CN103854131A - 一种基于asu策略的多目标粒子群优化算法 - Google Patents
一种基于asu策略的多目标粒子群优化算法 Download PDFInfo
- Publication number
- CN103854131A CN103854131A CN201410016605.XA CN201410016605A CN103854131A CN 103854131 A CN103854131 A CN 103854131A CN 201410016605 A CN201410016605 A CN 201410016605A CN 103854131 A CN103854131 A CN 103854131A
- Authority
- CN
- China
- Prior art keywords
- particle
- elite
- asu
- strategy
- euclidean
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于ASU策略的多目标粒子群优化算法,该优化算法利用基于ASU策略进行精英集缩减,能提高最优解分布的均匀性和多样性,且能搜索到相对更优的解,从而提高最终结果的可靠性;它对于一个多目标优化问题,在精英集缩减过程中,将粒子群分成若干个网格,然后在每个网格中,提出利用逐步更新的欧氏拥挤距离去筛选粒子,避免一次性剔除一群集中的粒子而破坏解分布的多样性和均匀性,且能搜索到相对更优的解。
Description
技术领域
本发明涉及的是一种基于ASU(Asynchronous-Stepwise Updated,异步-逐步更新)策略的多目标粒子群优化算法,属于电力系统规划技术领域。
背景技术
随着我国经济的高速发展和电力系统的不断扩大,人们对供电的安全性、可靠性、质量等方面的要求也日益增长,势必需要大量的输变电工程投入到电网建设中。为应对电网建设需求,每年都会大量的输变电工程上报。在这些工程中,有一部分是电网建设需要的,他们能解决电网的某个缺陷,但另外有一部分也是没有必要的,或者上报的方案并不是最优的,需要替换为更好的实施方案。如何在大量的工程中选择需要的,并且以一种最好的方案进行实施,对于电网建设决策者而言,至关重要。
输变电工程立项决策方法的基本任务是对上报申请的待选项目,根据对电网的全面评价确定其是否有必要立项,如果立项,则合理地决策用哪一种方案进行针对性地改造和建设,从而使规划方案能满足电网安全可靠运行要求,适应电力发展要求,同时使能源资源得到合理的优化配置。
输变电工程立项决策问题是一个非线性、多阶段、多目标的复杂优化问题。目前,对于输变电工程立项决策问题往往建立成一个多目标优化模型,利用传统的基于拥挤距离策略的方法求解时,一次性剔除小于某个距离的所有粒子,导致部分区域粒子缺失,且不适用于高维模型;而利用基于网格策略的方法求解时,会存在两个非常相近的非支配解被划分到两个相邻格子而一直留在解集中这样的不足。可见传统的方法求解时不能很好地保持解的多样性和分布的均匀性,从而导致最后得到的结果并非最优的。因此,急需一种能较好保持解多样性和分布的均匀性的多目标优化算法求解输变电工程立项决策问题,从而为工程实际提供更加可靠的参考结果。
发明内容
本发明的目的是为了在多目标粒子群优化方法中,提高计算结果的最优性和可靠性,为此,本发明提供了一种基于ASU策略的多目标粒子群优化算法,该方法利用ASU策略进行精英集缩减,提高最优解分布的均匀性和多样性,且能搜索到相对更优的解,从而提高最终结果的可靠性。
本发明的目的是通过如下技术方案来实现的,所述的优化算法包括如下步骤:
(1)种群初始化。设置精英集为空;迭代次数t=0,在控制变量变化范围内,随机初始化粒子群,每个粒子的个体极值和全局极值均为初始位置,设定精英集规模;
(2)计算每个粒子的目标函数的适应值;
(3)判断是否满足结束准则,达到最大允许迭代次数或最优解对应的目标函数值在给定的迭代步数内改变量小于给定值时,停止优化并输出结果,形成Pareto最优解;否则迭代次数t=t+1,转到步骤(4);
(4)根据Pareto支配,比较各个粒子之间的优劣,构造粒子群的非支配解集;
(5)通过比较非支配解集和精英集中粒子的Pareto支配关系,更新精英集;
(6)判断精英集规模是否超过给定规模,若超过,则利用ASU策略缩减至给定的规模,并转到步骤(7);反之,直接转到步骤(7);
(7)更新粒子的个体极值和全局极值;
(8)更新每个粒子的位置和速度,构造新的粒子,转到步骤(2)。
所述步骤(5)中,在精英集的规模超出给定规模时,利用ASU策略进行缩减,即将粒子群分成若干个网格,然后在每个网格中,利用逐步更新的欧氏拥挤距离去筛选粒子,即每计算一次欧氏拥挤距离之后,剔除欧氏拥挤距离最小的精英解,然后再计算一次欧氏拥挤距离,再剔除此时欧氏拥挤距离最小的精英解,按此方法,直至缩减到规定的精英集规模;其中欧氏拥挤距离d表示为
x1i——选中粒子第i维的位置,
x2i和x3i——与x1i最近两个粒子第i维的位置,
n——粒子的维数。
ASU策略能避免一次性剔除一群集中的粒子而破坏解分布的多样性和均匀性,且能搜索到相对更优的解。
本发明的有益效果是:本发明采用了基于ASU策略的多目标粒子群算法,该方法利用基于ASU策略进行精英集缩减,能提高最优解分布的均匀性和多样性,且能搜索到相对更优的解,从而提高最终结果的可靠性。与现有的多目标粒子群算法相比,本发明提出的方法主要有以下改进:即ASU策略在精英集缩减过程中,能更好地保持解分布的均匀性和多样性,且能搜索到相对更优的解。
附图说明
图1是基于ASU策略的多目标粒子群优化算法的流程示意图;
图2是三种方法对ZDT1函数的测试结果图;
图3是三种方法对ZDT2函数的测试结果图;
图4是三种方法对ZDT3函数的测试结果图;
具体实施方式
下面将结合附图及实施例对本发明做详细的介绍:结合图1所示,本发明所述的基于ASU策略的多目标粒子群优化算法包括如下步骤:
(1)种群初始化。设置精英集为空;迭代次数t=0,在控制变量变化范围内,随机初始化粒子群,每个粒子的个体极值和全局极值均为初始位置,设定精英集规模;
(2)计算每个粒子的目标函数的适应值;
(3)判断是否满足结束准则,达到最大允许迭代次数或最优解对应的目标函数值在给定的迭代步数内改变量小于给定值时,停止优化并输出结果,形成Pareto最优解;否则迭代次数t=t+1,转到步骤(4);
(4)根据Pareto支配,比较各个粒子之间的优劣,构造粒子群的非支配解集;
(5)通过比较非支配解集和精英集中粒子的Pareto支配关系,更新精英集;
(6)判断精英集规模是否超过给定规模,若超过,则利用ASU策略缩减至给定的规模,并转到步骤(7);反之,直接转到步骤(7);
(7)更新粒子的个体极值和全局极值;
(8)更新每个粒子的位置和速度,构造新的粒子,转到步骤(2)。
ASU策略是指在精英集缩减时,将粒子群分成若干个网格,然后在每个网格中,利用逐步更新的欧氏拥挤距离去筛选粒子,即每计算一次欧氏拥挤距离之后,剔除欧氏拥挤距离最小的精英解,然后再计算一次欧氏拥挤距离,再剔除此时欧氏拥挤距离最小的精英解,按此方法,直至缩减到规定的精英集规模;
实施例:为了体现本发明算法的性能优势,这里选择ZDT1~ZDT3函数来测试,这三个函数分别具有凸特性、凹特性和离散特性。性能指标选择用世代距离(generationaldistance,GD)体现Pareto最优解的最优性,用解集均匀度(Spacing,SP)来体现Pareto最优解分布的均匀性和多样性。
世代距离指算法所得的解与Pareto最优前端之间的趋近程度。
di——目标空间中解和对应Pareto最优解的欧氏距离,n——所得解的数量;
GD的值越小,则算法获得的解越趋近于最优前段;
解集均匀度表示算法所得的解在目标空间上分布的均匀程度;
di——目标空间中解和对应Pareto最优解的欧氏距离,n——所得解的数量,d——所有di的平均值;SP的值越小,则算法获得的解越均匀。
在本发明算法,以及基于拥挤距离策略的算法和基于网格策略的算法中,设置种群规模都为100,精英集规模为100。三种算法对ZDT1~ZDT3函数都运行30次,统计GD和SP的均值和方差,见表1所示:
表1三种算法的测试结果
从表中可以看出,基于ASU策略的多目标粒子群优化算法对三个测试函数求得的GD的均值和方差、SP的均值和方差都小于其他两种算法。由此可见,本发明算法能够更好地保持Pareto最优解分布的均匀性和多样性,且能搜索到相对更优的解。
Claims (2)
1.一种基于ASU策略的多目标粒子群优化算法,其特征在于该优化算法包括如下步骤:
(1)种群初始化,设置精英集为空;迭代次数t=0,在控制变量变化范围内,随机初始化粒子群,每个粒子的个体极值和全局极值均为初始位置,设定精英集规模;
(2)计算每个粒子的目标函数适应值;
(3)判断是否满足结束准则,达到最大允许迭代次数或最优解对应的目标函数值在给定的迭代步数内改变量小于给定值时,停止优化并输出结果,形成Pareto最优解;否则迭代次数t=t+1,转到步骤(4);
(4)根据Pareto支配,比较各个粒子之间的优劣,构造粒子群的非支配解集;
(5)通过比较非支配解集和精英集中粒子的Pareto支配关系,更新精英集;
(6)判断精英集规模是否超过给定规模,若超过,则利用ASU策略缩减至给定的规模,并转到步骤(7);反之,直接转到步骤(7);
(7)更新粒子的个体极值和全局极值;
(8)更新每个粒子的位置和速度,构造新的粒子,转到步骤(2)。
2.根据权利要求1所述基于ASU策略的多目标粒子群优化算法,其特征在于所述步骤5中,在精英集的规模超出给定规模时,利用ASU策略进行缩减,即将粒子群分成若干个网格,然后在每个网格中,利用逐步更新的欧氏拥挤距离去筛选粒子,即每计算一次欧氏拥挤距离之后,剔除欧氏拥挤距离最小的精英解,然后再计算一次欧氏拥挤距离,再剔除此时欧氏拥挤距离最小的精英解,按此方法,直至缩减到规定的精英集规模;其中欧氏拥挤距离d表示为
x1i——选中粒子第i维的位置,
x2i和x3i——与x1i最近两个粒子第i维的位置,
n——粒子的维数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410016605.XA CN103854131A (zh) | 2014-01-14 | 2014-01-14 | 一种基于asu策略的多目标粒子群优化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410016605.XA CN103854131A (zh) | 2014-01-14 | 2014-01-14 | 一种基于asu策略的多目标粒子群优化算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103854131A true CN103854131A (zh) | 2014-06-11 |
Family
ID=50861759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410016605.XA Pending CN103854131A (zh) | 2014-01-14 | 2014-01-14 | 一种基于asu策略的多目标粒子群优化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103854131A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392099A (zh) * | 2014-10-28 | 2015-03-04 | 沈阳建筑大学 | 一种混合多目标粒子群算法解决应急调度问题方法 |
CN105207910A (zh) * | 2015-08-17 | 2015-12-30 | 国家电网公司 | 一种基于粒子群优化的电力通信网路由优化方法 |
CN111932012A (zh) * | 2020-08-12 | 2020-11-13 | 国网黑龙江省电力有限公司哈尔滨供电公司 | 储能系统-分布式电源-电容器综合控制无功优化方法 |
CN112395673A (zh) * | 2020-11-17 | 2021-02-23 | 齐鲁工业大学 | 基于精英竞争策略的桥梁维护多目标优化方法及系统 |
-
2014
- 2014-01-14 CN CN201410016605.XA patent/CN103854131A/zh active Pending
Non-Patent Citations (5)
Title |
---|
刘衍民 等: "基于自适应拥挤网格的多目标粒子群算法", 《计算机科学》 * |
刘衍民: "粒子群算法的研究及应用", 《中国博士学位论文全文数据库 信息科技辑》 * |
张涛 等: "利用基于精英策略的粒子群算法求解多目标规划问题", 《青海师范大学学报 自然科学版》 * |
文瑛 等: "求解多目标优化问题的自适应粒子群算法", 《计算机工程与应用》 * |
李中凯 等: "基于拥挤距离排序的多目标粒子群优化算法及其应用", 《计算机集成制造系统》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392099A (zh) * | 2014-10-28 | 2015-03-04 | 沈阳建筑大学 | 一种混合多目标粒子群算法解决应急调度问题方法 |
CN105207910A (zh) * | 2015-08-17 | 2015-12-30 | 国家电网公司 | 一种基于粒子群优化的电力通信网路由优化方法 |
CN105207910B (zh) * | 2015-08-17 | 2018-08-24 | 国家电网公司 | 一种基于粒子群优化的电力通信网路由优化方法 |
CN111932012A (zh) * | 2020-08-12 | 2020-11-13 | 国网黑龙江省电力有限公司哈尔滨供电公司 | 储能系统-分布式电源-电容器综合控制无功优化方法 |
CN111932012B (zh) * | 2020-08-12 | 2023-07-28 | 国网黑龙江省电力有限公司哈尔滨供电公司 | 储能系统-分布式电源-电容器综合控制无功优化方法 |
CN112395673A (zh) * | 2020-11-17 | 2021-02-23 | 齐鲁工业大学 | 基于精英竞争策略的桥梁维护多目标优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN109214593B (zh) | 一种主动配电网供电能力多目标评价方法 | |
Fioriti et al. | A novel stochastic method to dispatch microgrids using Monte Carlo scenarios | |
KR102008922B1 (ko) | 신재생에너지와 부하의 불확실성을 고려한 마이크로그리드의 가상등가부하변동밴드 적용에 의한 단순화된 강인최적운영 시스템 및 그 방법 | |
CN107612016B (zh) | 基于电压最大相关熵的配电网中分布式电源的规划方法 | |
CN103854131A (zh) | 一种基于asu策略的多目标粒子群优化算法 | |
CN111062632B (zh) | 一种基于边缘智能的5g能源互联网虚拟电厂经济调度方法 | |
Zhang et al. | Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO | |
CN110390467A (zh) | 一种基于关键场景辨别的虚拟电厂随机自适应鲁棒优化调度方法 | |
CN103617455A (zh) | 基于虚拟机组子群的网厂两级负荷优化调度方法 | |
CN112132488A (zh) | 一种耦合建模-优化-优选的水库生态调度方法 | |
CN104077651A (zh) | 电网检修计划优化方法 | |
Bahrami et al. | A potential game framework for charging PHEVs in smart grid | |
CN104680427A (zh) | 地区配电网综合优化规划系统 | |
CN109383323A (zh) | 一种电动汽车群的充放电优化控制方法 | |
CN110543693B (zh) | 一种计及运行风险的鲁棒机组组合方法 | |
CN111917111A (zh) | 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质 | |
Castelo-Becerra et al. | Cooperative distributed aggregation algorithm for demand response using distributed energy storage devices | |
CN112257897B (zh) | 基于改进多目标粒子群的电动汽车充电优化方法和系统 | |
Khorasani | A new heuristic approach for unit commitment problem using particle swarm optimization | |
Karimi et al. | A comprehensive well to wheel analysis of plug-in vehicles and renewable energy resources from cost and emission viewpoints | |
CN110472841A (zh) | 一种电动汽车快速充电站的储能配置方法 | |
CN113746104B (zh) | 一种柴储供电模式的配电网协调控制方法及系统 | |
Kimura et al. | Neural networks approach for wind-solar energy system with complex networks | |
Li et al. | Multiobjective distribution network reconfiguration considering the charging load of PHEV |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140611 |