CN116561478A - 基于混合粒子群的蝴蝶算法的变电站平面布局方法 - Google Patents

基于混合粒子群的蝴蝶算法的变电站平面布局方法 Download PDF

Info

Publication number
CN116561478A
CN116561478A CN202310342112.4A CN202310342112A CN116561478A CN 116561478 A CN116561478 A CN 116561478A CN 202310342112 A CN202310342112 A CN 202310342112A CN 116561478 A CN116561478 A CN 116561478A
Authority
CN
China
Prior art keywords
layout
individual
particle swarm
module
initial
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
CN202310342112.4A
Other languages
English (en)
Inventor
张金锋
李凯
汪和龙
刘军
穆弘
程智余
李涛
于晓蕾
谢福龙
陈健福
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.)
Hefei University of Technology
State Grid Anhui Electric Power Co Ltd
Original Assignee
Hefei University of Technology
State Grid Anhui Electric Power Co Ltd
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 Hefei University of Technology, State Grid Anhui Electric Power Co Ltd filed Critical Hefei University of Technology
Priority to CN202310342112.4A priority Critical patent/CN116561478A/zh
Publication of CN116561478A publication Critical patent/CN116561478A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q50/08—Construction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及模型构建领域，提供一种基于混合粒子群的蝴蝶算法的变电站平面布局方法，利用预先构建的平面布局模型，生成多个初始可行解，每个初始可行解对应一个对多个布局模块进行布局的初始布局方案；利用混合粒子群的蝴蝶算法对每个初始可行解进行预设次数的迭代更新，获得多个目标可行解，根据所有目标可行解中的最优解确定最优布局方案。利用上述方法能够适用于大型的、复杂的布局环境，并且拥有足够的数理理论支持，在提高布局方案的布局效果的同时节省布局成本。

Description

基于混合粒子群的蝴蝶算法的变电站平面布局方法
技术领域
本申请涉及模型构建技术领域，具体涉及一种基于混合粒子群的蝴蝶算法的变电站平面布局方法。
背景技术
传统方法中，通常使用图解法和计算机辅助布置法确定目标区域(例如变电站)内多个布局模块(例如电气设备)的布局方案。其中，图解法中使用的摆样法适用于规模较小、内部布局模块固定且形状简单的布局方案，并且最终确定的布局方案容易受到人工经验的影响；计算机辅助布置法则需要使用计算机辅助设计工具，对使用设计工具的设计者的操作熟练度要求较高，并且由于设计工具的功能局限性，最终确定的布局方案缺乏足够的数理理论的支持。因此，传统的确定布局方案的方法需要的人工成本较高，并且最终得到的布局方案的布局效果较差。
发明内容
鉴于以上内容，有必要提出一种基于混合粒子群的蝴蝶算法的变电站平面布局方法，能够适用于大型的、复杂的布局环境，并且拥有足够的数理理论支持，在提高布局方案的布局效果的同时节省布局成本。
本申请的实施例提供一种基于混合粒子群的蝴蝶算法的变电站平面布局方法，所述方法包括：利用预先构建的平面布局模型，生成多个初始可行解，每个初始可行解对应一个对多个布局模块进行布局的初始布局方案；利用混合粒子群的蝴蝶算法对每个初始可行解进行预设次数的迭代更新，获得多个目标可行解，根据所有目标可行解中的最优解确定最优布局方案。
在一个实施例中，所述混合粒子群的蝴蝶算法使用的加速因子包括：其中，c1、c2表示加速因子，t表示当前迭代更新的次数，T表示所述预设次数。
在一个实施例中，所述平面布局模型的构建包括：获取第一数量的布局模块的模块信息以及最大可布局尺寸，其中，所述模块信息包括每个布局模块的尺寸与种类，以及每个布局模块与其他布局模块的单位连接成本、安全距离；确定每个布局模块的位置的编码方式；基于所述模块信息、所述最大可布局尺寸以及所述编码方式，确定所述平面布局模型的目标函数与约束条件，其中，所述目标函数的目标包括使得所述第一数量的布局模块的布局面积利用率最大并且所述第一数量的布局模块之间的连接成本最小。
在一个实施例中，每个初始可行解的生成方法包括：将未生成初始位置坐标的布局模块作为待布局模块，为任一待布局模块随机生成初始位置坐标，所述生成的初始位置坐标满足所述任一待布局模块的布局的约束条件；将已生成初始位置坐标的待布局模块作为已布局模块，确定每个已布局模块对应的已占用区域，其中，每个已占用区域的质心为所述初始位置坐标；利用所述已占用区域更新所述约束条件；重复执行生成所述初始位置坐标的方法直至不存在待布局模块，将所有生成的初始位置坐标组成的集合作为所述初始可行解。
在一个实施例中，对所述混合粒子群的蝴蝶算法进行初始化参数包括：初始化所述混合粒子群的蝴蝶算法的算法参数；对每个个体的速度进行初始化，获得每个个体的初始速度，其中，每个个体对应一个初始可行解；将所述平面布局模型的目标函数作为所述混合粒子群的蝴蝶算法的适应度函数，基于所述适应度函数确定每个个体的初始适应度值；基于所述初始适应度值确定每个个体的个体历史最优值、个体历史最优位置，以及所有个体的全局最优值、全局最优位置。
在一个实施例中，所述布局模块对应的数量为第一数量，所述初始可行解的数量为第二数量，所述对每个个体的速度进行初始化包括：基于混沌映射算法生成第三数量的混沌数，所述第三数量等于所述第一数量与所述第二数量的乘积，所述混沌数的取值范围为0至1；利用所述第三数量的混沌数构成混沌矩阵，所述混沌矩阵的列数等于所述第一数量，所述混沌矩阵中的行数等于所述第二数量；基于所述混沌矩阵的每一行元素构成的向量以及预设的最大限定速度、最小限定速度，确定每个个体的初始速度。
在一个实施例中，对每个初始可行解进行预设次数的迭代更新中的每一次迭代更新包括：利用蝴蝶算法更新当前个体的位置，包括：基于所述平面布局模型的目标函数确定所述混合粒子群的蝴蝶算法的适应度函数，基于所述适应度函数确定当前个体的适应度值，其中，当前个体表示每次发生更新后的最新个体；根据当前个体的适应度值更新当前个体的香味浓度；根据预设的转换概率确定搜索范围，所述搜索范围包括全局搜索或局部搜索；当所述搜索范围为所述全局搜索时，基于所述香味浓度将当前个体的位置更新为更接近全局最优位置的位置；当所述搜索范围为所述局部搜索时，基于所述香味浓度对当前个体的位置进行随机更新。
在一个实施例中，对每个初始可行解进行预设次数的迭代更新中的每一次迭代更新包括：基于所述平面布局模型中的约束条件确定当前个体是否有位置异常的布局模块；若当前个体有位置异常的布局模块，基于所述约束条件对所述有位置异常的布局模块进行异常修复，获得异常修复后的个体。
在一个实施例中，对每个初始可行解进行预设次数的迭代更新中的每一次迭代更新包括：基于混合粒子群算法更新当前个体，包括：基于所述平面布局模型的目标函数确定所述混合粒子群的蝴蝶算法的适应度函数，基于所述适应度函数确定当前个体的适应度值，其中，当前个体表示每次发生更新后的最新个体；若当前个体的适应度值小于个体历史最优值，对当前个体进行更新，包括：基于当前迭代次数对应的权重与加速因子更新当前个体的速度，并根据当前个体的速度更新当前个体的位置；若当前个体的个体适应度值小于全局最优值，对当前个体的全局最优值和全局最优位置进行更新；执行下一次迭代更新。
在一个实施例中，所述方法还包括：若当前个体的适应度值大于或等于个体历史最优值，利用预设计数器确定是否要对当前个体进行随机初始化操作。
本申请的实施例提供一种平面布局装置，所述装置包括构建模块、优化模块：所述构建模块，用于利用预先构建的平面布局模型，生成多个初始可行解，每个初始可行解对应一个对多个布局模块进行布局的初始布局方案；所述优化模块，用于利用混合粒子群的蝴蝶算法对每个初始可行解进行预设次数的迭代更新，获得多个目标可行解，根据所有目标可行解中的最优解确定最优布局方案。
本申请的实施例提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述基于混合粒子群的蝴蝶算法的变电站平面布局方法。
本申请的实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于混合粒子群的蝴蝶算法的变电站平面布局方法。
综上所述，本申请所述的基于混合粒子群的蝴蝶算法的变电站平面布局方法，能够基于构建的用于求解布局方案的平面布局的数学模型，对初始的布局方案进行迭代优化，从而获得最优的布局方案。能够适用于大型的、复杂的布局环境，并且拥有足够的数理理论支持，可以摆脱专家经验与布局设计工具的局限，在提高布局方案的布局效果的同时节省布局成本。
附图说明
图1是本申请实施例提供的电子设备的结构图。
图2是本申请实施例提供的基于混合粒子群的蝴蝶算法的变电站平面布局方法的流程图。
图3是本申请实施例提供的平面布局模型的构建方法的流程图。
图4是本申请实施例提供的每个初始可行解的生成方法的流程图。
图5是本申请实施例提供的初始可行解的示例图。
图6是本申请实施例提供的对混合粒子群的蝴蝶算法进行初始化参数的流程图。
图7是本申请实施例提供的利用蝴蝶算法更新当前个体的位置的流程图。
图8是本申请实施例提供的对个体进行修复的流程图。
图9是本申请实施例提供的基于混合粒子群算法更新当前个体的流程图。
图10是本申请实施例提供的混合粒子群的蝴蝶算法的具体流程的示例图。
图11是本申请实施例提供的平面布局装置的结构图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述在一个实施例中实施例的目的，不是旨在于限制本申请。
需要说明的是，本申请中“至少一个”是指一个或者多个，“多个”是指两个或多于两个。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。本申请的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不是用于描述特定的顺序或先后次序。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
在一个实施例中，传统方法中，通常使用图解法和计算机辅助布置法确定目标区域(例如变电站)内多个布局模块(例如电气设备)的布局方案。其中，图解法中使用的摆样法适用于规模较小、内部布局模块固定且形状简单的布局方案，并且最终确定的布局方案容易受到人工经验的影响；计算机辅助布置法则需要使用计算机辅助设计工具，对使用设计工具的设计者的操作熟练度要求较高，并且由于设计工具的功能局限性，最终确定的布局方案缺乏足够的数理理论的支持。因此，传统的确定布局方案的方法需要的人工成本较高，并且最终得到的布局方案的布局效果较差。
为解决上述问题，本申请实施例提供一种基于混合粒子群的蝴蝶算法的变电站平面布局方法，能够基于构建的用于求解布局方案的平面布局的数学模型，对初始的布局方案进行迭代优化，从而获得最优的布局方案。能够适用于大型的、复杂的布局环境，并且拥有足够的数理理论支持，可以摆脱专家经验与布局设计工具的局限，在提高布局方案的布局效果的同时节省布局成本。
例如图1所示，为本申请实施例提供的电子设备的结构图。本申请实施例提供的基于混合粒子群的蝴蝶算法的变电站平面布局方法由电子设备执行，电子设备可以是计算机、服务器、笔记本电脑、手机终端等设备。所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
图1示出的电子设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括其他外部设备，例如，键盘、鼠标、遥控器、显示器、触摸板或声控设备等输入输出设备。
需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
图2是本申请实施例提供的基于混合粒子群的蝴蝶算法的变电站平面布局方法的流程图。所述基于混合粒子群的蝴蝶算法的变电站平面布局方法应用于电子设备中，例如图1中的电子设备1，具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
S11，利用预先构建的平面布局模型，生成多个初始可行解。
在一个实施例中，所述平面布局模型包括基于目标区域、布局模块的数理参数(例如尺寸等)构建的数学模型，所述平面布局模型用于求解目标区域内多个布局模块的最优布局方案。平面布局模型的构建方法的具体流程可以参考下文针对图3所示流程的详细说明。
在一个实施例中，可以基于所述平面布局模型中的约束条件随机生成多个初始可行解，每个初始可行解对应一个初始布局方案，初始布局方案包括对多个布局模块进行的布局，例如，每个初始布局方案都包括每个布局模块在所述目标区域内的初始位置坐标。在本申请实施例中，布局模块可以是任意一个需要在一定的区域范围内进行位置部署的对象，例如，在对变电站的布局方案中，布局模块可以是例如预制舱、主变压器、电容器、消弧线圈等电气设备；在建筑布局方案中，布局模块可以是不同类型的建筑物(例如，楼房、商场、学校等)；在空间内部的布局方案中，布局模块可以是任一装饰物、设备或家具等。又如，布局方案还可以是对网络页面的布局，布局模块可以是不同的功能模块、栏位、图标等。上述仅为举例说明布局模块，实际应用中并不局限于此。
具体地，可以将初始可行解视为由所有布局模块的初始位置坐标构成的向量，向量中的每个元素对应一个布局模块的初始位置坐标。
在一个实施例中，每个初始可行解的生成方法的具体流程可以参考下文针对图4所示流程的详细说明。
在一个实施例中，由于所述初始可行解为随机生成，所以即便是所有初始可行解中的最优解对应的平面布局方案，也可能无法达到预期要求(例如，布局成本低于预设成本阈值)。因此，需要对初始可行解进行迭代更新，从而对平面布局方案进行优化。
S12，利用混合粒子群的蝴蝶算法对每个初始可行解进行预设次数的迭代更新，获得多个目标可行解，根据所有目标可行解中的最优解确定最优布局方案。
在一个实施例中，所述混合粒子群的蝴蝶算法融合了混合粒子群算法(Particleswarm optimization，PSO)与蝴蝶算法(Butterfly Optimization Algorithm，BOA)。所述混合粒子群的蝴蝶算法的基本原理包括：将所有初始可行解视为一个种群，将每个初始解视为种群中的一个个体，对个体的位置进行更新与优化；将预设次数的迭代更新后的个体作为目标可行解，根据所有目标可行解中的最优解确定最优布局方案。
在一个实施例中，利用所述混合粒子群的蝴蝶算法对初始可行解进行优化时，需要先对所述混合粒子群的蝴蝶算法进行初始化参数，对混合粒子群的蝴蝶算法进行初始化参数的具体流程可以参考下文针对图6所示流程的详细说明。
在一个实施例中，对每个初始可行解进行预设次数的迭代更新中的每一次迭代更新包括：利用蝴蝶算法更新当前个体的位置。利用蝴蝶算法更新当前个体的位置的具体流程可以参考下文针对图7所示流程的详细说明。
在一个实施例中，对每个初始可行解进行预设次数的迭代更新中的每一次迭代更新包括：基于混合粒子群算法更新当前个体。基于混合粒子群算法更新当前个体的具体流程可以参考下文针对图9所示流程的详细说明。
此外，所述混合粒子群的蝴蝶算法具有如下改进，包括：具有时变特性的加速因子，对异常布局模块进行异常修复的修复算法(参考图8)，以及避免算法陷入局部最优的退化规则。具体的，将结合后续实施例进行说明。
在一个实施例中，所述目标可行解中的最优解对应的个体的位置即为种群的全局最优位置，全局最优位置对应的个体的适应度值为全局最小值，也表示所述平面布局模型的目标函数的最优解。具体地，可以参考后续步骤中的说明。
在一个实施例中，如图3所示，为本申请实施例提供的平面布局模型的构建方法的流程图，具体包括如下步骤：
S111，获取第一数量的布局模块的模块信息以及最大可布局尺寸。
在一个实施例中，为了求解目标区域(例如变电站)中布局模块(例如预制舱、主变压器、电容器、消弧线圈等电气设备)的最优布局方案，首先要确定目标区域的最大可布局尺寸以及布局模块的模块信息。
在一个实施例中，确定最大布局尺寸的方法包括：根据目标区域的实际预估占地面积，将目标区域的整个平面布局抽象为长度等于L、宽度等于W的矩形区域，那么最优布局方案的最大可布局尺寸包括：最大长度L、最大宽度W。
所述模块信息包括：每个布局模块的尺寸与种类，以及每个布局模块与其他布局模块的单位连接成本(例如电气设备间的布线成本)、安全距离(例如变电站中各个电气设备之间的绝缘安全距离、维护通道宽度等)，所有布局模块的数量(第一数量)等。其中，可以将第i个布局模块抽象为长度为li、宽度为wi的矩形模块。由于布局模块的种类不同，布局模块之间的安全距离、连接成本等也不同。
此外，所述模块信息还包括一些特殊种类的布局模块的特殊布局要求，例如，电气设备中的主变压器对于场地位置有特殊要求，距离任意边界的距离不少于D；预制舱结构的朝向要求南北朝向，避免东西向日晒。
在一个实施例中，为了便于数学建模，可以将定目标区域的平面布局放到直角坐标系XOY的第一象限中，上述所有布局模块都可以采用横放的方式来摆放，即长边平行于X轴，短边平行于Y轴摆放。
S112，确定每个布局模块的位置的编码方式。
在一个实施例中，可以使用表1中的编码方式，为m(第一数量)个布局模块进行编号并为每个布局模块的位置进行编码。其中，xi表示布局模块i的质心(例如矩形的中心点)的横坐标，yi表示布局模块i的质心的纵坐标，将布局模块i的位置坐标表示为(xi,yi)。
i 1 2 … m
xi x1 x2 … xm
yi y1 y2 … ym
表1
S113，基于所述模块信息、所述最大可布局尺寸以及所述编码方式，确定所述平面布局模型的目标函数与约束条件。
在一个实施例中，所述目标函数的目标包括使得所有布局模块的布局面积利用率最大并且所有布局模块之间的连接成本最小。
在一个实施例中，确定所述平面布局模型的目标函数与约束条件，即可构建所述平面布局模型。所述平面布局模型包括：
xi≥0,yi≥0,i＝1…m，式十；
aij∈{0,1},i,j＝1…m,i≠j，式十一；
其中，L表示目标区域的最大长度，W表示目标区域的最大宽度，li表示布局模块i的长度，wi表示布局模块i的宽度，m表示第一数量，(xi,yi)表示布局模块i的位置坐标；dij表示设备模块i,j之间的曼哈顿距离，dij＝|xi-xj|+|yi-yj|；sij表示设备模块i,j之间的最小安全距离，cij表示设备模块i,j之间连接的单位连接成本；设备模块i,j之间相连接时aij＝1，设备模块i,j之间不连接时aij＝0；α1表示布局面积利用率的权重，α2表示连接成本的权重，v表示布局面积利用率；布局模块k表示距离任意边界的距离不少于D的布局模块。
在一个实施例中，式一表示所述目标函数；式二计算布局面积利用率。
式三至式九都是约束条件，其中：式三用于保证任意两个布局模块之间满足最小安全距离；式四用于确保目标区域内任意布局模块之间的最大距离不得超出目标区域的最大长度；式五用于确保目标区域内任意布局模块之间的最大距离不得超出目标区域的最大宽度；式六用于确保特殊布局模块(例如主变压器)的右边界距离目标区域的右边界的距离大于D；式七用于确保特殊布局模块的左边界距离目标区域的左边界的距离大于D；式八用于确保特殊布局模块的上边界距离目标区域的上边界的距离大于D；式九用于确保特殊布局模块的下边界距离目标区域的下边界的距离大于D。
式十表示布局模块的位置坐标位于角坐标系XOY的第一象限中，为决策变量；式十一表示任意两模块之间是否接线，为决策变量。
在一个实施例中，如图4所示，为本申请实施例提供的每个初始可行解的生成方法的流程图，具体包括如下步骤：
S114，将未生成初始位置坐标的布局模块作为待布局模块，为任一待布局模块随机生成初始位置坐标。
在一个实施例中，所述生成的初始位置坐标满足所述任一待布局模块的布局的约束条件，所述约束条件包括所述平面布局模型中的约束条件。随机生成任一待布局模块的初始位置坐标时可以利用常用的随机数生成方法，随机生成一个由两个随机数组成的数组，将其中一个随机数作为初始位置坐标的横坐标，将另一个随机数作为初始位置坐标的纵坐标。
例如图5所示，为本申请实施例提供的初始可行解的示例图。其中，将目标区域设定为长为L宽为W的矩形，放置于XOY坐标系的第一象限中，可以按照待布局模块的编号依次为待布局模块随机生成满足约束条件的初始位置坐标。
S115，将已生成初始位置坐标的待布局模块作为已布局模块，确定每个已布局模块对应的已占用区域。
在一个实施例中，每生成一个初始位置坐标，就将已生成初始位置坐标的待布局模块更新为已布局模块，并且基于已布局模块更新目标区域中的已占用区域。其中，每个已占用区域的尺寸与对应的已布局模块的尺寸相同，每个已占用区域的质心(或中心)为对应的已布局模块的初始位置坐标。
S116，利用所述已占用区域更新所述约束条件。
在一个实施例中，可以将已占用区域视为禁忌区域，不能再为下一个待布局模块生成在已占用区域内的初始位置坐标。此外，在生成下一个待布局模块的初始位置坐标时，还要考虑与已占用区域之间的安全距离。
在本实施例中，重复步骤S114至步骤S116，直至不存在待布局模块，将所有生成的初始位置坐标组成的集合作为所述初始可行解。
在一个实施例中，生成初始位置坐标的过程即是对布局模块进行初始布局的过程，当不存在待布局模块时，每个布局模块都已经被布局，因此可以将所有生成的初始位置坐标组成的集合作为一个初始可行解，即得到一个初始布局方案。
在一个实施例中，依次生成每个待布局模块的满足约束条件初始位置坐标时，还可能会出现最后几个待布局模块无法生成满足约束条件的初始位置坐标的情况。此时，可以对已布局模块的坐标进行满足约束条件的平移，从而为待布局模块留出更多的区域进行布局。
在一个实施例中，上述过程中只随机生成了一个初始可行解，还需要重复上述步骤，直至生成第二数量的初始可行解，从而组成后续优化时所需的由第二数量的个体形成的种群。
在一个实施例中，如图6所示，为本申请实施例提供的对混合粒子群的蝴蝶算法的参数进行初始化的流程图，具体包括如下步骤：
S118，初始化所述混合粒子群的蝴蝶算法的算法参数。
在一个实施例中，考虑到混合粒子群的蝴蝶算法的自身特性，可以预先设置一些算法参数，包括：定义维度数量m等于第一数量；定义个体数量n等于第二数量；定义个体的位置限制参数：Xmax、Xmin、Ymax、Ymin；定义预设次数T(表示最大迭代次数)。
此外，初始化计数器λ＝0，定义计数器最大计数次数定义蝴蝶算法的转换概率p＝0.8，最大权重wmax＝0.9、最小权重wmin＝0.2；初始化香味吸收程度的幂指数pe＝0.1，第t次迭代更新时的幂指数/> 其中a1＝0.1、a2＝0.3、μ＝2；初始化感官形态参数sm＝0.01，第t+1次迭代更新时的感官形态参数
S119，对每个个体的速度进行初始化，获得每个个体的初始速度。
在一个实施例中，每个个体对应一个初始可行解。由于混合粒子群的蝴蝶算法中通过更新个体的位置对个体进行迭代更新，所以需要确定每个个体的当前位置与移动距离，其中，移动距离与个体的当前速度与加速度相关。因此，需要在第一次迭代更新前，对个体的速度进行初始化。
在一个实施例中，所述对每个个体的速度进行初始化包括：基于混沌映射算法生成第三数量的混沌数，所述第三数量等于所述第一数量与所述第二数量的乘积，所述混沌数的取值范围为0至1；利用所述第三数量的混沌数构成混沌矩阵，所述混沌矩阵的列数等于所述第一数量，所述混沌矩阵中的行数等于所述第二数量；基于所述混沌矩阵的每一行元素构成的向量以及预设的最大限定速度、最小限定速度，确定每个个体的初始速度。其中，可以将速度分解为x方向的分速度与y方向的分速度。
例如，所述混沌映射算法可以是Cubic映射算法，其中，Cubic映射算法使用的公式包括：cu(r+1)＝α·cu(r)·[1-cu(r)2]，其中，cu(1)＝0.315，α＝0.295，r表示正整数。利用Cubic映射算法共获得第三数量＝m×n个混沌数，利用m×n个混沌数构建n行m列的混沌矩阵。
将混沌矩阵的每一行的元素视为一个向量CU，每个向量CU对应一个个体，将个体的速度分解为x方向的速度向量Vx与y方向的速度向量Vy，那么每个个体的初始速度包括：其中，x方向的最大限定速度/>x方向的最小限定速度/> y方向的最大限定速度/>y方向的最小限定速度/>
S120，基于所述平面布局模型的目标函数确定所述混合粒子群的蝴蝶算法的适应度函数，基于所述适应度函数确定每个个体的初始适应度值。
在一个实施例中，所述适应度函数包括：
在一个实施例中，此时每个个体表示一个初始可行解，每个初始可行解包括m个布局模块的每个布局模块的位置坐标(xi,yi)。因此，将每个初始可行解代入所述适应度函数，可以得到每个初始可行解对应的初始适应度值。
S121，基于所述初始适应度值确定每个个体的个体历史最优值、个体历史最优位置，以及所有个体的全局最优值、全局最优位置。
在一个实施例中，此时每个个体并未进行迭代更新过，因此可以将每个个体的初始适应度值作为个体历史最优值pbestVal，将每个个体的初始位置X作为个体历史最优位置pbestX。此外，将所有pbestVal中的最小值作为所有个体的全局最优值，将全局最优值对应的个体的位置作为全局最优位置gbestX。
在一个实施例中，当所有初始化完成后，开始利用所述混合粒子群的蝴蝶算法执行所述预设次数的迭代更新。并且在每次执行当前迭代更新时，首先确定当前迭代次数是否超过所述预设次数，若否执行此次迭代更新。其中，每次迭代更新时首先更新所述混合粒子群的蝴蝶算法使用的权重w和加速因子，其中，加速因子包括：/> 其中，c1、c2表示加速因子，t表示当前迭代更新的次数，T表示所述预设次数。
在一个实施例中，所述混合粒子群的蝴蝶算法中的加速因子具有时变特性，c1整体上呈现递减趋势，c2整体上呈现递增趋势，从而明确地反映出局部最优和全局最优在不同搜索阶段对混合粒子群的蝴蝶算法的影响。此外，正弦函数增加了加速因子的动态性，以更好地适应不确定的搜索空间，提高整个算法的有效搜索能力。
在一个实施例中，在更新权重w和加速因子后，使用蝴蝶算法确定搜索范围，同时实现了一次对当前个体位置的更新。如图7所示，为本申请实施例提供的利用蝴蝶算法更新当前个体的位置的流程图，具体包括如下步骤：
S122，基于所述平面布局模型的目标函数确定所述混合粒子群的蝴蝶算法的适应度函数，基于所述适应度函数确定当前个体的适应度值。
在一个实施例中，由于在每次迭代更新时也对个体进行了位置更新，所以使用当前个体表示每次发生更新后的最新个体。
在一个实施例中，参考步骤S120中的记载，利用所述适应度函数确定当前个体z的适应度值fz。
S123，根据当前个体的适应度值更新当前个体的香味浓度。
在一个实施例中，更新当前个体z的香味浓度使用的公式包括：
FPz＝sm*(fz pe)，其中，幂指数pe的初始值为0.1，第t次迭代更新时的幂指数初始化感官形态参数sm＝0.01，第t+1次迭代更新时的感官形态参数/>具体可以参考步骤S118中的初始参数。
S124，根据预设的转换概率确定搜索范围，所述搜索范围包括全局搜索或局部搜索。
在一个实施例中，参考步骤S118中的转换概率p，使用随机数生成算法随机生成0到1之间的随机数r，通过判断r与转换概率p的大小决定个体进行全局搜索还是局部搜索。具体的，当r<p时进行全局搜索；当r大于或等于p时，进行局部搜索。
S125，当所述搜索范围为所述全局搜索时，基于所述香味浓度将当前个体的位置更新为更接近全局最优位置的位置。
在一个实施例中，全局搜索时个体位置向全局最优位置gbestX靠近，所使用的公式包括：其中，/>表示个体z的第t+1次迭代更新后的位置，/>表示个体z的第t次迭代更新后的位置，权重
S126，当所述搜索范围为所述局部搜索时，基于所述香味浓度对当前个体的位置进行随机更新。
在一个实施例中，局部搜索时个体位置为随机移动，所使用的公式包括其中，/>表示个体z的第k次迭代更新后的位置，/>第t次迭代更新的个体b的位置，k<t。
在一个实施例中，蝴蝶算法更新的个体中可能出现布局模块之间有重叠问题，显然不符合实际需求。为了避免出现这种问题，需要确定蝴蝶算法更新的个体是否为可行解，若个体不可行执行对个体的修复，使得混合粒子群的蝴蝶算法输出的布局方案都是可行的。如图8所示，为本申请实施例提供的对个体进行修复的流程图，具体包括如下步骤：
S127，基于所述平面布局模型中的约束条件确定当前个体是否有位置异常的布局模块。
在一个实施例中，令布局模块的集合A＝{A1,A2,…,Ai,…,Am}，计算当前个体对应的每个布局模块Ai的坐标的按照/>的值的非降序对所有布局模块进行排序，依照排序的顺序将集合更新为A＝{A|1|,A|2|,…,A|m|}。
在一个实施例中，将当前个体对应的每个布局模块的坐标代入所述约束条件，从而确定不满足所述约束条件的布局模块A|i|；将布局模块A|i|加入集合B中，设B中模块的个数为|B|，当|B|大于0时确定当前个体有位置异常的布局模块，并且当前个体中位置异常的布局模块为集合B中的布局模块B|j|。
S128，若当前个体有位置异常的布局模块，基于所述约束条件对所述有位置异常的布局模块进行异常修复，获得异常修复后的个体。
在一个实施例中，所述异常修复的基本原理包括：将每个位置有异常的布局模块进行位置平移，直至所有位置有异常的布局模块与其他布局模块之间的距离都大于安全距离。所述异常修复可以包括如下步骤：
步骤一：若 将布局模块B|j|的横坐标/>更新为/> 并保持布局模块B|j|的纵坐标/>不变，即更新为 表示布局模块B|j|与布局模块A|i|之间的安全距离；
若保持布局模块B|j|的横坐标/>不变，即更新为/>将布局模块B|j|的纵坐标/>更新为/>
其中，j：＝j+1，若j>|B|，执行步骤二；否则重复执行步骤一；
执行步骤二：A：＝A\{A|i|},i：＝i+1,j＝1，若停止异常修复，获得修复后的个体；否则执行步骤一。/>
在一个实施例中，执行蝴蝶算法并进行异常修复后，个体的位置发生更新，当前个体的适应度值会发生改变，当前个体的适应度值可能会小于个体历史最优值。此时，个体历史最优值发生改变，当前个体的适应度值才是个体历史最优值，可以对当前个体进行更新，并进行后续的基于混合粒子算法确定全局最优解的步骤(参考图9)。
但是，当连续多次(例如20次)迭代更新中执行蝴蝶算法并进行异常修复后，当前个体的适应度值都未优于个体历史最优值时，个体历史最优值连续多次未发生改变，当前个体可能陷入了局部最优解而无法跳出循环去趋近全局最优解。
为了解决个体陷入局部最优的问题，本申请实施例提供一种退化规则，使得所述混合粒子群的蝴蝶算法能够及时跳出局部最优解，提高混合粒子群的蝴蝶算法的全局搜索能力。
所述退化规则包括：若当前个体的适应度值小于个体历史最优值，对当前个体进行更新，并将预设计数器的数值重置为0(参考后续步骤S130)；若当前个体的适应度值大于或等于个体历史最优值，利用预设计数器确定是否要对当前个体进行随机初始化操作。
具体地，若当前个体的适应度值小于个体历史最优值，个体历史最优值发生改变，则重置计数器λi:＝0，其中计数器的初始化参考步骤S118；若当前个体的适应度值大于或等于个体历史最优值，个体历史最优值未发生改变，令λi：＝λi+1，如果此时计数器的值大于预先设置的计数器最大计数次数，即那么，无需让当前个体继续参与迭代寻优，对当前个体的位置进行随机初始化操作(参考图4)，并且重置计数器λi:＝0。
在一个实施例中，如图9所示，为本申请实施例提供的基于混合粒子群算法更新当前个体的流程图，具体包括如下步骤：
S129，基于所述平面布局模型的目标函数确定所述混合粒子群的蝴蝶算法的适应度函数，基于所述适应度函数确定当前个体的适应度值。
在一个实施例中，当前个体表示每次发生更新后的最新个体。参考步骤S120中的记载，利用所述适应度函数确定当前个体z的适应度值fz。
S130，若当前个体的适应度值小于个体历史最优值，对当前个体进行更新。
在一个实施例中，S130中对当前个体进行更新包括：基于当前迭代次数的权重与加速因子更新当前个体的速度，并根据当前个体的速度更新当前个体的位置。
在一个实施例中，若前个体的适应度值fz小于个体历史最优值pbestVal，更当前个体z的速度所使用的公式包括： 更新当前个体的位置所使用的公式包括：/> 其中，权重/>加速因子/> 加速因子/>pbestX表示当前个体的个体历史最优位置，gbestX表示所有当前个体的全局最优位置，r1、r2表示[0,1]之间的随机数。
在一个实施例中，结合所述退化规则，步骤S130后将计数器的计数值重置为0，并执行步骤S131。
S131，若当前个体的个体适应度值小于全局最优值，对当前个体的全局最优值和全局最优位置进行更新。
在一个实施例中，若当前个体的个体适应度值小于全局最优值，将当前个体的个体适应度值作为更新的全局最优值，并且将当前个体对应的位置作为更新的全局最优位置。
S132，执行下一次迭代更新。
在一个实施例中，对种群中每个个体都执行了一次上述迭代更新后，执行下一次迭代更新。
在一个实施例中，如图10所示，为本申请实施例提供的混合粒子群的蝴蝶算法的具体流程的示例图。
在一个实施例中，本申请实施例提供的方法可以应用于变电站的平面布局优化，在分析变电站实际建设中的限制因素后，构建了混合整数规划模型；采用改进的混合粒子群的蝴蝶算法，对变电站平面布局的占地面积利用率和布线成本进行了定量优化。从数理的角度，可以实现变电站平面布局占地利用率最大化和布线成本最小化。在变电站的实际建设中，一方面可以减少对土地的占用，降低土地使用成本的同时起到保护生态环境的作用；另一方面可以节约布线成本，在不损害变电站的正常功能的前提下，实现更大的经济效益。
此外，本申请实施例提供的改进的混合粒子群的蝴蝶算法的有益效果包括：针对每一代的个体，执行修复操作，保证了最终输出的解为可行方案；引入了退化机制，避免个体陷入局部最优解，提高了算法的全局搜索能力；采用非线性控制策略和考虑加速因子的时变特性，有效地平衡算法的全局搜索和局部搜索能力。
图11是本申请实施例提供的平面布局装置的结构图。
在一些实施例中，所述平面布局装置20可以包括多个由计算机程序段所组成的功能模块。所述平面布局装置20中的各个程序段的计算机程序可以存储于电子设备的存储器中，并由至少一个处理器所执行，以执行(详见图2描述)基于混合粒子群的蝴蝶算法的变电站平面布局的功能。
本实施例中，所述平面布局装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：构建模块201、优化模块202。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于所述平面布局装置20的中各个模块的功能实现方式可以参见上文对基于混合粒子群的蝴蝶算法的变电站平面布局方法的限定，在此不再重复描述。
所述构建模块201，用于利用预先构建的平面布局模型，生成多个初始可行解，每个初始可行解对应一个对多个布局模块进行布局的初始布局方案。
所述优化模块202，用于利用混合粒子群的蝴蝶算法对每个初始可行解进行预设次数的迭代更新，获得多个目标可行解，根据所有目标可行解中的最优解确定最优布局方案。
接续上文对图1的介绍，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的基于混合粒子群的蝴蝶算法的变电站平面布局方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本申请一实施例中，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器32执行时实现如图2所示的流程。或者，该计算机程序被处理器执行时实现如图11所示的平面布局装置中各模块/单元的功能，例如图11中的模块201-202。
在一些实施例中，所述至少一个处理器32是所述电子设备3的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的基于混合粒子群的蝴蝶算法的变电站平面布局方法的全部或者部分步骤；或者实现平面布局装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processingunit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块、摄像装置等，在此不再赘述。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种基于混合粒子群的蝴蝶算法的变电站平面布局方法，其特征在于，所述方法包括：
利用预先构建的平面布局模型，生成多个初始可行解，每个初始可行解对应一个对多个布局模块进行布局的初始布局方案；
利用所述混合粒子群的蝴蝶算法对每个初始可行解进行预设次数的迭代更新，获得多个目标可行解，根据所有目标可行解中的最优解确定最优布局方案。
2.根据权利要求1所述的基于混合粒子群的蝴蝶算法的变电站平面布局方法，其特征在于，所述混合粒子群的蝴蝶算法使用的加速因子包括：
其中，c1、c2表示加速因子，t表示当前迭代更新的次数，T表示所述预设次数。
3.根据权利要求1所述的基于混合粒子群的蝴蝶算法的变电站平面布局方法，其特征在于，所述平面布局模型的构建包括：
获取第一数量的布局模块的模块信息以及最大可布局尺寸，其中，所述模块信息包括每个布局模块的尺寸与种类，以及每个布局模块与其他布局模块的单位连接成本、安全距离；
确定每个布局模块的位置的编码方式；
基于所述模块信息、所述最大可布局尺寸以及所述编码方式，确定所述平面布局模型的目标函数与约束条件，其中，所述目标函数的目标包括使得所述第一数量的布局模块的布局面积利用率最大并且所述第一数量的布局模块之间的连接成本最小。
4.根据权利要求1所述的基于混合粒子群的蝴蝶算法的变电站平面布局方法，其特征在于，每个初始可行解的生成方法包括：
将未生成初始位置坐标的布局模块作为待布局模块，为任一待布局模块随机生成初始位置坐标，所述生成的初始位置坐标满足所述任一待布局模块的布局的约束条件；
将已生成初始位置坐标的待布局模块作为已布局模块，确定每个已布局模块对应的已占用区域，其中，每个已占用区域的质心为所述初始位置坐标；
利用所述已占用区域更新所述约束条件；
重复执行生成所述初始位置坐标的方法直至不存在待布局模块，将所有生成的初始位置坐标组成的集合作为所述初始可行解。
5.根据权利要求1或4所述的基于混合粒子群的蝴蝶算法的变电站平面布局方法，其特征在于，对所述混合粒子群的蝴蝶算法进行初始化参数包括：
初始化所述混合粒子群的蝴蝶算法的算法参数；
对每个个体的速度进行初始化，获得每个个体的初始速度，其中，每个个体对应一个初始可行解；
将所述平面布局模型的目标函数作为所述混合粒子群的蝴蝶算法的适应度函数，基于所述适应度函数确定每个个体的初始适应度值；
基于所述初始适应度值确定每个个体的个体历史最优值、个体历史最优位置，以及所有个体的全局最优值、全局最优位置。
6.根据权利要求5所述的基于混合粒子群的蝴蝶算法的变电站平面布局方法，其特征在于，所述布局模块对应的数量为第一数量，所述初始可行解的数量为第二数量，所述对每个个体的速度进行初始化包括：
基于混沌映射算法生成第三数量的混沌数，所述第三数量等于所述第一数量与所述第二数量的乘积，所述混沌数的取值范围为0至1；
利用所述第三数量的混沌数构成混沌矩阵，所述混沌矩阵的列数等于所述第一数量，所述混沌矩阵中的行数等于所述第二数量；
基于所述混沌矩阵的每一行元素构成的向量以及预设的最大限定速度、最小限定速度，确定每个个体的初始速度。
7.根据权利要求1所述的基于混合粒子群的蝴蝶算法的变电站平面布局方法，其特征在于，对每个初始可行解进行预设次数的迭代更新中的每一次迭代更新包括：利用蝴蝶算法更新当前个体的位置，包括：
基于所述平面布局模型的目标函数确定所述混合粒子群的蝴蝶算法的适应度函数，基于所述适应度函数确定当前个体的适应度值，其中，当前个体表示每次发生更新后的最新个体；
根据当前个体的适应度值更新当前个体的香味浓度；
根据预设的转换概率确定搜索范围，所述搜索范围包括全局搜索或局部搜索；
当所述搜索范围为所述全局搜索时，基于所述香味浓度将当前个体的位置更新为更接近全局最优位置的位置；
当所述搜索范围为所述局部搜索时，基于所述香味浓度对当前个体的位置进行随机更新。
8.根据权利要求1或7所述的基于混合粒子群的蝴蝶算法的变电站平面布局方法，其特征在于，对每个初始可行解进行预设次数的迭代更新中的每一次迭代更新包括：
基于所述平面布局模型中的约束条件确定当前个体是否有位置异常的布局模块；
若当前个体有位置异常的布局模块，基于所述约束条件对所述有位置异常的布局模块进行异常修复，获得异常修复后的个体。
9.根据权利要求1或7所述的基于混合粒子群的蝴蝶算法的变电站平面布局方法，其特征在于，对每个初始可行解进行预设次数的迭代更新中的每一次迭代更新包括：基于混合粒子群算法更新当前个体，包括：
基于所述平面布局模型的目标函数确定所述混合粒子群的蝴蝶算法的适应度函数，基于所述适应度函数确定当前个体的适应度值，其中，当前个体表示每次发生更新后的最新个体；
若当前个体的适应度值小于个体历史最优值，对当前个体进行更新，包括：基于当前迭代次数对应的权重与加速因子更新当前个体的速度，并根据当前个体的速度更新当前个体的位置；
若当前个体的个体适应度值小于全局最优值，对当前个体的全局最优值和全局最优位置进行更新；
执行下一次迭代更新。
10.根据权利要求9所述的基于混合粒子群的蝴蝶算法的变电站平面布局方法，其特征在于，所述方法还包括：若当前个体的适应度值大于或等于个体历史最优值，利用预设计数器确定是否要对当前个体进行随机初始化操作。
CN202310342112.4A 2023-03-30 2023-03-30 基于混合粒子群的蝴蝶算法的变电站平面布局方法 Pending CN116561478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310342112.4A CN116561478A (zh) 2023-03-30 2023-03-30 基于混合粒子群的蝴蝶算法的变电站平面布局方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310342112.4A CN116561478A (zh) 2023-03-30 2023-03-30 基于混合粒子群的蝴蝶算法的变电站平面布局方法

Publications (1)

Publication Number Publication Date
CN116561478A true CN116561478A (zh) 2023-08-08

Family

ID=87502713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310342112.4A Pending CN116561478A (zh) 2023-03-30 2023-03-30 基于混合粒子群的蝴蝶算法的变电站平面布局方法

Country Status (1)

Country Link
CN (1) CN116561478A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113608A (zh) * 2023-10-23 2023-11-24 四川港投新通道物流产业投资集团有限公司 一种冷链物流网络节点布局方法和设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113608A (zh) * 2023-10-23 2023-11-24 四川港投新通道物流产业投资集团有限公司 一种冷链物流网络节点布局方法和设备
CN117113608B (zh) * 2023-10-23 2024-02-13 四川港投新通道物流产业投资集团有限公司 一种冷链物流网络节点布局方法和设备

Similar Documents

Publication Publication Date Title
Kołodziej et al. Energy efficient genetic‐based schedulers in computational grids
ES2612328T3 (es) Métodos y sistemas para gestionar potencia y enfriamiento de una instalación
CN108009016A (zh) 一种资源负载均衡控制方法及集群调度器
CN110096309A (zh) 运算方法、装置、计算机设备和存储介质
Chernyshev et al. Swarm-intelligence-based algorithm of connections permutation between pins
Bhadoria et al. Optimal generation scheduling and dispatch of thermal generating units considering impact of wind penetration using hGWO-RES algorithm
Hardiansyah et al. Solving economic load dispatch problem using particle swarm optimization technique
CN110096310A (zh) 运算方法、装置、计算机设备和存储介质
CN116561478A (zh) 基于混合粒子群的蝴蝶算法的变电站平面布局方法
Zou et al. A memory-based simulated annealing algorithm and a new auxiliary function for the fixed-outline floorplanning with soft blocks
Shojaee et al. A new cat swarm optimization based algorithm for reliability-oriented task allocation in distributed systems
CN113435625B (zh) 电力系统动态经济调度优化方法及设备
CN110119807A (zh) 运算方法、装置、计算机设备和存储介质
Meng et al. Simulation and optimization of HPC job allocation for jointly reducing communication and cooling costs
Prongnuch et al. A heuristic approach for scheduling in heterogeneous distributed embedded systems
Jin et al. Mapping very large scale spiking neuron network to neuromorphic hardware
Gavrilov et al. Clustering optimization based on simulated annealing algorithm for reconfigurable systems-on-chip
CN106575286A (zh) 用于组合优化和统计采样的递归分层过程
CN109858096A (zh) 单避雷针系统优化布局的建模方法及终端设备
CN112861466A (zh) 一种布线轨道分配方法、电子设备及计算机可读存储介质
Rizk-Allah et al. Orthogonal Latin squares-based firefly optimization algorithm for industrial quadratic assignment tasks
Bhadoria et al. BMFO-SIG: a novel binary moth flame optimizer algorithm with sigmoidal transformation for combinatorial unit commitment and numerical optimization problems
Tang et al. Analysis of the material distribution system of wise information technology of 120 under deep learning
García-Mercado et al. Improved binary particle swarm optimization for the deterministic security-constrained transmission network expansion planning problem
RU2530270C2 (ru) Виртуальная потоковая вычислительная система, основанная на информационной модели искусственной нейросети и нейрона

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