CN117391123A - 一种基于自适应惯性权重的粒子群优化方法及装置 - Google Patents
一种基于自适应惯性权重的粒子群优化方法及装置 Download PDFInfo
- Publication number
- CN117391123A CN117391123A CN202311444978.2A CN202311444978A CN117391123A CN 117391123 A CN117391123 A CN 117391123A CN 202311444978 A CN202311444978 A CN 202311444978A CN 117391123 A CN117391123 A CN 117391123A
- Authority
- CN
- China
- Prior art keywords
- extremum
- particle
- particles
- adaptive
- updating
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 354
- 238000005457 optimization Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000006870 function Effects 0.000 claims description 84
- 230000003044 adaptive effect Effects 0.000 claims description 76
- 238000004590 computer program Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 22
- 238000010586 diagram Methods 0.000 description 14
- 238000004146 energy storage Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009326 social learning Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000002431 foraging effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于自适应惯性权重的粒子群优化方法及装置，可用于电子电力技术领域，包括：对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；构建粒子的适应度函数；迭代执行如下步骤，直至迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值：所述粒子的适应度值是基于所述适应度函数计算得到的；根据所述适应度函数更新所述个体极值及所述群体极值；根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置。该方法实现了为粒子群算法优化了惯性权重的取值并提供了具体地自适应指导。
Description
技术领域
本申请涉及电子电力技术领域，尤其涉及一种基于自适应惯性权重的粒子群优化方法及装置。
背景技术
粒子群优化算法基于鸟群觅食行为，通过模拟鸟群觅食的行为规律求解粒子群优化的问题。鸟在觅食时，会不断地调整自己与猎物的距离，从而增加觅食的机会，最快找到食物的方式就是前往搜索过程中自身离食物最近的位置和其他觅食同伴离食物最近的位置，以向食物靠近。同理，粒子群寻优主要依靠个体最优值和群体最优值。
在粒子群算法中，惯性权重系数保持粒子运动惯性，能够平衡粒子的搜索能力，选取合适的惯性权重系数，有利于调节粒子群算法寻优过程中局部搜索能力和全局搜索能力的平衡。惯性权重越大，粒子速度越大，收敛速度越快，全局搜索能力越强，但是局部搜索能力较弱，易陷入局部解，寻优不够精确；相反，惯性权重越小，粒子速度越小，局部搜索能力越强，寻优精度较好，但是收敛速度较慢，寻优时间较长。
经过改进的惯性权重虽然能够保证前期全局搜索能力和后期局部搜索能力，但是只是按照迭代次数的变化而变化，缺乏具体地自适应指导。因此，惯性权重系数取值的合理性直接影响算法的性能以及目标函数的最优解。
发明内容
针对现有技术中的问题，本申请实施例提供一种基于自适应惯性权重的粒子群优化方法及装置，能够至少部分地解决现有技术中存在的问题。
第一方面，本申请提供一种基于自适应惯性权重的粒子群优化方法，包括：
对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；
构建粒子的适应度函数；
迭代执行如下步骤，直至迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值：所述粒子的适应度值是基于所述适应度函数计算得到的；
根据所述适应度函数更新所述个体极值及所述群体极值；
根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；
根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置。
进一步地，所述根据所述粒子的适应度值更新所述个体极值及所述群体极值，包括：
根据所述适应度函数计算所述粒子的适应度值；
当所述粒子的适应度值优于所述粒子的个体极值，更新所述个体极值；
当所述个体极值的最优解优于所述群体极值，更新所述群体极值。
进一步地，所述根据所述粒子的位置及所述个体极值生成自适应惯性权重系数，包括：
根据所述粒子的位置及所述个体极值生成自适应因子；
根据所述自适应因子生成所述自适应惯性权重系数。
进一步地，所述根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置，包括：
根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的速度；
根据更新后的所述粒子的速度更新所述粒子的位置。
第二方面，本申请提供一种基于自适应惯性权重的粒子群优化装置，包括：
初始化单元，用于对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；
函数构建单元，用于构建粒子的适应度函数；
迭代操作单元，用于在粒子群优化过程中，执行迭代操作：
极值更新单元，用于根据所述适应度函数更新所述个体极值及所述群体极值；
系数生成单元，用于根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；
位置更新单元，用于根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的速度及所述粒子的位置。
进一步地，所述极值更新单元包括：
适应度值计算模块，用于根据所述适应度函数计算所述粒子的适应度值；
个体极值更新模块，用于当所述粒子的适应度值优于所述粒子的个体极值，更新所述个体极值；
群体极值更新模块，用于当所述个体极值的最优解优于所述群体极值，更新所述群体极值。
进一步地，所述系数生成单元包括：
因子生成模块，用于根据所述粒子的位置及所述个体极值生成自适应因子；
系数生成模块，用于根据所述自适应因子生成所述自适应惯性权重系数。
进一步地，所述位置更新单元包括：
速度更新模块，用于根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的速度；
位置更新模块，用于根据更新后的所述粒子的速度更新所述粒子的位置。
第三方面，本申请提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述的方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法。
第五方面，本申请提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法。
本申请提供的基于自适应惯性权重的粒子群优化方法及装置，通过对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；构建粒子的适应度函数；迭代执行如下步骤，直至迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值：所述粒子的适应度值是基于所述适应度函数计算得到的；根据所述适应度函数更新所述个体极值及所述群体极值；根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置，实现了为粒子群算法优化了惯性权重的取值并提供了具体地自适应指导，避免粒子陷入局部最优解。其中，通过根据所述粒子的位置及所述个体极值生成自适应惯性权重系数，能够协调好局部搜索能力和全局搜索能力的强度，能够在保证算法精确度的同时快速收敛。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的基于自适应惯性权重的粒子群优化方法的流程示意图；
图2是本申请一实施例提供的基于自适应惯性权重的粒子群优化方法的流程示意图；
图3是本申请一实施例提供的基于自适应惯性权重的粒子群优化方法的流程示意图；
图4是本申请一实施例提供的基于自适应惯性权重的粒子群优化方法的流程示意图；
图5是本申请一实施例提供的基于自适应惯性权重的粒子群优化装置的结构示意图；
图6是本申请一实施例提供的基于自适应惯性权重的粒子群优化装置的结构示意图；
图7是本申请一实施例提供的基于自适应惯性权重的粒子群优化装置的结构示意图；
图8是本申请一实施例提供的基于自适应惯性权重的粒子群优化装置的结构示意图；
图9是本申请一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本申请实施例做进一步详细说明。在此，本申请的示意性实施例及其说明用于解释本申请，但并不作为对本申请的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
下面以服务器作为执行主体为例，对本申请实施例提供的基于自适应惯性权重的粒子群优化方法的具体实现过程进行说明。
图1是本申请一实施例提供的基于自适应惯性权重的粒子群优化方法的流程图，如图1所示，本申请实施例提供的基于自适应惯性权重的粒子群优化方法包括：
S101：对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；
S102：构建粒子的适应度函数；
迭代执行如下步骤，直至迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值：所述粒子的适应度值是基于所述适应度函数计算得到的；
S103：根据所述适应度函数更新所述个体极值及所述群体极值；
S104：根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；
S105：根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置。
S106：判断迭代次数是否达到第一预设值或粒子的适应度值的增量是否小于第二预设值。
从图1所示流程可以看出，本申请提供的基于自适应惯性权重的粒子群优化方法，通过对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；构建粒子的适应度函数；迭代执行如下步骤，直至迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值：所述粒子的适应度值是基于所述适应度函数计算得到的；根据所述适应度函数更新所述个体极值及所述群体极值；根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置，实现了为粒子群算法优化了惯性权重的取值并提供了具体地自适应指导，避免粒子陷入局部最优解。其中，通过根据所述粒子的位置及所述个体极值生成自适应惯性权重系数，能够协调好局部搜索能力和全局搜索能力的强度，能够在保证算法精确度的同时快速收敛。
下面对每个步骤进行详细解释。
S101：对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；
具体地，设定粒子的种群(粒子群)在某一个D维的解空间中，种群N＝(x1,x2,…xn)由n个粒子构成，其在D维解空间中每一个粒子的相对空间位置xi可用向量表示如下：
xi＝(xi1,xi2,…xiD),i＝1,2,n
每一个粒子的速度vi可用向量表示如下：
vi＝(vi1,vi2,…viD),i＝1,2,…n
每一个粒子的个体极值pi可用向量表示如下：
pi＝(pi1,pi2,…piD),i＝1,2,…n
种群N的群体极值pg可用向量表示如下：
pg＝(pg1,pg2,…pgD)
将种群N中每一个粒子的位置、每一个粒子的速度、每一个粒子的个体极值及种群的群体极值初始化，以进行粒子群的优化。
S102：构建粒子的适应度函数；
具体地，根据具体的应用场景构建粒子的适应度函数，以计算种群中每一个粒子的适应度值，根据适应度值更新粒子群的个体极值及群体极值，从而对粒子群进行优化。
在一实施例中，可以利用本申请实施例提供的基于自适应惯性权重的粒子群优化方法解决储能容量优化配置问题。
具体地，风电、光伏为代表的新能源以清洁环保、安全可靠、灵活方便的优势迅速崛起，装机规模逐渐扩大。然而，新能源出力存在随机性、间歇性以及与负荷时序不匹配等缺陷，致使大规模新能源并网后，电力供需失衡现象加剧，对电压质量和电网稳定带来了负面影响。
以储能投资费用、运行管理费用、线损费用的代数和最小为目标函数，将节点电压、支路电流、储能剩余电量水平和充放电功率的允许范围作为约束条件，利用本申请实施例提供的基于自适应惯性权重的粒子群优化方法对该问题求解。
在解决储能容量优化配置问题时，目标函数(即构建的适应度函数)的表达式如下所示：
minC＝Cinv+Com+Closs
式中，Closs表示配置储能系统后的日线损费用；Cinv表示储能系统的日投资费用；Com表示储能系统的日运行管理费用。
在另一实施例中，可以利用本申请实施例提供的基于自适应惯性权重的粒子群优化方法解决风电场无功优化问题。
具体地，风电场的功率输出受风速影响，易引起风电场节点的电压波动，因此，基于双馈异步发电机的风电场作为无功源参与无功优化已经成为一种共识。
以有功网损最小和负荷节点电压偏移量最小为多目标的目标函数，将发电机的无功出力和节点电压等的允许范围作为约束条件，利用本申请实施例提供的基于自适应惯性权重的粒子群优化方法对该问题求解。
在解决风电场无功优化问题时，目标函数(即构建的适应度函数)的表达式如下所示：
minF＝λ1Ploss+λ2Ul
式中：Ploss为有功网损；Ul为负荷节点的电压偏移量。
迭代执行如下步骤，直至迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值：所述粒子的适应度值是基于所述适应度函数计算得到的；
S103：根据所述适应度函数更新所述个体极值及所述群体极值；
具体地，根据结合具体应用场景构建的适应度函数计算每一个粒子的适应度值，并根据适应度值更新每一个粒子的个体极值及粒子群的群体极值。
图2是本申请一实施例提供的基于自适应惯性权重的粒子群优化方法的流程图，如图2所示，S103包括：
S201：根据所述适应度函数计算所述粒子的适应度值；
具体地，根据结合具体应用场景构建的适应度函数(即待解决问题的目标函数)的表达式计算粒子群中每一个粒子的适应度值。
S202：当所述粒子的适应度值优于所述粒子的个体极值，更新所述个体极值；
具体地，当粒子群中的粒子xi的适应度值优于该粒子xi的个体极值时，更新该粒子xi的个体极值，将该粒子xi的个体极值更新为该粒子xi的当前位置。
S203：当所述个体极值的最优解优于所述群体极值，更新所述群体极值。
具体地，当粒子群中粒子的个体极值的最优解优于粒子群的群体极值时，更新粒子群的群体极值，将粒子群的群体极值更新为粒子群中粒子的个体极值的最优解。
S104：根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；
具体地，先根据粒子的位置及粒子的个体极值生成自适应因子，再根据自适应因子生成自适应惯性权重系数。
图3是本申请一实施例提供的基于自适应惯性权重的粒子群优化方法的流程图，如图3所示，S104包括：
S301：根据所述粒子的位置及所述个体极值生成自适应因子；
具体地，当粒子的当前位置距离个体极值较远时，速度需要增大，保证收敛速度；当粒子当前位置距离个体极值较近时，速度需要减小，保证算法的精确性。因此将粒子的位置与粒子的个体极值间的距离值作为自适应因子，自适应因子Xi的表达式如下所示：
式中，xmax、xmin分别表示粒子位置的最大值和最小值，其作用为调整距离值在合适的范围之内。
S302：根据所述自适应因子生成所述自适应惯性权重系数。
具体地，在满足惯性权重变化特性的基础上，为了保证运行前期的全局搜索能力，在运行前期必须保持较大的惯性权重，同时为了保证运行后期的局部搜索能力，在运行后期必须保持较小的惯性权重。正弦函数的变化趋势与此完美契合，因此利用三角函数的“前凸后凹”性，不仅能够协调好局部搜索能力和全局搜索能力的强度，同时能够保证算法强度的快速收敛。
利用粒子的位置与粒子的个体极值间的距离值作为自适应因子，根据自适应因子得到的自适应惯性权重系数ω的表达式如下所示：
式中，Xi表示粒子的位置与粒子的个体极值间的距离值，a、b均为辅助数值，一般设置为0～1的随机数，用于调整惯性权重在合适的范围内。
S105：根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置。
具体地，先根据个体极值、群体极值及自适应惯性权重系数更新粒子的速度，再根据更新后的粒子的速度更新粒子的位置。
图4是本申请一实施例提供的基于自适应惯性权重的粒子群优化方法的流程图，如图4所示，S105包括：
S401：根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的速度；
具体地，根据个体极值、群体极值及自适应惯性权重系数更新的粒子的速度可以用表达式表示如下：
式中，k表示目前的迭代次数；ω为自适应惯性权重系数；c1表示粒子的自我学习因子；c2表示粒子的社会学习因子。自我学习因子和社会学习因子均为在(0,2)区间分布的随机数；rand1和rand2均为在(0,1)区间分布的随机数。
上述表达式中含有三个分量，第一个分量表示粒子的初始速度，随着自适应惯性权重系数ω的增大，粒子的初始速度也随之增加。第二个分量/> 代表了目前各粒子的最佳适应度，并对各粒子进行了优化，第二个分量是基于自我学习因子c1的“自我学习”。第三个分量/>代表粒子群的最佳适应度值，第三个分量是基于社会学习因子c2的“社会学习”。
S402：根据更新后的所述粒子的速度更新所述粒子的位置。
具体地，根据更新后的粒子的速度更新的粒子的位置可以用表达式表示如下：
式中，k表示目前的迭代次数。
S106：判断迭代次数是否达到第一预设值或粒子的适应度值的增量是否小于第二预设值。
具体地，当迭代次数没有达到第一预设值且粒子的适应度值的增量不小于第二预设值时进入S103；当迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值时结束流程。
为了验证本申请提供的基于自适应惯性权重的粒子群优化方法的性能，选用了三个标准的测试函数(Sphere函数、Griewank函数及Pathological函数)进行检验,并与标准粒子群算法和基于非线性递减惯性权重的改进粒子群算法进行对比。其中，Sphere函数为非线性的对称单峰函数；Griewank函数为多峰函数,存在很多局部最小点，由于变量之间具有显著的相关性，因此在计算时容易陷入局部最优；Pathological函数为多峰函数，且为病态的二次函数，全局极小点被无数的局部极小点所围绕，因此很难找到最优解。
对以上三个标准的测试函数(Sphere函数f1、Griewank函数f2及Pathological函数f3)分别用三种不同的算法(标准粒子群算法、基于非线性递减惯性权重的改进粒子群算法及本申请提供的基于自适应惯性权重的粒子群优化方法)各运行100次,并记录不同方法所对应的最小值、平均值和方差，其结果如表1所示。
表1
从表1可以看出，利用本申请提供的基于自适应惯性权重的粒子群优化方法后测试函数f1、f2和f3的最小值相对于标准PSO和改进PSO在精确度上有着明显的提升，更加接近真实值，平均值均有较为明显的下降，且方差也均有明显下降，说明本申请提供的基于自适应惯性权重的粒子群优化方法的稳定性有着进一步提高，验证了本申请提供的基于自适应惯性权重的粒子群优化方法的性能。
本申请提供了一种基于自适应惯性权重的粒子群优化方法，通过对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；构建粒子的适应度函数；迭代执行如下步骤，直至迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值：所述粒子的适应度值是基于所述适应度函数计算得到的；根据所述适应度函数更新所述个体极值及所述群体极值；根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置，实现了为粒子群算法优化了惯性权重的取值并提供了具体地自适应指导，避免粒子陷入局部最优解。其中，通过根据所述粒子的位置及所述个体极值生成自适应惯性权重系数，能够协调好局部搜索能力和全局搜索能力的强度，能够在保证算法精确度的同时快速收敛。
基于同一发明构思，本申请实施例还提供了一种基于自适应惯性权重的粒子群优化装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于基于自适应惯性权重的粒子群优化装置解决问题的原理与基于自适应惯性权重的粒子群优化方法相似，因此基于自适应惯性权重的粒子群优化装置的实施可以参见基于软件性能基准确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是本申请一实施例提供的基于自适应惯性权重的粒子群优化装置的结构示意图，如图5所示，该装置包括：
初始化单元501，用于对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；
函数构建单元502，用于构建粒子的适应度函数；
迭代操作单元503，用于在粒子群优化过程中，执行迭代操作：
极值更新单元504，用于根据所述适应度函数更新所述个体极值及所述群体极值；
系数生成单元505，用于根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；
位置更新单元506，用于根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的速度及所述粒子的位置。
图6是本申请一实施例提供的基于自适应惯性权重的粒子群优化装置的结构示意图，在图5实施例的基础上，进一步地，如图6所示，本申请提供的基于自适应惯性权重的粒子群优化装置还包括：
适应度值计算模块601，用于根据所述适应度函数计算所述粒子的适应度值；
个体极值更新模块602，用于当所述粒子的适应度值优于所述粒子的个体极值，更新所述个体极值；
群体极值更新模块603，用于当所述个体极值的最优解优于所述群体极值，更新所述群体极值。
图7是本申请一实施例提供的基于自适应惯性权重的粒子群优化装置的结构示意图，在图5实施例的基础上，进一步地，如图7所示，本申请提供的基于自适应惯性权重的粒子群优化装置还包括：
因子生成模块701，用于根据所述粒子的位置及所述个体极值生成自适应因子；
系数生成模块702，用于根据所述自适应因子生成所述自适应惯性权重系数。
图8是本申请一实施例提供的基于自适应惯性权重的粒子群优化装置的结构示意图，在图5实施例的基础上，进一步地，如图8所示，本申请提供的基于自适应惯性权重的粒子群优化装置还包括：
速度更新模块801，用于根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的速度；
位置更新模块802，用于根据更新后的所述粒子的速度更新所述粒子的位置。
本申请提供了一种基于自适应惯性权重的粒子群优化方法及装置，通过对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；构建粒子的适应度函数；迭代执行如下步骤，直至迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值：所述粒子的适应度值是基于所述适应度函数计算得到的；根据所述适应度函数更新所述个体极值及所述群体极值；根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置，实现了为粒子群算法优化了惯性权重的取值并提供了具体地自适应指导，避免粒子陷入局部最优解。其中，通过根据所述粒子的位置及所述个体极值生成自适应惯性权重系数，能够协调好局部搜索能力和全局搜索能力的强度，能够在保证算法精确度的同时快速收敛。
图9是本申请一实施例提供的电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)901、通信接口(Communications Interface)902、存储器(memory)903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信。处理器901可以调用存储器903中的逻辑指令，以执行如下方法：对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；构建粒子的适应度函数；迭代执行如下步骤，直至迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值：所述粒子的适应度值是基于所述适应度函数计算得到的；根据所述适应度函数更新所述个体极值及所述群体极值；根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置。
此外，上述的存储器903中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；构建粒子的适应度函数；迭代执行如下步骤，直至迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值：所述粒子的适应度值是基于所述适应度函数计算得到的；根据所述适应度函数更新所述个体极值及所述群体极值；根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置。
本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存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；构建粒子的适应度函数；迭代执行如下步骤，直至迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值：所述粒子的适应度值是基于所述适应度函数计算得到的；根据所述适应度函数更新所述个体极值及所述群体极值；根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (11)
1.一种基于自适应惯性权重的粒子群优化方法，其特征在于，包括：
对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；
构建粒子的适应度函数；
迭代执行如下步骤，直至迭代次数达到第一预设值或粒子的适应度值的增量小于第二预设值：所述粒子的适应度值是基于所述适应度函数计算得到的；
根据所述适应度函数更新所述个体极值及所述群体极值；
根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；
根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置。
2.根据权利要求1所述的基于自适应惯性权重的粒子群优化方法，其特征在于，所述根据所述粒子的适应度值更新所述个体极值及所述群体极值，包括：
根据所述适应度函数计算所述粒子的适应度值；
当所述粒子的适应度值优于所述粒子的个体极值，更新所述个体极值；
当所述个体极值的最优解优于所述群体极值，更新所述群体极值。
3.根据权利要求1所述的基于自适应惯性权重的粒子群优化方法，其特征在于，所述根据所述粒子的位置及所述个体极值生成自适应惯性权重系数，包括：
根据所述粒子的位置及所述个体极值生成自适应因子；
根据所述自适应因子生成所述自适应惯性权重系数。
4.根据权利要求1所述的基于自适应惯性权重的粒子群优化方法，其特征在于，所述根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的位置，包括：
根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的速度；
根据更新后的所述粒子的速度更新所述粒子的位置。
5.一种基于自适应惯性权重的粒子群优化装置，其特征在于，包括：
初始化单元，用于对粒子信息进行初始化操作；所述粒子信息包括粒子的位置、粒子的速度、粒子的个体极值及粒子群的群体极值；
函数构建单元，用于构建粒子的适应度函数；
迭代操作单元，用于在粒子群优化过程中，执行迭代操作：
极值更新单元，用于根据所述适应度函数更新所述个体极值及所述群体极值；
系数生成单元，用于根据所述粒子的位置及所述个体极值生成自适应惯性权重系数；
位置更新单元，用于根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的速度及所述粒子的位置。
6.根据权利要求5所述的基于自适应惯性权重的粒子群优化装置，其特征在于，所述极值更新单元包括：
适应度值计算模块，用于根据所述适应度函数计算所述粒子的适应度值；
个体极值更新模块，用于当所述粒子的适应度值优于所述粒子的个体极值，更新所述个体极值；
群体极值更新模块，用于当所述个体极值的最优解优于所述群体极值，更新所述群体极值。
7.根据权利要求5所述的基于自适应惯性权重的粒子群优化装置，其特征在于，所述系数生成单元包括：
因子生成模块，用于根据所述粒子的位置及所述个体极值生成自适应因子；
系数生成模块，用于根据所述自适应因子生成所述自适应惯性权重系数。
8.根据权利要求5所述的基于自适应惯性权重的粒子群优化装置，其特征在于，所述位置更新单元包括：
速度更新模块，用于根据所述个体极值、所述群体极值及所述自适应惯性权重系数更新所述粒子的速度；
位置更新模块，用于根据更新后的所述粒子的速度更新所述粒子的位置。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的方法。
11.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311444978.2A CN117391123A (zh) | 2023-11-01 | 2023-11-01 | 一种基于自适应惯性权重的粒子群优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311444978.2A CN117391123A (zh) | 2023-11-01 | 2023-11-01 | 一种基于自适应惯性权重的粒子群优化方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117391123A true CN117391123A (zh) | 2024-01-12 |
Family
ID=89438939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311444978.2A Pending CN117391123A (zh) | 2023-11-01 | 2023-11-01 | 一种基于自适应惯性权重的粒子群优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117391123A (zh) |
-
2023
- 2023-11-01 CN CN202311444978.2A patent/CN117391123A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Duong et al. | Optimal Reactive Power Flow for Large‐Scale Power Systems Using an Effective Metaheuristic Algorithm | |
| Mandal et al. | Optimal reactive power dispatch using quasi-oppositional teaching learning based optimization | |
| Naresh et al. | Two-phase neural network based modelling framework of constrained economic load dispatch | |
| US9965802B2 (en) | Method for bidding battery storage into hour-ahead energy markets | |
| CN112818588B (zh) | 一种电力系统的最优潮流计算方法、装置及存储介质 | |
| CN106684885B (zh) | 基于多场景分析的风电机组配电网无功优化方法 | |
| CN108551175B (zh) | 配电网储能容量配置方法 | |
| Dao et al. | Evolved bat algorithm for solving the economic load dispatch problem | |
| CN109193800A (zh) | 一种基于外点罚函数法的风电场储能容量的优化配置方法 | |
| Wang et al. | Coordinated dispatch of networked energy storage systems for loading management in active distribution networks | |
| Barreiro-Gomez et al. | Linear-quadratic mean-field-type games-based stochastic model predictive control: A microgrid energy storage application | |
| CN117055605A (zh) | 多无人机姿态控制方法及系统 | |
| Sulaiman et al. | Cuckoo search algorithm as an optimizer for optimal reactive power dispatch problems | |
| CN117670586A (zh) | 一种基于图神经网络的电网节点碳因子预测方法及系统 | |
| Janovsky et al. | Multi-agent simulation framework for large-scale coalition formation | |
| Xu et al. | A novel Drosophila‐back propagation method for the lithium‐ion battery state of charge estimation adaptive to complex working conditions | |
| CN117391123A (zh) | 一种基于自适应惯性权重的粒子群优化方法及装置 | |
| Jasmin et al. | A Reinforcement Learning algorithm to Economic Dispatch considering transmission losses | |
| Jasmin et al. | Reinforcement learning solution for unit commitment problem through pursuit method | |
| CN117349998A (zh) | 基于风储联合系统扰动后的频率预测方法、系统及介质 | |
| CN116976514A (zh) | 一种分布式电源选址定容方法、装置及存储介质 | |
| CN116093995A (zh) | 一种配电系统多目标网络重构方法及系统 | |
| Zhou et al. | Deriving AC OPF Solutions via Proximal Policy Optimization for Secure and Economic Grid Operation | |
| Das et al. | A novel weighted adaptive Aquila Optimizer technique for solving the optimal reactive power dispatch problem | |
| Chen et al. | Determination of shortest distance to voltage instability with particle swarm optimization algorithm |
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 |