CN109359773A - 一种基于自适应遗传算法的无线供电路径配置方法 - Google Patents

一种基于自适应遗传算法的无线供电路径配置方法 Download PDF

Info

Publication number
CN109359773A
CN109359773A CN201811229085.5A CN201811229085A CN109359773A CN 109359773 A CN109359773 A CN 109359773A CN 201811229085 A CN201811229085 A CN 201811229085A CN 109359773 A CN109359773 A CN 109359773A
Authority
CN
China
Prior art keywords
section
value
circuit section
genetic algorithm
wireless power
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
Application number
CN201811229085.5A
Other languages
English (en)
Inventor
李天童
宁平凡
牛萍娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN201811229085.5A priority Critical patent/CN109359773A/zh
Publication of CN109359773A publication Critical patent/CN109359773A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于自适应遗传算法的无线供电路径配置的方法，包括以下步骤：(1)依照供电路段功率覆盖率构建了多目标模型，将供电路径配置问题转化为组合优化的数学模型；(2)基于混合整数、0‑1编码的染色体编码方式；(3)根据实际情况随机初始化一组符合特定经验要求的种群，作为自适应遗传算法迭代运算的初始种群；(4)采用自适应遗传算法根据迭代进度自适应调整两个子目标函数权重值，求解目标函数较优解。

Description

一种基于自适应遗传算法的无线供电路径配置方法
技术领域
本发明涉及一种无线供电路径配置方法，具体涉及一种基于自适应遗传算法的无线供电路径配置方法，同时包括对供电路径功率覆盖率的简化数学建模过程。
背景技术
工业自动化运输车的应用掌握了自动化物料运输的命脉，随着智能制造转型进程的推进，工业自动化运输车将成为现代工厂的标配，对工业自动化运输车的需求也会越来越大。现如今工业自动化运输车的充电方式主要是离线式充电和定时更换电池等方式，存在充电不安全，充电效率低，会影响工作效率，以及增加不必要的维护成本等问题。无线供电方法应用在工业自动化运输车中将有效地解决以上问题。
无线供电技术在动力系统供电中的应用也越来越多，主要有长导轨式和连续分段式，然而长导轨式动态充电方式会产生较大的电磁泄露，会极大降低充电效率。还有不论长导轨式还是分段式动态充电，随着工业自动化运输车运行总功率的提升，供电系统的成本也将大幅上涨。
供电路径分布式配置问题是一种典型的配置问题，随着总路径长度的增加和系统总功率的提升，配置问题的优化目标主要是使用最少的供电路径配置来满足系统总功率。此类问题属于NP-Hard问题，一般都采用启发式算法如一般遗传算法等来求解问题，但都很难求得问题的最优解，且算法收敛速度较慢，易于陷入局部最优等缺点。
发明内容
本发明目的是针对现有技术存在的缺陷提供了一种基于自适应遗传算法的供电路径配置方法，该方法可针对不同的工业自动化运输车工作环境下的供电系统进行特定配置，以达到功率最大利用率，实现经济效益最大化，减少资源浪费。
为达到以上目的，本发明采用的技术方案为：一种基于自适应遗传算法的供电路径配置方法，该方法采用如下步骤：
(1)依照供电路段功率覆盖率构建多目标数学模型，将供电路径配置问题转化为组合优化的数学模型；
(2)根据实际情况随机初始化一组符合特定经验要求的种群，作为自适应遗传算法迭代运算的初始种群；
(3)基于混合整数、0-1编码的染色体编码方式对初始种群进行编码；
(4)采用自适应遗传算法根据迭代进度自适应调整两个子目标函数权重值，求解目标函数较优解。
进一步的，所述的步骤(1)具体包括：
(11)为实现更好的供电路径配置，确定多目标优化问题的两个子目标分别为总路径功率完全覆盖率和整体系统经济效益；
(12)确定系统各项已知参数，包括：总路径长度、运输车的运行功率PA、类型为S的供电路段的供电功率PS、类型为S的供电路段的经济成本es，根据已知项建立简化的功率覆盖模型；
(13)根据模型，建立简化的经济效益模型：
式中，N为路径总长度L分割后小路段的总数，i为小路段编号，s为供电路段类型编号，es为类型为s的供电路段的经济效益值，Mis表示在第i段小路段上铺设了类型为s的供电路段；
(14)采用加权法将上述两个优化目标构造为一个整体木匾评价函数，用于遗传算法计算最优值。
进一步的，所述的步骤(12)包括：
(121)设供电路径系统总长度为L，将总长度L离散分割成N个长度为1的小路段。
(122)类型为S的供电路段的功率覆盖距离RS可按如下公式计算：
RS＝PS/PA；
(123)假设在位置Lis铺设S类型的供电路段Mis，任意离散分割后的小路段(Lj)与供电路段的距离可用表示如下式：
d(Mis，n)＝Lj-Lis (j＞i＞0)；
(124)此供电路段Mis对总路径中任意小路段的功率覆盖概率为：
即当任意小路段与供电路段Mis的距离大于0且小于Rs时，就认为此小路段被供电路段Mis所覆盖，覆盖概率为1；若距离不在供电路段Mis的覆盖范围内，则被覆盖概率为0；
(125)系统运行总路径的覆盖率可用定义如下式：
进一步的，所述的步骤(14)包括：
(141)设定两个子目标函数的权重值wc和ws，并满足加权条件wc+ws＝1；
(142)采用加权法将两个子优化目标构造成一个单一评价函数：
F＝wc·f1+ws·f2。
进一步的，所述的步骤(3)中编码方式为，在位数为长度L的染色体上，规定“0”为没有在此小路段铺设供电路段；若为非0实数则表示在此小路段铺设了供电路段。
进一步的，所述的步骤(4)包括：
(41)根据更新后的评价函数求得种群中每一个体的适应值；
(42)通过选择、交叉与变异更新种群；
(43)重复步骤(41)(42)直到达到最大迭代次数。
进一步的，所述的步骤(41)包括：
(411)设定wc初始值为wcmin，wcmin值是权重值w1的最小值，其值可根据经验设定；
(412)根据加权条件wc+ws＝1计算权重值ws的数值；
(413)获取当前迭代次数t，根据自适应公式来更新wc的值，所述自适应公式：
f＝wcmin+(t2/T2)·(wcmax-wcmin)，
式中，t为当前迭代次数，T为最大迭代次数，wcmax是wc的最大取值。
附图说明
图1是本发明实施例中一组合理解经编码后的染色体；
图2是本发明实施例的基于自适应遗传算法的供电路径配置方法的流程框图；
图3是本发明实施例经过自适应遗传算法求解后的供电路径配置示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明的具体实施方式做进一步说明。
实施例
基于自适应遗传算法的供电路段配置方法，包括步骤：
(1)依照供电路段功率覆盖率构建多目标数学模型，将供电路径配置问题转化为组合优化的数学模型；
具体而言，所述的步骤(1)具体包括：
(11)为实现更好的供电路径配置，确定多目标优化问题的两个子目标分别为总路径功率完全覆盖率和整体系统经济效益；
(12)确定系统各项已知参数，包括：总路径长度L＝50m、运输车的运行功率PA＝200W，类型为S的供电路段的供电功率PS和类型为S的供电路段的经济成本es如表1所示，根据已知项建立简化的功率覆盖模型；
表1某工业自动化运输车供电路径系统配置要求：
(13)根据模型，建立简化的经济效益模型：
式中，N为路径总长度L分割后小路段的总数50，i为小路段编号，s为供电路段类型编号，es为类型为s的供电路段的经济效益值，Mis表示在第i段小路段上铺设了类型为s的供电路段；
(14)采用加权法将上述两个优化目标构造为一个整体木匾评价函数，用于遗传算法计算最优值。
具体而言，所述的步骤(12)具体包括：
(121)设供电路径系统总长度为L，将总长度L离散分割成N个长度为1的小路段。
(122)类型为S的供电路段的功率覆盖距离RS可按如下公式计算：
RS＝PS/PA；
(123)假设在位置Lis铺设S类型的供电路段Mis，任意离散分割后的小路段(Lj)与供电路段的距离可用表示如下式：
d(Mis，n)＝Lj-Lis (j＞i＞0)；
(124)此供电路段Mis对总路径中任意小路段的功率覆盖概率为：
即当任意小路段与供电路段Mis的距离大于0且小于Rs时，就认为此小路段被供电路段Mis所覆盖，覆盖概率为1；若距离不在供电路段Mis的覆盖范围内，则被覆盖概率为0；
(125)系统运行总路径的覆盖率可用定义如下式：
具体而言，所述的步骤(14)具体包括：
(141)设定两个子目标函数的权重值wc和ws，并满足加权条件wc+ws＝1；
(142)采用加权法将两个子优化目标构造成一个单一评价函数：
F＝wc·f1+ws·f2。
(2)根据实际情况随机初始化一组符合特定经验要求的种群，作为自适应遗传算法迭代运算的初始种群；
(3)基于混合整数、0-1编码的染色体编码方式对初始种群进行编码；
具体而言，所述的步骤(3)中编码方式为，在位数为长度L的染色体上，规定“0”为没有在此小路段铺设供电路段；若为非0实数则表示在此小路段铺设了供电路段。
(4)采用自适应遗传算法根据迭代进度自适应调整两个子目标函数权重值，求解目标函数较优解。
具体而言，所述的步骤(4)具体包括：
(41)根据更新后的评价函数求得种群中每一个体的适应值；
(42)通过选择、交叉与变异更新种群；
(43)重复步骤(41)(42)直到达到最大迭代次数。
具体而言，所述的步骤(41)具体包括：
(411)设定wc初始值为wcmin，wcmin值是权重值w1的最小值，其值根据经验取0.18；
(412)根据加权条件wc+ws＝1计算权重值ws的数值；
(413)获取当前迭代次数t，根据自适应公式来更新wc的值，所述自适应公式：
f＝wcmin+(t2/T2)·(wcmax-wcmin)，
式中，t为当前迭代次数，T为最大迭代次数设为400，wcmax根据经验取0.84。

Claims (7)

1.一种基于自适应遗传算法的无线供电路径配置的方法，其特征在于，所述方法包括：
(1)依照供电路段功率覆盖率构建了多目标数学模型，将供电路径配置问题转化为组合优化的数学模型；
(2)根据实际情况随机初始化一组符合特定经验要求的种群，作为自适应遗传算法迭代运算的初始种群；
(3)基于混合整数、0-1编码的染色体编码方式对初始种群进行编码；
(4)采用自适应遗传算法根据迭代进度自适应调整两个子目标函数权重值，求解目标函数较优解。
2.根据权利要求1所述的无线供电路径配置的方法，其特征在于，所述的步骤(1)具体包括：
(11)为实现更好的供电路径配置，确定多目标优化问题的两个子目标分别为总路径功率完全覆盖率和整体系统经济效益；
(12)确定系统各项已知参数，包括：总路径长度、运输车的运行功率PA、类型为S的供电路段的供电功率PS、类型为S的供电路段的经济成本es，根据已知项建立简化的功率覆盖模型；
(13)根据模型，建立简化的经济效益模型：
式中，N为路径总长度L分割后小路段的总数，i为小路段编号，s为供电路段类型编号，es为类型为s的供电路段的经济效益值，Mis表示在第i段小路段上铺设了类型为s的供电路段；
(14)采用加权法将上述两个优化目标构造为一个整体木匾评价函数，用于遗传算法计算最优值。
3.根据权利要求2所述的无线供电路径配置的方法，其特征在于，所述的步骤(12)具体包括：
(121)设供电路径系统总长度为L，将总长度L离散分割成N个长度为1的小路段。
(122)类型为S的供电路段的功率覆盖距离RS可按如下公式计算：
RS＝PS/PA；
(123)假设在位置Lis铺设S类型的供电路段Mis，任意离散分割后的小路段(Lj)与供电路段的距离可用表示如下式：
d(Mis，n)＝Lj-Lis (j＞i＞0)；
(124)此供电路段Mis对总路径中任意小路段的功率覆盖概率为：
即当任意小路段与供电路段Mis的距离大于0且小于Rs时，就认为此小路段被供电路段Mis所覆盖，覆盖概率为1；若距离不在供电路段Mis的覆盖范围内，则被覆盖概率为0。
(125)系统运行总路径的覆盖率可用定义如下式：
4.根据权利要求2所述的无线供电路径配置的方法，其特征在于，所述的步骤(14)具体包括：
(141)设定两个子目标函数的权重值wc和ws，并满足加权条件wc+ws＝1；
(142)采用加权法将两个子优化目标构造成一个单一评价函数：
F＝wc·f1+ws·f2。
5.根据权利要求1所述的无线供电路径配置的方法，其特征在于，所述的步骤(3)具体包括：在位数为长度L的染色体上，规定“0”为没有在此小路段铺设供电路段；若为非0实数则表示在此小路段铺设了供电路段。
6.根据权利要求1所述的无线供电路径配置的方法，其特征在于，所述的步骤(4)具体包括：
(41)根据更新后的评价函数求得种群中每一个体的适应值；
(42)通过选择、交叉与变异更新种群；
(43)重复步骤(41)(42)直到达到最大迭代次数。
7.根据权利要求5所述的无线供电路径配置的方法，其特征在于，所述的步骤(41)具体包括：
(411)设定wc初始值为wcmin，wcmin值是权重值w1的最小值，其值可根据经验设定；
(412)根据加权条件wc+ws＝1计算权重值ws的数值；
(413)获取当前迭代次数t，根据自适应公式来更新wc的值，所述自适应公式：
f＝wcmin+(t2/T2)·(wcmax-wcmin)，
式中，t为当前迭代次数，T为最大迭代次数，wcmax是wc的最大取值。
CN201811229085.5A 2018-10-23 2018-10-23 一种基于自适应遗传算法的无线供电路径配置方法 Pending CN109359773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811229085.5A CN109359773A (zh) 2018-10-23 2018-10-23 一种基于自适应遗传算法的无线供电路径配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811229085.5A CN109359773A (zh) 2018-10-23 2018-10-23 一种基于自适应遗传算法的无线供电路径配置方法

Publications (1)

Publication Number Publication Date
CN109359773A true CN109359773A (zh) 2019-02-19

Family

ID=65346187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811229085.5A Pending CN109359773A (zh) 2018-10-23 2018-10-23 一种基于自适应遗传算法的无线供电路径配置方法

Country Status (1)

Country Link
CN (1) CN109359773A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100272211A1 (en) * 2009-04-23 2010-10-28 Ntt Docomo, Inc. Radio communication apparatus and method
CN103473599A (zh) * 2013-10-11 2013-12-25 北京航空航天大学 一种基于遗传算法和卡尔曼滤波的rbfn组合训练方法
CN103646178A (zh) * 2013-12-18 2014-03-19 中国石油大学(华东) 一种基于改进引力搜索算法的多目标优化方法
US20180260714A1 (en) * 2017-03-10 2018-09-13 Yun Li Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100272211A1 (en) * 2009-04-23 2010-10-28 Ntt Docomo, Inc. Radio communication apparatus and method
CN103473599A (zh) * 2013-10-11 2013-12-25 北京航空航天大学 一种基于遗传算法和卡尔曼滤波的rbfn组合训练方法
CN103646178A (zh) * 2013-12-18 2014-03-19 中国石油大学(华东) 一种基于改进引力搜索算法的多目标优化方法
US20180260714A1 (en) * 2017-03-10 2018-09-13 Yun Li Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李志宇: "面向物联制造环境的高可靠RFID传感网优化配置方法", 《计算机集成制造系统》 *

Similar Documents

Publication Publication Date Title
CN109345010B (zh) 一种梯级泵站的多目标优化调度方法
CN104932938B (zh) 一种基于遗传算法的云资源调度方法
CN107657374B (zh) 一种基于能耗和距离动态变化的按需充电调度方法
CN106842901B (zh) 为列车自动驾驶系统生成速度控制命令的方法
CN104281889B (zh) 电动汽车ev充电负荷多目标随机规划方法
CN109815523A (zh) 基于分解的列车运行多目标差分进化算法
CN105701571A (zh) 一种基于神经网络组合模型的短时交通流量预测方法
Chen et al. An improved NSGA-III algorithm for reservoir flood control operation
CN102043905A (zh) 基于自适应算法的小水电群智能优化错峰调度方法
CN110598983A (zh) 一种自适应改进粒子群算法的梯级水库优化调度方法
CN108133257B (zh) 一种基于人工鱼群算法的泵站优化方法
CN104504455B (zh) 一种梯级蓄能控制下水电站群长期优化调度方法
Atayero et al. Applications of soft computing in mobile and wireless communications
CN108830408A (zh) 一种面向任务资源匹配的装备保障任务多目标规划方法
CN109784604A (zh) 一种基于鲸鱼算法的柔性作业车间制造资源分配方法
CN108155649A (zh) 一种考虑dg不确定性的配电网网架模糊规划方法
CN109242150A (zh) 一种电网可靠性预测方法
CN108537370B (zh) 基于混合智能降维算法的特大流域水电站群优化调度方法
CN115754578A (zh) 基于自适应蚁群算法的有源配电网故障定位方法及系统
CN104680427A (zh) 地区配电网综合优化规划系统
CN104219682B (zh) 农田混合供电无线传感器网络的网络层次构建方法及系统
Rajagopal et al. Soft computing based cluster head selection in wireless sensor network using bacterial foraging optimization algorithm
CN109359773A (zh) 一种基于自适应遗传算法的无线供电路径配置方法
CN113420994B (zh) 一种主动配电网结构灵活性评估方法及系统
CN106355511A (zh) 考虑新能源与电动汽车接入的主动配电网重构方法

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
DD01 Delivery of document by public notice

Addressee: Li Tiantong

Document name: Deemed withdrawal notice

DD01 Delivery of document by public notice
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190219

WD01 Invention patent application deemed withdrawn after publication