CN109165718A - 基于并行蚁群算法的网络重构方法和系统 - Google Patents
基于并行蚁群算法的网络重构方法和系统 Download PDFInfo
- Publication number
- CN109165718A CN109165718A CN201810888644.7A CN201810888644A CN109165718A CN 109165718 A CN109165718 A CN 109165718A CN 201810888644 A CN201810888644 A CN 201810888644A CN 109165718 A CN109165718 A CN 109165718A
- Authority
- CN
- China
- Prior art keywords
- ant
- network structure
- network
- loss
- look
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开了一种基于并行蚁群算法的网络重构方法和系统,该方法包括:根据进程数量将各个蚂蚁进行分组,指示所述各个蚂蚁基于蚁群算法寻找网络结构,其中,蚂蚁与进程一一对应;判断各个蚂蚁寻找到的网络结构是否在预设查找表中,若是,则判断所述各个蚂蚁所在的组中的其他蚂蚁是否完成寻找网络结构,若是,则保存各个蚂蚁寻找到的网络结构以及所述网络结构对应的网损;其中,所述预设查找表存储有上一次迭代过程确定的最优网络结构和对应的网损;将所述网损进行排序,根据设定的规则更新所述预设查找表,并输出最小网损对应的网络结构作为最优网络结构。节约了计算资源,增大搜索范围,降低蚁群算法陷入局部最优的概率。
Description
技术领域
本发明实施例涉及智能算法技术领域,尤其涉及一种基于并行蚁群算法的网络重构方法和系统。
背景技术
近年来,智能算法得到了较快的发展,该类算法具有良好的全局寻优能力,然而,随着大数据的兴起和成熟,传统的串行智能算法已经逐渐不能满足各领域的要求,尤其是对快速计算的要求。
蚁群算法作为一种优秀的并行智能算法,具有鲁棒性、可并行性和正反馈机制等优点,因而被广泛应用于各个领域之中。以配电网络重构为例,该算法通过蚂蚁寻径的方式寻找最优的网络拓扑结构,寻径过程中,蚂蚁会释放“信息素”这种物质进行信息交互并引导支路的选择。随着迭代次数的增加,整个蚁群表现出信息正反馈现象,并最终找到最优网络结构。然而,蚁群算法仍存在以下不足之处:
(1)目前,现有的并行蚁群算法存在较多重复计算。随着迭代次数的增加,越来越多的蚂蚁在信息素的引导下会找到固定的一种或几种网络结构,由于相同的网络结构会产生相同的网损,所以重复进行的潮流计算也会增多,这极大地浪费了计算资源。
(2)研究蚁群算法将不可避免的面对局部最优问题。蚁群算法具有正反馈的机制,随着迭代次数的增加,越来越多的蚂蚁会集中到信息素浓度高的路径,与此同时,蚂蚁又会释放信息素这种物质。最终,所有蚂蚁会集中到一条路径。这条路径有可能是最优解,但也有极大概率为局部最优。
发明内容
本发明实施例提供一种基于并行蚁群算法的网络重构方法和系统,节约了计算资源,增大搜索范围,降低蚁群算法陷入局部最优的概率。
第一方面,本发明实施例提供了一种基于并行蚁群算法的网络重构方法,该方法包括:
根据进程数量将各个蚂蚁进行分组,指示所述各个蚂蚁基于蚁群算法寻找网络结构,其中,蚂蚁与进程一一对应;
判断各个蚂蚁寻找到的网络结构是否在预设查找表中,若是,则判断所述各个蚂蚁所在的组中的其他蚂蚁是否完成寻找网络结构,若是,则保存各个蚂蚁寻找到的网络结构以及所述网络结构对应的网损;其中,所述预设查找表存储有上一次迭代过程确定的最优网络结构和对应的网损;
将所述网损进行排序,根据设定的规则更新所述预设查找表,并输出最小网损对应的网络结构作为最优网络结构。
进一步的,还包括:
若各个蚂蚁寻找到的网络结构不在预设查找表中,则通过潮流计算确定所述各个蚂蚁找到的网络结构的网损。
进一步的,在判断各个蚂蚁寻找到的网络结构是否在预设查找表中之后,还包括:
若各个蚂蚁所在的组中的其他蚂蚁未完成寻找网络结构,则返回执行各个蚂蚁基于蚁群算法寻找网络结构。
进一步的,并输出最小网损对应的网络结构作为最优网络结构,包括:
确定信息素更新次数满足设定阈值,输出所述最优网络结构,其中,所述信息素更新次数与各个组中蚂蚁寻找网络结构的次数对应。
进一步的,根据进程数量将各个蚂蚁进行分组,包括:
初始化数据库中进程对应的参数和信息素矩阵,根据所述参数、信息素矩阵和进程数量将各个蚂蚁进行分组。
进一步的,在根据设定的规则更新所述预设查找表之后,还包括:
将更新后的预设查找表广播至各个进程。
第二方面,本发明实施例还提供了一种基于并行蚁群算法的网络重构系统,该系统包括:
指示模块,用于根据进程数量将各个蚂蚁进行分组,指示所述各个蚂蚁基于蚁群算法寻找网络结构,其中,蚂蚁与进程一一对应;
判断模块,用于判断各个蚂蚁寻找到的网络结构是否在预设查找表中,若是,则判断所述各个蚂蚁所在的组中的其他蚂蚁是否完成寻找网络结构,若是,则保存各个蚂蚁寻找到的网络结构以及所述网络结构对应的网损;其中,所述预设查找表存储有上一次迭代过程确定的最优网络结构和对应的网损;
输出模块,用于将所述网损进行排序,根据设定的规则更新所述预设查找表,并输出最小网损对应的网络结构作为最优网络结构。
进一步的,还包括:
计算模块,用于在各个蚂蚁寻找到的网络结构不在预设查找表中时,通过潮流计算确定所述各个蚂蚁找到的网络结构的网损。
进一步的,还包括:
返回执行模块,用于在判断各个蚂蚁寻找到的网络结构是否在预设查找表中之后,在各个蚂蚁所在的组中的其他蚂蚁未完成寻找网络结构时,返回执行各个蚂蚁基于蚁群算法寻找网络结构。
进一步的,所述输出模块具体用于:
确定信息素更新次数满足设定阈值,输出所述最优网络结构,其中,所述信息素更新次数与各个组中蚂蚁寻找网络结构的次数对应。
进一步的,所述指示模块具体用于:
初始化数据库中进程对应的参数和信息素矩阵,根据所述参数、信息素矩阵和进程数量将各个蚂蚁进行分组。
进一步的,还包括:
广播模块,用于在根据设定的规则更新所述预设查找表之后,将更新后的预设查找表广播至各个进程。
本发明实施例中,根据进程数量将各个蚂蚁进行分组,指示所述各个蚂蚁基于蚁群算法寻找网络结构,其中,蚂蚁与进程一一对应;判断各个蚂蚁寻找到的网络结构是否在预设查找表中,若是,则判断所述各个蚂蚁所在的组中的其他蚂蚁是否完成寻找网络结构,若是,则保存各个蚂蚁寻找到的网络结构以及所述网络结构对应的网损;其中,所述预设查找表存储有上一次迭代过程确定的最优网络结构和对应的网损;将所述网损进行排序,根据设定的规则更新所述预设查找表,并输出最小网损对应的网络结构作为最优网络结构。节约了计算资源,增大搜索范围,降低蚁群算法陷入局部最优的概率。
附图说明
图1a是本发明实施例一中的一种基于并行蚁群算法的网络重构方法的流程图;
图1b是本发明实施例一中所适用的一种570节点网络跳过潮流计算次数与预设查找表容量关系的趋势图;
图1c是本发明实施例一中所适用的一种并行蚁群记忆查找算法单次迭代流程图;
图1d是本发明实施例一中所适用的一种并行蚁群记忆查找算法多次迭代流程图;
图1e是本发明实施例一中所适用的一种本发明实施例提供的算法和已有的并行蚁群算法中进程数量对整体计算速度的影响示意图;
图2是本发明实施例二中的一种基于并行蚁群算法的网络重构系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
并行蚁群记忆查找算法,可应用于组合优化、机器人路径规划、智能交通或电力系统网络重头等领域。本发明实施例提供了一种基于并行蚁群算法的网络重构方法、
实施例一
图1a为本发明实施例一提供的一种基于并行蚁群算法的网络重构方法流程图,本实施例可适用于电力系统网络重构的情况,该方法可以由本发明是实施例提供的基于并行蚁群算法的网络重构系统来执行,该系统可采用软件和/或硬件的方式实现。参考图1a,该方法具体可以包括如下步骤:
步骤110、根据进程数量将各个蚂蚁进行分组,指示所述各个蚂蚁基于蚁群算法寻找网络结构,其中,蚂蚁与进程一一对应。
具体的,进程(Process)是计算机中的程序关于某数据集合上的一次运行活动,是系统进行资源分配和调度的基本单位,是操作系统结构的基础,一次蚂蚁寻径过程可以看作一个进程。根据进程数量将各个蚂蚁进行分组,指示各个蚂蚁基于蚁群算法寻找网络结构。其中,蚂蚁与进程一一对应,每只蚂蚁寻径以后都会找到一种合理的网络结构。
步骤120、判断各个蚂蚁寻找到的网络结构是否在预设查找表中,若是,则执行步骤130;其中,所述预设查找表存储有上一次迭代过程确定的最优网络结构和对应的网损。
其中,设立预设查找表,其中,预设查找表中存储有上一次迭代过程确定的最优网络结果和对应的网损。判断本次迭代计算是蚂蚁找到的网络结构在预设查找表中已经存在,则通过预设查找表直接得出对应的网损以跳过潮流计算,介于计算资源,使迭代过程中的蚂蚁数量随收敛的稳定程度而不断减少,实现自适应的蚂蚁数量选择机制。网损是指电能输送过程中以热能形式散发的功率损失,例如可以是电阻或电导消耗的有功功率。
步骤130、判断所述各个蚂蚁所在的组中的其他蚂蚁是否完成寻找网络结构,若是,则执行步骤140。
具体的,当每个组中的各个蚂蚁全部完成寻找网络结构之后,则执行S140。在一个具体的例子中,一个组中可以包括30只蚂蚁,也即,包含30个并行的进程,每次寻径过程即为30只蚂蚁寻找网络结构的过程。
步骤140、保存各个蚂蚁寻找到的网络结构以及所述网络结构对应的网损。
在确定每个组中的各个蚂蚁全部寻找到网络结构之后,保存各个蚂蚁寻找的网络结构以及所述网络结构对应的网损。
步骤150、将所述网损进行排序,根据设定的规则更新所述预设查找表,并输出最小网损对应的网络结构作为最优网络结构。
在一个具体的例子中,将所述网损由小到大进行排序,根据设定的规则更新预设查找表,并输出最小网损对应的网络结构作为最优网络结构。其中,设定的规则可以是选取预设数量的网损最小的网络结构。
本发明实施例中,根据进程数量将各个蚂蚁进行分组,指示所述各个蚂蚁基于蚁群算法寻找网络结构,其中,蚂蚁与进程一一对应;判断各个蚂蚁寻找到的网络结构是否在预设查找表中,若是,则判断所述各个蚂蚁所在的组中的其他蚂蚁是否完成寻找网络结构,若是,则保存各个蚂蚁寻找到的网络结构以及所述网络结构对应的网损;其中,所述预设查找表存储有上一次迭代过程确定的最优网络结构和对应的网损;将所述网损进行排序,根据设定的规则更新所述预设查找表,并输出最小网损对应的网络结构作为最优网络结构。节约了计算资源,增大搜索范围,降低蚁群算法陷入局部最优的概率。
可选的,本发明实施例提供的方法还包括:若各个蚂蚁寻找到的网络结构不在预设查找表中,则通过潮流计算确定所述各个蚂蚁找到的网络结构的网损。
其中,若各个蚂蚁寻找到的网络结构不在预设查找表中,则通过潮流计算确定各个蚂蚁找到的网络结构的网损。这种情况表明,各个蚂蚁找到了新的网络结构,则将新的网络结构的网损计算出来,为对预设查找表的更新提供了基础。
示例性的,在判断各个蚂蚁寻找到的网络结构是否在预设查找表中之后,还包括:若各个蚂蚁所在的组中的其他蚂蚁未完成寻找网络结构,则返回执行各个蚂蚁基于蚁群算法寻找网络结构。具体的,当各个蚂蚁所在的组中的其他蚂蚁未完成寻找网络结构,则返回执行步骤110,直到全部蚂蚁完成寻找网络结构为止。
可选的,并输出最小网损对应的网络结构作为最优网络结构,具体可以通过如下方式实现:确定信息素更新次数满足设定阈值,输出所述最优网络结构,其中,所述信息素更新次数与各个组中蚂蚁寻找网络结构的次数对应。
具体的,设定迭代的终止条件,当信息素更新次数满足设定阈值时,例如300次,则将当前网络结构中网损最小的网络结构作为最优网络结构,其中,信息素更新次数与各个组中蚂蚁寻找网络结构的次数对应。
可选的,根据进程数量将各个蚂蚁进行分组,包括:初始化数据库中进程对应的参数和信息素矩阵,根据所述参数、信息素矩阵和进程数量将各个蚂蚁进行分组。
示例性的,在根据设定的规则更新所述预设查找表之后,还包括:将更新后的预设查找表广播至各个进程。有利于各个蚂蚁根据信息素更快的寻找到最优网络结构。
因此,将本发明实施例中提出的基于并行蚁群算法的网络重构方法应用于配电网网络重构之中,首先在计算过程中设立预设查找表,记录上一次迭代过程中部分最优的网络结构和对应的网损;之后,若本次迭代计算时蚂蚁找到的结构在预设查找表中已存在,则通过预设查找表直接得出对应网损以跳过潮流计算,节约计算资源。另外,根据并行计算过程中不同进程间相互独立原则,在信息素积累阶段,分步式处理不同进程的信息素浓度,增大搜索范围,降低算法陷入局部最优的概率。在信息素更新次数和初始蚂蚁数量都相同的情况下,与现有技术相比,本发明实施例提供的方法能够有效提高计算速度并增加找到最优解的概率。
在上述技术方案的基础上,下面用一个具体的例子来对本发明实施例的方案进行说明。首先,设立预设查找表。网络结构和网损可看成一一对应的关系。每只蚂蚁寻径以后都会找到一种合理的网络结构,如果设置预设查找表,记录部分已找到的网络结构及对应计算出的网损值,在下一次迭代过程中,可以将蚂蚁新得到的网络结构和预设查找表中的结构进行对比,若相同,则跳过潮流计算,直接得出网损大小。由于蚁群算法是一种正反馈算法,随着信息素更新次数的增加,蚂蚁会集中找到信息素浓度高(网损小)的一种或几种不同的网络结构,所以将每次更新信息素后网损最小的几种网络结构和对应的网损放入预设查找表中。将预设查找表的容量用CY表示表。
表1示出了一种570节点算例陷入局部最优解前各迭代次数下的潮流计算情况。通过表1可以看出,以570节点网络为例,在不同信息素更新次数下,30只蚂蚁得到的网损情况。破折号前代表的是网损从小到大排序后的编号,破折号后代表可以跳过潮流计算的次数。从表1中数据可以发现,最初两次信息素更新时,由于信息素分布比较分散,所有蚂蚁都没有找到相同的网络结构,随着更新次数的增加,越来越多的蚂蚁找到相同的网络结构,潮流计算的重复次数增加。当迭代次数达到11时,30只蚂蚁找到的是同一种网络结构,此时算法找到了最优解或局部最优解。
表1 570节点算例陷入局部最优解前各迭代次数下的潮流计算情况
图1b为570节点网络跳过潮流计算次数与预设查找表容量关系的趋势图。当陷入局部最优时,蚁群算法共进行了11次迭代,330潮流计算。若把每次得到的5个网损最小的网络结构放入预设查找表,则可以跳过148次潮流计算,若把每次得到的10个网损最小的网络结构放入预设查找表,则可以跳过177次潮流计算,此时能让绝大部分找到相同网络结构的蚂蚁跳过潮流计算。但是随着蚂蚁数量M的不同,预设查找表的最优容量也是随之变化的。在一个具体的例子中,当预设查找表容量CY=M/3时,并行蚁群算法能在减少通信开销的情况下尽可能多的跳过潮流计算次数。
在一个具体的例子中,本发明实施例中的技术方案可以通过以下流程实现,具体可参考图1c和图1d,图1c示出了一种并行蚁群记忆查找算法单次迭代流程图,图1d示出了一种并行蚁群记忆查找算法多次迭代流程图。:
步骤1:读取数据库,初始化各参数和信息矩阵,蚂蚁根据进程数量分组。
步骤2:基于蚁群算法寻找网络结构。
步骤3:比较找到的网络结构是否属于预设查找表,若不是,进入步骤4;否则进入步骤5。
步骤4:基于牛顿-拉夫逊算法进行潮流计算,得出网损。
步骤5:判断进程内蚂蚁是否全部寻径完成,若不是,返回步骤2;否则进入步骤6。
步骤6:将所有进程中的所有蚂蚁的网损以及对应的网络结构汇总到进程0中。
步骤7:更新预设查找表,根据最优的网络结构更新信息素矩阵,并将它们广播到每一个进程。
步骤8:若达到更新信息素次数的最大阈值,输出最小网损和对应的网络结构,否则返回步骤2。
接下来说明并行度对并行蚁群算法的影响。按照并行度的划分,并行蚁群算法可以分为细粒度、粗粒度和并行独立蚁群。细粒度并行蚁群算法给每一个进程分配一只蚂蚁,这样能够大幅度提高并行度,但随之而来的问题是信息交互过于频繁,反而不利于提高计算速度。粗粒度并行蚁群算法设定每个进程处理多个蚂蚁,因此可以减少进程数量,进而减少了进程之间的通信时间,当蚂蚁数超过处理器个数时,粗粒度蚁群算法表现较优。并行独立蚁群在每一个处理器上运行独立的一个蚁群,彼此之间无需进行通信,每一个蚁群都是一个独立的部分。这种方法要求蚁群之间不含交互部分,必须完全独立,限制较大。
图1e为本发明实施例提供的算法和已有的并行蚁群算法中进程数量对整体计算速度的影响示意图。由图1e可以发现,当设定15个进程时两种算法的计算速度最快。当进程数越少,并行度越低时,加速比(串行计算时间与并行计算时间之比)越小。随着进程数量的增加,加速比逐渐增加。当进程达到一定数量时,加速比趋于稳定甚至会稍微减少,这是因为进程之间的通信开销抵消了每个进程减少的计算时间。还可以看出,本发明实施例提供的方法的加速比相对于现有技术中的并行蚁群算法一直保持优势。
实施例二
图2是本发明是实施例二提供的一种基于并行蚁群算法的网络重构系统的结构示意图,该系统适用于执行本发明实施例提供给的一种基于并行蚁群算法的网络重构方法。如图2所示,该系统具体可以包括:
指示模块210,用于根据进程数量将各个蚂蚁进行分组,指示所述各个蚂蚁基于蚁群算法寻找网络结构,其中,蚂蚁与进程一一对应;
判断模块220,用于判断各个蚂蚁寻找到的网络结构是否在预设查找表中,若是,则判断所述各个蚂蚁所在的组中的其他蚂蚁是否完成寻找网络结构,若是,则保存各个蚂蚁寻找到的网络结构以及所述网络结构对应的网损;其中,所述预设查找表存储有上一次迭代过程确定的最优网络结构和对应的网损;
输出模块230,用于将所述网损进行排序,根据设定的规则更新所述预设查找表,并输出最小网损对应的网络结构作为最优网络结构。
进一步的,还包括:
计算模块,用于在各个蚂蚁寻找到的网络结构不在预设查找表中时,通过潮流计算确定所述各个蚂蚁找到的网络结构的网损。
进一步的,还包括:
返回执行模块,用于在判断各个蚂蚁寻找到的网络结构是否在预设查找表中之后,在各个蚂蚁所在的组中的其他蚂蚁未完成寻找网络结构时,返回执行各个蚂蚁基于蚁群算法寻找网络结构。
进一步的,输出模块230具体用于:
确定信息素更新次数满足设定阈值,输出所述最优网络结构,其中,所述信息素更新次数与各个组中蚂蚁寻找网络结构的次数对应。
进一步的,指示模块210具体用于:
初始化数据库中进程对应的参数和信息素矩阵,根据所述参数、信息素矩阵和进程数量将各个蚂蚁进行分组。
进一步的,还包括:
广播模块,用于在根据设定的规则更新所述预设查找表之后,将更新后的预设查找表广播至各个进程。
本发明实施例提供的基于并行蚁群算法的网络重构系统可执行本发明任意实施例提供的基于并行蚁群算法的网络重构方法,具备执行方法相应的功能模块和有益效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于并行蚁群算法的网络重构方法,其特征在于,包括:
根据进程数量将各个蚂蚁进行分组,指示所述各个蚂蚁基于蚁群算法寻找网络结构,其中,蚂蚁与进程一一对应;
判断各个蚂蚁寻找到的网络结构是否在预设查找表中,若是,则判断所述各个蚂蚁所在的组中的其他蚂蚁是否完成寻找网络结构,若是,则保存各个蚂蚁寻找到的网络结构以及所述网络结构对应的网损;其中,所述预设查找表存储有上一次迭代过程确定的最优网络结构和对应的网损;
将所述网损进行排序,根据设定的规则更新所述预设查找表,并输出最小网损对应的网络结构作为最优网络结构。
2.根据权利要求1所述的方法,其特征在于,还包括:
若各个蚂蚁寻找到的网络结构不在预设查找表中,则通过潮流计算确定所述各个蚂蚁找到的网络结构的网损。
3.根据权利要求2所述的方法,其特征在于,在判断各个蚂蚁寻找到的网络结构是否在预设查找表中之后,还包括:
若各个蚂蚁所在的组中的其他蚂蚁未完成寻找网络结构,则返回执行各个蚂蚁基于蚁群算法寻找网络结构。
4.根据权利要求1所述的方法,其特征在于,并输出最小网损对应的网络结构作为最优网络结构,包括:
确定信息素更新次数满足设定阈值,输出所述最优网络结构,其中,所述信息素更新次数与各个组中蚂蚁寻找网络结构的次数对应。
5.根据权利要求1所述的方法,其特征在于,根据进程数量将各个蚂蚁进行分组,包括:
初始化数据库中进程对应的参数和信息素矩阵,根据所述参数、信息素矩阵和进程数量将各个蚂蚁进行分组。
6.根据权利要求1-5任一项所述的方法,其特征在于,在根据设定的规则更新所述预设查找表之后,还包括:
将更新后的预设查找表广播至各个进程。
7.一种基于并行蚁群算法的网络重构系统,其特征在于,包括:
指示模块,用于根据进程数量将各个蚂蚁进行分组,指示所述各个蚂蚁基于蚁群算法寻找网络结构,其中,蚂蚁与进程一一对应;
判断模块,用于判断各个蚂蚁寻找到的网络结构是否在预设查找表中,若是,则判断所述各个蚂蚁所在的组中的其他蚂蚁是否完成寻找网络结构,若是,则保存各个蚂蚁寻找到的网络结构以及所述网络结构对应的网损;其中,所述预设查找表存储有上一次迭代过程确定的最优网络结构和对应的网损;
输出模块,用于将所述网损进行排序,根据设定的规则更新所述预设查找表,并输出最小网损对应的网络结构作为最优网络结构。
8.根据权利要求7所述的系统,其特征在于,还包括:
计算模块,用于在各个蚂蚁寻找到的网络结构不在预设查找表中时,通过潮流计算确定所述各个蚂蚁找到的网络结构的网损。
9.根据权利要求8所述的系统,其特征在于,还包括:
返回执行模块,用于在判断各个蚂蚁寻找到的网络结构是否在预设查找表中之后,在各个蚂蚁所在的组中的其他蚂蚁未完成寻找网络结构时,返回执行各个蚂蚁基于蚁群算法寻找网络结构。
10.根据权利要求7所述的系统,其特征在于,所述输出模块具体用于:
确定信息素更新次数满足设定阈值,输出所述最优网络结构,其中,所述信息素更新次数与各个组中蚂蚁寻找网络结构的次数对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810888644.7A CN109165718A (zh) | 2018-08-07 | 2018-08-07 | 基于并行蚁群算法的网络重构方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810888644.7A CN109165718A (zh) | 2018-08-07 | 2018-08-07 | 基于并行蚁群算法的网络重构方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165718A true CN109165718A (zh) | 2019-01-08 |
Family
ID=64895145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810888644.7A Pending CN109165718A (zh) | 2018-08-07 | 2018-08-07 | 基于并行蚁群算法的网络重构方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165718A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310999A (zh) * | 2020-02-14 | 2020-06-19 | 西安建筑科技大学 | 一种基于改进蚁群算法的仓库移动机器人路径规划方法 |
CN111864729A (zh) * | 2019-04-26 | 2020-10-30 | 中国电力科学研究院有限公司 | 一种配电网网络重构方法及装置 |
CN114567588A (zh) * | 2022-04-27 | 2022-05-31 | 南京邮电大学 | 基于时延预测及双蚁群的软件定义网络QoS路由算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903062A (zh) * | 2014-03-12 | 2014-07-02 | 国家电网公司 | 基于双蚁群优化的配电网网络重构方法 |
CN105046022A (zh) * | 2015-08-27 | 2015-11-11 | 安徽工业大学 | 一种基于改进蚁群算法的智能配电网自愈方法 |
CN107171963A (zh) * | 2017-07-26 | 2017-09-15 | 华北电力大学(保定) | 一种蚁群寻优方法及装置 |
-
2018
- 2018-08-07 CN CN201810888644.7A patent/CN109165718A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903062A (zh) * | 2014-03-12 | 2014-07-02 | 国家电网公司 | 基于双蚁群优化的配电网网络重构方法 |
CN105046022A (zh) * | 2015-08-27 | 2015-11-11 | 安徽工业大学 | 一种基于改进蚁群算法的智能配电网自愈方法 |
CN107171963A (zh) * | 2017-07-26 | 2017-09-15 | 华北电力大学(保定) | 一种蚁群寻优方法及装置 |
Non-Patent Citations (3)
Title |
---|
史月美 等: "《关联规则挖掘研究》", 31 May 2016, 兵器工业出版社 * |
周术鹏: "基于双策略蚁群算法的配电网络重构研究", 《计算机工程与应用》 * |
徐延炜: "基于人工免疫思想的蚁群算法(AIACS)在配电网重构中的应用", 《电力系统保护与控制》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111864729A (zh) * | 2019-04-26 | 2020-10-30 | 中国电力科学研究院有限公司 | 一种配电网网络重构方法及装置 |
CN111864729B (zh) * | 2019-04-26 | 2024-05-31 | 中国电力科学研究院有限公司 | 一种配电网网络重构方法及装置 |
CN111310999A (zh) * | 2020-02-14 | 2020-06-19 | 西安建筑科技大学 | 一种基于改进蚁群算法的仓库移动机器人路径规划方法 |
CN111310999B (zh) * | 2020-02-14 | 2022-04-08 | 西安建筑科技大学 | 一种基于改进蚁群算法的仓库移动机器人路径规划方法 |
CN114567588A (zh) * | 2022-04-27 | 2022-05-31 | 南京邮电大学 | 基于时延预测及双蚁群的软件定义网络QoS路由算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846472A (zh) | 一种自适应遗传粒子群混合算法的优化方法 | |
CN109165718A (zh) | 基于并行蚁群算法的网络重构方法和系统 | |
CN109636043B (zh) | 一种梯级水电系统发电调度自适应优化方法与系统 | |
CN105976048A (zh) | 一种基于改进人工蜂群算法的输电网扩展规划方法 | |
CN109522964A (zh) | 虚拟电厂的聚类方法、装置、调控设备及计算机存储介质 | |
CN108876016A (zh) | 一种多阶段多目标给水管网优化分区方法 | |
CN105530707A (zh) | 一种异构融合场景中基于混合优化的资源分配方法 | |
CN113098008A (zh) | 一种基于改进政治优化算法的光储容量优化配置方法 | |
Ali et al. | Dual algorithms for pure network problems | |
CN106961125B (zh) | 风水火电力系统动态经济调度的等式约束处理方法 | |
CN111324429B (zh) | 一种基于多代血统参考距离的微服务组合调度方法 | |
CN113791913B (zh) | 一种类脑计算机操作系统的任务迁移方法 | |
CN113159539B (zh) | 多层边缘计算系统中联合绿色能量调度和动态任务分配方法 | |
CN106055674B (zh) | 一种分布式环境下基于度量空间的top-k支配查询方法 | |
CN112417507A (zh) | 一种基于隐私保护的大型图的节点三角形计数的发布方法 | |
CN102662325A (zh) | 一种改进自适应学习树电源管理方法 | |
CN111817298B (zh) | 含随机风能的多调度区间分布式能源调度方法及系统 | |
Wang et al. | Multi-granularity decomposition for componentized multimedia applications based on graph clustering | |
CN113075995B (zh) | 基于混合群智能的虚拟机节能整合方法、系统和存储介质 | |
CN109635999A (zh) | 一种基于粒子群-细菌觅食的水电站调度方法及系统 | |
Mo et al. | Coordinating flexible loads via optimization in the majorization order | |
CN115001978A (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
CN112699922A (zh) | 一种基于区域内距离的自适应聚类方法及系统 | |
CN112579324A (zh) | 一种基于cost模型的商品汇总统计方法 | |
Wang | A fuzzy-based dynamic channel borrowing scheme for wireless cellular networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190108 |