Elman neural network globally optimized by genetic algorithm | |
| CN103136594A (zh) | 基于智能算法的气田布局优化系统 | |
| CN103136412A (zh) | 集气总站优化模型的求解方法 | |
| CN103136414A (zh) | 应用于井组划分模型的求解方法 | |
| CN103136313A (zh) | 基于迭代求解策略的随机寻优方法 | |
| CN103136593A (zh) | 基于智能算法的气田布局优化方法 | |
| CN103136413A (zh) | 应用于混合粒子群的选取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130515 |