CN113298315A - 一种基于双层编码的电动汽车充电站选址优化方法 - Google Patents
一种基于双层编码的电动汽车充电站选址优化方法 Download PDFInfo
- Publication number
- CN113298315A CN113298315A CN202110647287.7A CN202110647287A CN113298315A CN 113298315 A CN113298315 A CN 113298315A CN 202110647287 A CN202110647287 A CN 202110647287A CN 113298315 A CN113298315 A CN 113298315A
- Authority
- CN
- China
- Prior art keywords
- individuals
- population
- fitness
- charging station
- selecting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 230000035772 mutation Effects 0.000 claims description 19
- 108090000623 proteins and genes Proteins 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 20
- 239000002245 particle Substances 0.000 description 11
- 230000002068 genetic effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000002922 simulated annealing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 239000002355 dual-layer Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
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"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于双层编码的电动汽车充电站选址优化方法，解决了传统充电站选址建设成本高、部分使用率低、用户选址时间成本高的弊端，其技术方案要点是采用NSGA‑II算法、双层编码、基于贪心策略产生初始种群、基于动态自适应的交叉变异策略以及部分映射交叉策略相结合的算法作为优化引擎，建立多目标优化模型，本发明的一种基于双层编码的电动汽车充电站选址优化方法，能优化电动汽车充电站的选址，减少用户时间成本、减少充电站建设成本、提高了充电站的利用率。
Description
技术领域
本发明涉及充电站选址方法，特别涉及一种基于双层编码的电动汽车充电站选址优化方法。
背景技术
电动汽车充电站选址是现代新能源汽车快速发展过程中亟待解决的关键问题。受充电站资源、电动汽车充电时间和电池设备的限制，需要合理规划电动汽车充电站的位置以及充电站中充电桩的数量，从而提高电动汽车充电站利用效率，以确保用户时间成本和充电站建设成本最小化。然而电动汽车充电站选址具有离散性、复杂性和不确定性的特点。传统电动汽车充电站选址难以使充电站达到最佳利用效率，从而使得建设成本高、基础设施资源浪费以及用户时间成本较高。因此，如何提高充电站利用效率与减少用户时间成本成为电动汽车充电站选址亟待解决的问题。
发明内容
本发明的目的是提供一种基于双层编码的电动汽车充电站选址优化方法，能优化电动汽车充电站的选址，减少用户时间成本、减少充电站建设成本、提高了充电站的利用率。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于双层编码的电动汽车充电站选址优化方法，包括有以下步骤：
S1、将规划的区域划分为n个子区域，第一层对每个子区域的充电桩数量进行编码，第二层对每个子区域的每日车流量进行编码；
S2、将贪心思想引入到NSGA-II算法的初始种群构造中，通过基于贪心思想的种群初始化策略产生初始种群；
S3、通过目标函数对种群个体进行适应度评价，从初始父代种群中选出优势个体以初始化精英档案种群；
S4、选择操作，采用部分映射交叉策略将两条父代上的基因进行互换，采用高斯变异进行变异操作，并通过自适应策略对交叉变异概率进行动态调节；
S5、计算目标函数数值，并进行快速非支配排序；通过循环拥挤度距离计算，进行精英个体的选取，以对精英档案种群进行更新；
S6、通过设置终止条件进行终止判断，当满足终止条件时，输出最终结果；不满足终止条件时，跳转至步骤S4重复上述步骤。
综上所述，本发明具有以下有益效果：
在传统NSGA-II算法的基础上，本方法提出了双层编码方案，以适应在电动汽车充电站选址中车流量的动态变化以及各区域内不确定的充电桩数量。其中，第一层对每个区域中充电桩的数量进行编码操作，第二层对每个区域的每日车流量的进行编码操作。这种编码方案更加逼近每个区域内实际车流量变化状况。同时，结合基于贪婪思想的种群初始化策略、基于动态自适应的交叉变异策略以及部分映射交叉策略来提高多目标优化算法的全局寻优能力，有望缩短电动汽车到充电站的时间以及减少充电站的建设成本，从而对优化电动汽车充电站选址问题具有重要的理论与实际研究意义。
附图说明
图1为本方法的流程图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
电动汽车充电站选址问题主要是指在建设充电站成本最小化的条件下，电动汽车可以到最近的充电站解决充电需求，以达到用户时间成本最小化。在这一问题中，每个区域内充电桩的数量、电动汽车到充电站之间的距离以及充电站的建设成本都是不确定的。因此，在考虑到实际车流量不确定的前提下，对每个区域内的车流量进行长时间调研，针对一段时间内的车流量进行数据监测，得到每个区域内每日车流量的变化范围。
根据一个或多个实施例，公开了一种基于双层编码的电动汽车充电站选址优化方法，主要包括有以下步骤：
S1、将规划的区域划分为n个子区域，第一层对每个子区域的充电桩数量进行编码，第二层对每个子区域的每日车流量进行编码；
S2、将贪心思想引入到NSGA-II算法的初始种群构造中，通过基于贪心思想的种群初始化策略产生初始种群；
S3、通过目标函数对种群个体进行适应度评价，从初始父代种群中选出优势个体以初始化精英档案种群；
S4、选择操作，采用部分映射交叉策略将两条父代上的基因进行互换，采用高斯变异进行变异操作，并通过自适应策略对交叉变异概率进行动态调节；
S5、计算目标函数数值，并进行快速非支配排序；通过循环拥挤度距离计算，进行精英个体的选取，以对精英档案种群进行更新；
S6、通过设置终止条件进行终止判断，当满足终止条件时，输出最终结果；不满足终止条件时，跳转至步骤S4重复上述步骤。
如图1所示，具体包括有以下步骤：
S1：双层编码
将规划的一定区域划分为n个子区域，由于每个子区域对充电站的需求量是不固定，因此第一层是对每个子区域的充电桩数量进行编码操作；同时，因为每个子区域的每日车流量是动态变化的，所以第二层是对每个子区域的每日车流量进行编码操作。如表1所示，将规划的一定区域划分为9个子区域。当充电桩数量为零时，表示该区域内不会建设充电站；否则，该区域内建有充电站。
表1.双层编码
| 区域号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
| 充电桩 | 4 | 7 | 10 | 0 | 8 | 3 | 10 | 0 | 6 |
| 车流量 | 50 | 66 | 150 | 50 | 80 | 200 | 130 | 70 | 80 |
S2：基于贪心思想的种群初始化策略：
通过基于贪心思想的种群初始化策略，可以产生优良基因的个体，减少劣势个体出现在初始种群中，这样可提高NSGA-II算法的全局寻优能力。通过设定每个区域内充电桩数量与每日车流量的比例系数，当个体中某个子区域的比例系数小于设定的比例系数时，剔除该个体，以确保这样的个体不会出现在初始种群中。
S3：评价种群个体适应度，初始精英档案种群
通过目标函数对种群个体进行适应度评价，通过初始父代种群，选出优势个体并初始化精英档案种群。
S4：选择操作，进行交叉操作及变异操作：
S41：交叉操作
部分映射交叉(PMX交叉)步骤：
1)从父代中选择两个个体P1、P2,并随机生成两个交叉点。
P1＝(3 4 8|2 7 1|6 5)
P2＝(4 2 5|1 6 8|3 7)
2)将P1,P2中两交叉点之间基因进行互换，形成子代O1，O2。
O1＝(x x x|1 6 8|x x)
O2＝(x x x|2 7 1|x x)
3)接下来我们可以把子代未填充的部分补充完整，O1第一个位置来自于P1第一个位置是3，第二个位置是4，最后一个位置5，因为没有与已经填上的部分(1 6 8)重复，直接填上，同理O2也可以填上。
O1＝(3 4x|1 6 8|x 5)
O2＝(4x 5|2 7 1|3x)
4)O1，O2中未填入的位置在父代与子代相同位置基因重复，因此要使用其他基因填入。例如，O1第三个位置应填入8，而8已经在第六个位置存在了，因此用1替换，而1也被填入了，则用2替换，所以最后填入O1第三个位置的是2，第7个位置应填入7。同理，O2也可以填上。
O1＝(3 4 2|1 6 8|7 5)
O2＝(4 8 5|2 7 1|3 6)
基于动态自适应的交叉策略：
当个体适应度差异较大时，采用较小的交叉概率，可以使算法加速收敛；当个体适应度差异较小时，采用较大的交叉概率，可以丰富种群的多样性。具体公式如下：
其中，Pcmax、Pcmin分别为最大交叉概率、最小交叉概率；Pc中的f1为两个被交叉过的个体中更大的适应度；fmax为种群中个体最大适应度；favg为种群个体平均适应度。
S42：变异操作
高斯变异是指在进行变异操作时，用符合均值为μ、方差为σ2的正态分布的一个随机数来替换原有的实数基因值。在具体实现高斯变异时，符合正态分布的随机数Q可由一些符合均匀分布的随机数利用公式来近似产生。
基于动态自适应的变异策略：
当个体适应度差异较大时，采用较小的变异概率，可以使算法加速收敛；当个体适应度差异较小时，采用较大的变异概率，可以提高算法全局收敛能力。具体公式如下：
其中，Pmmax、Pmmin分别为最大变异概率、最小变异概率；Pm中的f1为个体变异后的适应度；fmax为种群中个体最大适应度；favg为种群个体平均适应度。
S43：合并操作。
S5：计算个体适应度值，通过快速非支配排序，通过循环拥挤度距离计算：
S51快速非支配排序，首先将解集中不能被任何其他解支配的解设置为Rank0，并将这些解从解集中取出。考虑剩下的所有解中不能被任何其他的解支配的解集设置为Rank1，以此类推。通过支配关系将解集中的所有解进行等级排序，即Rank0、Rank1、Rank2、Rank3、……。
S52循环拥挤度距离计算，从每一非支配前沿等级选择个体进入下一代父代种群Pt+1时，若需要从该前沿|Fi|个总个体中选择ni个个体，则首先计算该前沿|Fi|个个体的拥挤距离，剔除拥挤距离最小的个体；然后重新计算剩余(|Fi|-1)个个体的拥挤距离，重复以上步骤，直至选出ni个个体为止。采用这种循环拥挤距离策略筛选得到的个体具有良好的分布性。
S53精英个体选取，在父代和子代组成的2n个种群规模中，保留第一非支配层的非支配解的个体，对其他非支配层个体的选取提出一种按比例选择的方式进行选取，最终使得新种群的个体为n。不同层级的非支配层个体选取规则为：
其中，ni为第i层级选取的个体数目，K为种群非支配层级最大值，i为需要选取个体的层级编号。
具体的过程为：精英选择时首先遍历第一非支配层级，然后判断新种群的规模是否为n，若是，则停止对后面层级的遍历；若新种群规模大于n，则出去多余个体，使种群规模为n，停止遍历；若新种群规模小于n，则按照比例选择的方式对选取后面层级的个数，最终保证种群规模为n。
S6：终止判别，通过设置种群进化最大代数等条件来终止程序并将结果输出，不满足终止条件，则跳至步骤S4。
常见的解决充电站选址问题方法有迪杰斯特拉算法、模拟退火算法、粒子群算法和遗传算法等。
Dijkstra算法是由荷兰计算机科学家狄克斯特拉于1959年提出的，是指从一个顶点到其余各顶点的最短路径算法，主要用来解决有权图中最短路径问题，可以用来寻求需求点到目标点的最短路径。Dijkstra算法主要应用于寻找两点之间的最短路径。但在最短路径问题的案例中，可能存在权为负的边。如果存在可达的负权回路，最短路径中权的定义就不能成立，则在该回路上就不存在最短路径。也即，当有向图中出现负权时，则Dijkstra算法失效。
模拟退火算法最早由Kirkpatrick等于1983年提出。模拟退火算法来源于晶体冷却过程。当固体处于非最低能状态时，给固体加热再冷却的过程中，伴随温度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即概率性地跳出局部最优解并最终趋于全局最优。模拟退火算法的应用比较广泛，可以用来高效的求解NP完全问题，如旅行商问题(Travelling Salesman Problem，TSP)、最大截问题(Max CutProblem)、0-1背包问题(Zero One Knapsack Problem)等。然而，其存在参数难以控制、收敛速度慢的缺点。例如，算法中温度T的初始值设置对算法性能有较大影响。初始温度设置较高，则搜索到全局最优解的可能性大，但需要花费大量的计算时间；反之，可以节约计算时间，但全局搜索性能可能会受到影响。同时，退火速度也会影响算法的全局搜索性能。
粒子群算法是由Kennedy和Eberhart在研究鸟类和鱼类等群体行为基础上提出的一种群智能算法。其思想来源于人工生命和演化计算理论，通过模仿鸟群飞行觅食行为，搜索空间中每只鸟都是优化问题的解，称之为“粒子”。所有粒子都有一个被优化函数决定的适应值，以及决定“粒子”飞翔方向和距离的速度。粒子们通过追随当前的最优粒子在解空间中进行搜索，直至搜索到最优解。粒子群算法采用实数求解，需要调整的参数较少，易于实现。但是该算法也存在易于陷入局部最优，且容易出现早熟的问题。在计算粒子速度时，惯性权重w的选取对算法的性能有较大的影响。如果w值较大，则有利于跳出局部最优，进行全局寻优；而w值较小，则有利于局部寻优，加速算法收敛。常见的解决方法是通过增加迭代的次数，使得w值线性减少。但其仍然依赖于迭代次数的选取，而不能反映粒子的实际变化情况与优化搜索过程。
遗传算法来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说。其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解算法。它通过模拟自然选择过程中发生的繁殖、交配和变异现象，根据适者生存、优胜劣汰的自然法则，通过选择、交叉和变异等遗传操作，使群体逐代进化到搜索空间中更好的区域，直至获得最优解。遗传算法有三个基本算子：选择、交叉和变异。算法的求解质量依赖于交叉概率和变异概率等参数的选择。目前这些参数的选择大部分是依靠于经验以及验证过的实验数据。遗传算法虽然擅长全局搜索，然而其仍然存在局部搜索能力不足、搜索到最优解的速度慢和早熟收敛等问题。
传统的编码方式不能很好的解决研究背景下所存在的问题，将改进的NSGA-II算法应用于电动汽车充电站选址问题上，改进了传统编码的不足，提出更加贴合研究背景的双层编码。为研究电动汽车充电站选址问题提供新的研究方案。采用NSGA-II算法、双层编码、基于贪心策略产生初始种群、基于动态自适应的交叉变异策略以及部分映射交叉策略相结合的算法作为优化引擎，建立多目标优化模型。采用双层编码，更适应研究背景，有利于算法的优化；通过采用动态自适应的交叉变异策略，使算法中的交叉变异概率自适应调整，进而可以避免反复调试参数；通过基于贪心思想的种群初始化策略，从而构造出优势个体较多的初始种群，减少了劣势个体出现在初始种群中，以提高算法全局收敛性；采用本方法对电动汽车充电站进行选址，可以提高搜索的速度和解集的质量，从而减少电动汽车充电站的建设成本以及用户的时间成本；对于研究适应现实场景的动态变化，以及寻找新的解决思路都具有重要的现实意义。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (3)
1.一种基于双层编码的电动汽车充电站选址优化方法，其特征是，包括有以下步骤：
S1、将规划的区域划分为n个子区域，第一层对每个子区域的充电桩数量进行编码，第二层对每个子区域的每日车流量进行编码；
S2、将贪心思想引入到NSGA-II算法的初始种群构造中，通过基于贪心思想的种群初始化策略产生初始种群；
S3、通过目标函数对种群个体进行适应度评价，从初始父代种群中选出优势个体以初始化精英档案种群；
S4、选择操作，采用部分映射交叉策略将两条父代上的基因进行互换，采用高斯变异进行变异操作，并通过自适应策略对交叉变异概率进行动态调节；
S5、计算目标函数数值，并进行快速非支配排序；通过循环拥挤度距离计算，进行精英个体的选取，以对精英档案种群进行更新；
S6、通过设置终止条件进行终止判断，当满足终止条件时，输出最终结果；不满足终止条件时，跳转至步骤S4重复上述步骤。
2.根据权利要求1所述的基于双层编码的电动汽车充电站选址优化方法，其特征是，步骤S4具体包括有以下步骤：
进行部分映射交叉，先从父代中选择两个个体P1、P2,并随机生成两个交叉点；
将P1,P2中两交叉点之间基因进行互换，形成子代O1，O2；
对子代为填充部分进行补充完整，并对未填入位置在父代与子代相同位置基因重复时使用其他基因填入；
根据个体适应度差异大小，选取对应交叉概率，基于动态自适应交叉策略进行交叉操作，具体公式如下：
其中，Pcmax为最大交叉概率、Pcmin为最小交叉概率；Pc中的f1为两个被交叉过的个体中更大的适应度；fmax为种群中个体最大适应度；favg为种群个体平均适应度；
进行变异操作，用符合均值为μ、方差为σ2的正态分布的一个随机数来替换原有的实数基因值进行变异操作；
根据个体的适应度差异大小选取对应编译概率，基于动态自适应的变异策略进行变异操作，具体公式如下：
其中，Pmmax、Pmmin分别为最大变异概率、最小变异概率；Pm中的f1为个体变异后的适应度；fmax为种群中个体最大适应度；favg为种群个体平均适应度。
3.根据权利要求2所述的基于双层编码的电动汽车充电站选址优化方法，其特征是，步骤S5具体包括有以下步骤：
S5、计算目标函数数值，并进行快速非支配排序；通过循环拥挤度距离计算，进行精英个体的选取，以对精英档案种群进行更新
合并操作，计算个体适应度值，将解集中不能被任何其他解支配的解设置为Rank0，并将这些解从解集中取出；剩下的所有解中不能被任何其他的解支配的解集设置为Rank1，以此类推，通过支配关系将解集中的所有解进行等级排序，即Rank0、Rank1、Rank2、Rank3、…；
从每一非支配前沿等级选择个体进入下一代父代种群Pt+1时，若需要从该前沿|Fi|个总个体中选择ni个个体，则首先计算该前沿|Fi|个个体的拥挤距离，剔除拥挤距离最小的个体；再重新计算剩余(|Fi|-1)个个体的拥挤距离，重复以上步骤，直至选出ni个个体为止；
在父代和子代组成的2n个种群规模中，保留第一非支配层的非支配解的个体，对其他非支配层个体的选取提出一种按比例选择的方式进行选取，最终使得新种群的个体为n。不同层级的非支配层个体选取规则为：
其中，ni为第i层级选取的个体数目，K为种群非支配层级最大值，i为需要选取个体的层级编号
精英选择时，首先遍历第一非支配层级，然后判断新种群的规模是否为n；若是，则停止对后面层级的遍历；若新种群规模大于n，则除去多余个体，使种群规模为n，停止遍历；若新种群规模小于n，则按照比例选择的方式对选取后面层级的个数，最终保证种群规模为n。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110647287.7A CN113298315A (zh) | 2021-06-10 | 2021-06-10 | 一种基于双层编码的电动汽车充电站选址优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110647287.7A CN113298315A (zh) | 2021-06-10 | 2021-06-10 | 一种基于双层编码的电动汽车充电站选址优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113298315A true CN113298315A (zh) | 2021-08-24 |
Family
ID=77327922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110647287.7A Pending CN113298315A (zh) | 2021-06-10 | 2021-06-10 | 一种基于双层编码的电动汽车充电站选址优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298315A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117541027A (zh) * | 2024-01-09 | 2024-02-09 | 四川省公路规划勘察设计研究院有限公司 | 开放式服务区选址分析方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163884A (zh) * | 2020-09-29 | 2021-01-01 | 北京工商大学 | 基于改进的鲸鱼算法的电动汽车充电站选址建模方法 |
| CN112200401A (zh) * | 2020-08-17 | 2021-01-08 | 国网上海市电力公司 | 一种基于改进nsga-ii算法的电动汽车有序充电方法 |
-
2021
- 2021-06-10 CN CN202110647287.7A patent/CN113298315A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200401A (zh) * | 2020-08-17 | 2021-01-08 | 国网上海市电力公司 | 一种基于改进nsga-ii算法的电动汽车有序充电方法 |
| CN112163884A (zh) * | 2020-09-29 | 2021-01-01 | 北京工商大学 | 基于改进的鲸鱼算法的电动汽车充电站选址建模方法 |
Non-Patent Citations (3)
| Title |
|---|
| 卫田: ""物流配送中车辆路径问题的多目标优化算法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 孙宝凤等: ""考虑工人负荷的多目标流水车间优化调度"", 《吉林大学学报》 * |
| 韩克勤等: ""基于NSGA-Ⅱ的电动汽车充电站多目标优化规划"", 《电力需求侧管理》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117541027A (zh) * | 2024-01-09 | 2024-02-09 | 四川省公路规划勘察设计研究院有限公司 | 开放式服务区选址分析方法 |
| CN117541027B (zh) * | 2024-01-09 | 2024-03-15 | 四川省公路规划勘察设计研究院有限公司 | 开放式服务区选址分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112346839B (zh) | 一种基于进化算法的关联任务调度方法 | |
| CN106484512B (zh) | 计算单元的调度方法 | |
| CN111664852B (zh) | 一种无人机路径规划方法及装置 | |
| Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
| CN112180853A (zh) | 基于多种群策略的柔性作业车间调度混合优化方法 | |
| CN115297484B (zh) | 基于新型紧凑粒子群算法的传感器网络覆盖率优化方法 | |
| WO2019154215A1 (zh) | 机器人运行路径生成方法、计算设备及存储介质 | |
| CN110134007A (zh) | 多无人机协同目标分配方法 | |
| CN112994099B (zh) | 一种高比例分布式光伏并网消纳能力分析方法 | |
| CN108805346A (zh) | 一种基于多隐层极限学习机的热连轧轧制力预报方法 | |
| CN112348156A (zh) | 一种基于粒子群遗传混合算法的标准测试函数处理方法 | |
| CN113298315A (zh) | 一种基于双层编码的电动汽车充电站选址优化方法 | |
| CN115270506A (zh) | 一种人群沿楼梯上行的通行时间预测方法及系统 | |
| Zhou et al. | A novel mission planning method for UAVs’ course of action | |
| Sundaram et al. | Solution of combined economic emission dispatch problem with valve-point effect using hybrid NSGA II-MOPSO | |
| CN111412795B (zh) | 测试点设置方案生成方法及装置 | |
| CN115841230A (zh) | 一种基于改进nsga-ⅱ算法的应急资源统筹调配方法 | |
| CN108921354A (zh) | 一种基于粒子群优化的蚁群算法求解tsp问题的方法 | |
| CN112070351B (zh) | 一种基于重心回归和粒子群混合算法的变电站优化选址方法 | |
| CN113390414A (zh) | 一种军用油料投送路径规划方法 | |
| CN113141272A (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
| CN116432986B (zh) | 一种基于粒子蛙跳闪电搜索算法的水库优化调度的方法 | |
| Bo et al. | Research on the optimal search problem of UAV based on improved genetic algorithm | |
| CN117911197B (zh) | 基于改进多目标粒子群算法的光伏选址定容方法及系统 | |
| Peydayesh | A PSO based algorithm for finding global Nash equilibrium |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |