电力系统经济调度和无功优化中的多目标算法研究.pdf

《电力系统经济调度和无功优化中的多目标算法研究.pdf》由会员分享，可在线阅读，更多相关《电力系统经济调度和无功优化中的多目标算法研究.pdf（65页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、湖南大学硕士学位论文电力系统经济调度和无功优化中的多目标算法研究姓名：孙东杰申请学位级别：硕士专业：电气工程指导教师：毛弋20100401电力系统经济调度和无功优化中的多目标算法研究摘要多目标优化算法是一种用于解决现实工程问题的优化方法。现实世界中的大部分问题都涉及多个目标，这些目标不是独立存在的，而是相互联系相互耦合在一起。电力系统中的很多问题都具有多个设计目标，将多目标算法应用于电力系统优化中，可以得到多个解决方案和策略以供操作人员根据当时的实际情况做出选择。本文在对电力系统经济调度运行、无功优化的目的和意义以及对多目标优化算法在电力系统的应用现状做了简要介绍之，围绕电力系统经济调度和无功

2、优化问题中的多目标算法展开研究，全文的结构如下：首先详细阐述了并行粒子群算法在多目标无功优化算法中的应用。在此基础上，本文将多目标综合学习策略引入粒子群算法中，并将其应用于电力系统经济调度问题中，采用该学习策略时，粒子不仅能学习自己以往的最优解(p b e s t)，而且还能学习其他粒子的p b e s t，保证了粒子群的多样性，减少了过早收敛的可能性，从而提高了全局搜索能力。其次论述了内点法在多目标经济调度问题中的应用，本文对内点法进行改进，将模糊满意度最大化策略与内点法结合，并将其应用于电力系统经济调度问题中，该算法的实现过程是：先单独对目标函数成本和排放量优化，将所得解作为这对矛盾的目标

3、函数的上下界。双目标的模糊函数值参考这组上下界，并通过模糊满意度最大化算法生成一组非支配解。最后在分析了模拟退火算法在多目标经济调度问题中的应用之后提出了双层模拟退火算法，并将其应用到多目标无功优化问题中，该算法分为决策层和分析层。决策层提出理想点并对分析层得到的优化结果进行判断。分析层采用交替更新A 和模拟退火方法得到新的可行点。这些过程交替进行，直到找出满足条件的最优解。本文针对电力系统经济调度和无功优化问题，详细论述了三种常用的多目标优化方法，在此基础上做出改进，提出了三种新颖的多目标优化算法，并将本文提出的算法在I E E E 3 0 节点系统上进行了仿真计算，并与相关文献的算法结果进

4、行比较。结果表明：本文提出的三种算法具有较好的全局搜索能力和较高的效率。关键词：电力系统；多目标优化；经济调度；无功优化I I硕+学位论文A b s t r a c tT h em u l t i o b je c t i v eo p t i m i z a t i o ni sam e t h o dt os o l v ep r a c t i c a le n g i n e e r i n gp r o b l e m M o s ti s s u e si nt h ep r e s e n tw o r l dr e l a t et om u l t i p l eo b je

5、 c t i v e s，a n dt h e s eo b j e c t i v e sa r en o ti n d e p e n d e n t，t h e ya r er e l a t e dt oe a c ho t h e r M a n yp r o b l e m si np o w e rs y s t e mr e f e rt om u l t i p l eo b je c t i v e s，t h ea p p l i c a t i o no fm u l t i-o b je c t i v eo p t i m i z a t i o ni np o w

6、 e rs y s t e mc a nr e s u l ti nm u l t i p l es o l u t i o n sa n ds c h e m e sf r o mw h i c ht h eo p e r a t i o ns t a f fc o u l dc h o o s ea c c o r d i n gt ot h ea c t u a ls i t u a t i o n A f t e ri n t r o d u c i n gt h em e a n i n go fe c o n o m i cd i s p a t c ho fp o w e rs

7、y s t e ma n dr e a c t i v ep o w e ro p t i m i z a t i o n，s e v e r a lm u l t i-o b j e c t i v eo p t i m i z a t i o nm e t h o d sw h i c ha r eu s e di ne c o n o m i cp o w e rd i s p a t c ha n dr e a c t i v ep o w e ro p t i m i z a t i o na r es t u d i e di nt h i sp a p e r，t h es t

8、r u c t u r eo ft h i sp a p e ri sa sf o l l o w s：F i r s t l y，a f t e rt h ea p p l i c a t i o no fP a r a l l e l e dP a r t i c l eS w a r mO p t i m i z a t i o n(P P S O)i nr e a c t i v ep o w e ro p t i m i z a t i o ni se l a b o r a t e d，t h eM u l t i o b je c t i v eC o m p r e h e n

9、 s i v eL e a r n i n gP a r t i c l eS w a r mO p t i m i z a t i o nm e t h o di sp u tf o r w a r db yc o m b i n i n gt h eM u l t i o b je c t i v eC o m p r e h e n s i v eL e a r n i n gs c h e m ew i t ht h eP S Oa l g o r i t h m A f t e rt h a t，t h i sp r o p o s e dm e t h o di sa p p l

10、i e di n t ot h ee c o n o m i cd i s p a t c ho fp o w e rs y s t e m I nt h i sm e t h o dt h ep a r t i c l ec a nn o to n l yl e a r nf r o mi t so w np r e v i o u sb e s ts o l u t i o n(p b e s t)，b u ta l s ol e a r nf r o ma l lo t h e rp a r t i c l e Sp r e v i o u sb e s ts o l u t i o n

11、 s，t h e r e f o r e，t h ed i v e r s i t yo ft h ep a r t i c l es w a r mc a nb eg u a r a n t e e d，t h ep o s s i b i l i t yo fg e t t i n gp r e m a t u r ec a nb er e d u c e d，a n dg l o b a ls e a r c h i n ga b i l i t yw i l lb ep r o m o t e d S e c o n d l y，a f t e re x p a t i a t i n

12、 go nt h ea p p l i c a t i o no fI n t e r i o rP o i n tM e t h o d(I P M)i ne c o n o m i cd i s p a t c ho fp o w e rs y s t e m，t h eI P Mi sm o d i f i e db ya d d i n gt h eS a t i s f a c t i o n M a x i m i z i n gD e c i s i o nA p p r o a c hi n t oi t，a n dt h em o d i f i e dm e t h o d

13、i sa p p l i e di n t ot h ee c o n o m i cd i s p a t c ho fp o w e rs y s t e m I nt h i sa l g o r i t h m，t h eo b j e c t i v ef u n c t i o n so ff u e lc o s ta n de m i s s i o na r eo p t i m i z e dr e s p e c t i v e l y，a f t e rt h a t，t h es o l u t i o n so ft h o s ef u n c t i o n s

14、a r er e g a r d e da st h eu p p e ra n dl o w e rb o u n do ft h e s ec o n t r a d i c t o r yo b j e c t i v ef u n c t i o n s B i o b j e c t i v ef u z z yf u n c t i o nc a nr e f e rt ot h e s eu p p e ra n dl o w e rb o u n dt oc r e a t eas e to fn o n-d o m i n a t e ds o l u t i o n sb

15、yu s i n gt h ef u z z y-s a t i s f a c t i o nm a x i m i z i n gs c h e m e T h i r d l y，a f t e ra n a l y z i n gt h ea p p l i c a t i o no fS i m u l a t e dA n n e a l i n g(S A)i nm u l t i o b je c t i v ee c o n o m i cd i s p a t c h，t h ed u a l-l a y e rS Ai sp r o p o s e di nt h i s

16、p a p e r T h i sm o d i f i e da l g o r i t h mc a nb ed i v i d e di n t oa n a l o g yl a y e ra n dd e c i s i o nl a y e r D e c i s i o nI I I电力系统经济调度和无功优化中的多目标算法研究l a y e rp r o p o s e st h ei d e a lp o i n ta n dj u d g et h es o l u t i o n so b t a i n e db ya n a l o g yl a y e r I nt

17、h ea n a l o g yl a y e r，n e wf e a s i b l ep o i n t sc a nb eg a i n e db ya l t e r n a t e l yr e f r e s h i n g La n ds i m u l a t e da n n e a l i n gm e t h o d T h e s ep r o c e s s e sc a r r yo u ta l t e r n a t e l yt i l lt h eo p t i m a ls o l u t i o nt h a tm e e t st h ec o n

18、d i t i o ni Sf o u n d F o c u s i n go nt h ee c o n o m i cd i s p a t c ho fp o w e rs y s t e ma n dr e a c t i v ep o w e ro p t i m i z a t i o n，t h r e ek i n d so fc o m m o n l yu s e dm u l t i o b je c t i v eo p t i m i z a t i o nm e t h o d sa r ee l a b o r a t e di nt h i sp a p e

19、r，a n dt h r e en o v e lo p t i m i z a t i o nm e t h o d sa r ep r o p o s e db yt h em o d i f i c a t i o no ft r a d i t i o n a lo n e s T h em e t h o d sp r o p o s e di nt h i sp a p e rh a v eb e e nt e s t e di nt h eI E E E 30s y s t e m C o m p a r i n gt h em e t h o d sp r e s e n t

20、e di nt h i sp a p e rw i t ht h eo t h e r s，t h et e s tr e s u l ts h o w e dt h a tt h ef o r m e ro n e sa r eo fb e t t e rg l o b a ls e a r c h i n ga b i l i t ya n dg r e a t e re f f i c i e n c y K e yW o r d s：P o w e rs y s t e m；M u l t i-o b j e c t i v eo p t i m i z a t i o n；E c o

21、 n o m i cd i s p a t c h；R e a c t i v ep o w e ro p t i m i z a t i o nI V硕I：学位论文插图索引图2 1 并行P S O 算法的种群一1 2图2 2P P S O 算法的流程图1 3图2 3M O C L P S O 学习策略方框图1 5图2 4M O C L P S O 算法流程图1 6图2 5 采用M O C L P S O 算法取得的非支配解集1 8图2 6 采用F S M D A 取得的非支配解集1 9图3 1 内点法的流程图3 0图3 2 满意度最大化策略1。3 2图3 3 满意度最大化策略2 3 3图3

22、4 满意度最大化策略3 3 3图3 5 满意度最大化策略4 3 3图3 6 满意度最大化策略5 3 3图3 7F S M D A 算法的流程图3 5图3 8F S M D A 算法仿真结果3 7图3 9 函数五椰(，咋)的图像3 7图4 1S A 算法的流程图4 2图4 2 双层模拟遗传算法的运作过程4 6图4 3 模拟退火算法仿真结果4 7I电力系统经济调度和无功优化中的多目标算泫研究附表索引表2 1I E E E 3 0 节点系统控制变量的取值1 7表2 2P P S O 和G A 算法的优化结果1 7表2 3I E E E 3 0 系统的优化结果1 8表3 1 内点法的仿真结果3 6表3

23、 2F S M D A 算法求出的一组非支配解3 6表3 3 选取t o e；0 8 后的优化结果3 7表4 1I E E E 3 0 节点的约束条件4 6表4 2 双层模拟算法的计算结果4 7V l 硕十学位论文第1 章绪论1 1 电力系统经济调度的目的和意义电力系统的安全经济运行对国民经济发展具有重大意义，因此从2 0 世纪3 0 年代开始，世界各国对最优潮流问题、系统的安全经济调度、发电厂的经济负荷分配等问题都做了深入的研究，并逐步将各类优化调度方法应用到实际问题中。电力系统的可靠运行需要对发电和输电系统进行长期的规划和对电力资源合理运用，而电力系统经济调度正是针对短期的运行决策和如何在

24、成本最小的情况下利用现有的资源可靠的满足用户的需求。电力系统经济调度问题中，不需要新增投资，或者对现有系统进行改变，而主要针对的是在现有条件下，怎样最好的运用可用资源。如何最好的运用可用资源不是单纯的对发电成本的最小化。为了获得最小发电成本，电力系统经济调度必须考虑以下问题：负载的不断变化和发电机组的输出不能及时跟随负荷改变而改变；为了保持电力系统的可靠性必须保证一定的备用容量；发电机组的输出通常有最大值和最小值的限制。有效的经济调度可以给电力用户带来很多益处。通过在满足电力需求的条件下系统地找出成本最低的运行状态可以降低电价；为了使成本最小，电力系统经济调度通常会采用对效率高的机组多加运行的

25、方法，这样不仅提高了燃料的利用率而且减少了空气污染；如果对不同区域的电网进行统一的经济调度，由于合并各个电网的事故备用，故可以让某个区域的发电机组在可靠地满足用户需要的同时能减少发电量，这样自然降低了发电成本；电力系统经济调度需要操作人员对系统的运行状态密切监视以保证电网的安全稳定运行；电力系统经济调度可以刺激对发电和输电系统的投入和升级以保证电网的稳定性和降低发电成本。综上所述，电力系统经济调度不仅能有效地降低电价，而且对保障电网的稳定安全运行发挥着重要的作用。1 2 电力系统无功优化的目的和意义随着我国国民经济和人民生活水平的提高，广大电力用户对供电可靠性，电能质量提出了更高的要求，从而电

26、力系统的经济稳定运行越来越受到重视。如何提高供电可靠性，供电质量，降低网损已成为电力行业面临的实际问题，同时如何合理地调整电压，提高供电可靠性和电能质量也是我们面前的一项重要任务。电力系统经济调度和无功优化中的多目标算法研究电压稳定是电能质量的一项重要指标，电力系统的稳定安全运行，用户生产产品的质量以及用电设备的安全与运行状况都与电压稳定息息相关。而电压稳定又与无功功率密切相关。无功功率不足时就会引起负荷端的电压下降，这对用户的影响很大，异步电机的电磁转矩与端电压的平方成正比，当电压下降时，电动机的电磁转矩降低，转速下降。当电压大幅度下降时，电动机有可能出现停转，这将导致产品报废，设备损坏等后

27、果。此外，系统无功严重不足时就会引起系统电压崩溃，如美国1 9 7 7 年的纽约大停电就是因为无功不足造成的。相反，如果无功过剩会造成电压升高，同样会危害用电设备及电网的安全运行。电力系统无功优化的实现方法为：在电力系统有功负荷、有功电源和有功潮流分布确定的前提下，以无功补偿电源的容量、变压器分接头的位置和发电机端电压的幅值为控制变量，以发电机无功出力和负荷节点电压为状态变量，采用各种优化技术，得到合理的无功补偿位置和无功补偿容量以使电力系统安全稳定运行。通过电力系统无功优化，可以实现两个目的：第一，通过改变各个节点之间的电压差可以有效的降低有功损耗。第二，通过改变电网的无功分布可以改变整个电

28、力系统的潮流分布，从而实现电压运行在安全范围之内。综上所述，对无功优化的研究工作，无论在理论上还是实际运用都具有十分重要的意义。1 3 多目标优化算法在电力系统经济调度中的应用现状电力系统经济调度的基本目标是：在满足负载的前提下，在满足所有等式、不等式的前提下合理的、科学的安排发电机组的输出，以达到最小化发电成本的目的。传统的电力系统经济调度的目标仅仅考虑到最小化操作费用，然而随着公众环保意识的提升，发电过程中所产生的大气污染物，例如C 0 2、S 0 2，D，等越来越受人们关注。文献【1 5】讨论了一些如何减少污染物的措施，其中包括：装设空气净化设备以减少污染物，采用清洁能源代替原有的化石燃

29、料和采取电力系统经济调度。由于前两种方法需要装设新的设备或者对原有设备进行改进，这些都将耗费较多成本。因此这两种方法可以作为长期方案来考虑。而采取电力系统经济调度不需要增加新的投入，因此作为一种短期方案，它具有良好的实用性和应用前景。文献 6 9】中提出了一些电力系统经济调度的方法，这些方法包括：拉格朗日乘子法，非线性规划法等。文献 1 0】提出了一种基于模拟退火的排放物最小化规划方法。模拟退化算法(S i m u l a t e dA n n e a l i n g，S A)是一种解决非线性约束问题的优化方法，能以概率“1 逐渐收敛到全局最优解。该算法模拟金属物质在融化退火的过程来进行全局最

30、优化，它借助随机搜索技术，从而在概率上更能达到全局最优解，因此具有良好的收敛性。文献 1 l】将基于S A 的算法扩展到求解燃料成本和排放物的权衡曲线问题中。这种基于S A 的算法具有以下优势：它可以同时硕上学位论文处理多重燃料成本和污染物排放量函数。具有良好的收敛性，因此可以得到较好的权衡曲线。随着电力行业的改革和电力市场的逐步发展，电力行业正在经历一场巨大的变化。敷设新的电力传输线路的造价越来越高，同时也变得越来越困难。人们对电力系统的稳定性，安全性也提出了越来越多的要求。因此，求出满足系统各节点约束的操作点变得尤为重要。这些约束包括：发电机的功率上下限，各个节点的电压变化范围和传输线路的

31、容量限制等。最优潮流(O p t i m a lP o w e rF l o w,O P F)正是用来求解该操作点的方法。在潮流计算中，在A，P，D 给定的情况下，每给出一组U 的值，相应就有一个对应的潮流分布。“值不同，潮流分布也就不一样。而潮流分布不同时，系统的运行效率也不同。换句话说，可以寻求这样一组发电机输出功率，在满足系统负荷需求以及系统运行约束条件的前提下，使得系统运行的经济效益最高。O P F 在满足一系列等式约束和不等式约束的前提下最小化操作费用，线路传输损耗以及其它目标函数。同时，O P F 用来解决电力系统的安全性和经济运行问题。在传统的电力系统潮流优化问题中，通常假设负荷

32、为不考虑发电侧电压变化的常量。在装设有载调压变压器的节点，这样的假设是可以的。但在装设固定变比的变压器节点，这样的假设可能是无效的，因为这种假设会产生理论计算值与实际值之间较大的误差。负荷的电压偏差通常用电力系统模型来表示。对于电力系统最优潮流问题，静态负荷模型是电力需求函数，这里没有考虑动态问题。通常的静态负荷模型有：恒功率模型，恒电流模型以及恒阻抗模型。文献 1 2 1 4】将负荷模型用到最优潮流计算问题中。文献【1 2 将负荷模型运用到O P F 问题中，并通过减少总需求量来降低成本。文献【1 3 研究了另一种考虑到安全约束的解决O P F 问题的方法。文献 1 4】对目标函数进行了修改

33、，将总的需求从燃料函数中扣除，从而达到避免减少总需求的目的。这些方法只考虑到燃料成本这个目标函数，因此属于单目标函数优化，但本文提出的算法在考虑燃料成本的同时也考虑了污染物排放量。由于成本和排放量是一对相互冲突，具有不同量纲的目标函数，因此传统的用于优化单一目标函数的方法在这里不再适用。对于多目标问题，一般采用寻找非支配解的方法，常用的寻找非支配的方法有：目标函数加权法，遗传算法，进化算法，模糊多目标最优算法等。加权法对两个目标函数分别乘以不同的权重再相加，并对相加的结果进行优化。文献【15 l7】采用了加权法将多个目标函数加权成单目标函数。然而，在缺乏充足的运行状况信息的前提下，让操作人员准

34、确地确定权重系数是不现实的。而且，即使得到了一组非支配解，操作人员也没有足够的决策机制来决定哪个解作为最终的最优解。针对该问题，文献1 18】采用随机产生权重因子的办法，使遗传算法在搜索过程中沿多个方向逼近P a r e t o 前沿面。通过这一改进使得加权法更适合于多目标优化问题。由于加权法通过改变权重值电力系统经济调度和无功优化中的多目标算法研究得到不同的非支配解，要得到个非支配解就要进行次运算，所以效率较低。同时，该算法不能用于搜寻非凸的非支配解集。最近的研究趋势是：同时优化这对互相矛盾的目标函数。文献 19】针对电力系统经济调度问题，提出了一种模糊多目标优化技术。文献 2 0 提出了一

35、种基于遗传算法的多目标优化技术，该算法能在一次运行中产生多个最优解。文献 2 1】将强度P a r a t o 进化算法用于求解电力系统经济调度问题。1 4 多目标优化算法在电力系统无功优化中的应用现状电力系统无功优化是指在满足系统各种运行方式的约束前提下，确定最优无功补偿地点和无功补偿设备容量，从而保证以尽量少的无功补偿设备投资，最大限度地提高系统电压稳定性，改善电能质量和降低网损1 2 2 。无功优化在电力系统中占有重要位置，合理的无功优化可以保证无功功率的平衡，使电力系统安全、稳定的运行。本质上，电力系统无功优化时一个多变量、多约束的混合非线性规划问题1 2 引。目前已经有多种方法运用于

36、该领域，常用的方法有：线性规划、非线性规划、二次规划和混合规划等【2 4,2 5】。这些方法属于传统优化方法，一般针对可微的目标函数，而且优化结果往往容易陷入局部最优解。近年来，随着全局优化方法和大范围搜索方法的推广，一些人工智能算法开始运用于电力系统无功优化问题，如将遗传算法用于电力系统无功优化问题中，建立了基于遗传算法的无功优化模型。此后，又提出了一系列改进的遗传算法，如模拟退火遗传算法【2“3 l】、禁忌搜索遗传算法【3 2 3 4 1、粒子群算法【3”、自适应免疫算法 3 6,3 7】。禁忌搜索算法是一种启发式算法，能有效避免陷入局部最优解。文献 3 8，3 9 将免疫算法运用于电力系

37、统潮流优化和无功优化问题。免疫算法是一种新型多目标全局优化搜索算法。该算法模拟生物免疫系统，利用免疫系统抗体的多样性和自我调节功能，来保持优化问题中解群体的多样性，从而有效避免陷入局部最优解和早熟问题。又由于该算法中记忆细胞的特点，使得该算法能高效运行，迅速得到全局最优解。传统的无功优化问题通常被当作单目标函数优化问题来处理【4 弘4 引。但本文将电力系统无功优化问题作为多目标函数优化问题来处理。该多目标函数包括：装设无功补偿设备的投资，线损，和电压偏移。与传统的单目标函数优化结果不同，多目标函数优化得到的是一组非支配解，也就是P a r e t o 解。1 5 论文的主要工作本文在总结前人研

38、究的基础上，分析了单目标电力系统经济调度及无功优化的特点，随后提出了一系列多目标优化算法，总结了各自算法的特点，并将其运硕士学位论文用于电力系统经济调度和无功优化问题的求解计算。总的来说，主要做了一下几个方面的工作：(1)将燃料成本和污染物排放量作为电力系统经济调度问题的目标函数，构建了多目标经济调度问题的数学模型；将投资费用、线损和电压偏移量等作为无功优化问题的目标函数，构建了多目标无功优化问题的数学模型。(2)简要介绍了粒子群算法，内点法和模拟退火算法的产生、发展、基本思想和算法实现，并分析了它们在电力系统经济调度与无功优化问题中的应用。(3)在基本粒子群、内点法和模拟退火算法的基础上进行

39、改进，提出了三种新颖的多目标优化算法，并将其运用于电力系统经济调度和无功优化问题。(4)本文采用M A T L A B 编写了优化程序，将多目标算法应用于电力系统经济调度和无功优化中，并采用I E E E 3 0 节点系统作为仿真系统进行仿真计算。并将计算结果与相关文献的结果进行了比较，分析结果表明本文中提出的多目标算法具有更优的计算结果、更快的搜索速度和全局寻优能力。电力系统经济调度和无功优化中的多目标算法研究第2 章粒子群算法在经济调度和无功优化中的应用2 1 粒子群算法概述2 1 1 粒子群算法的产生与发展自然界一直就是人类各种技术思想、工程原理及重大发明的源泉。种类繁多的生物界经过长期

40、的进化过程，使它们能适应环境的变化，得到生存和发展。生命在长期进化过程中，积累了很多奇特的功能，人们不仅停留在观察和认识生物界上，而且还运用人类所独有的思维和设计能力模仿生物，通过创造性的劳动增加自己的本领。人类很早就从自然界中得到启发而改进自己的工具，做出了很多发明创造。也许这些早期的发明，只是偶然的模仿，但是后来人们逐渐有意识地进行这方面的研究，逐步形成了一门独立的科学一仿生学。近年来，这种仿生学的思想同样也被应用到了优化算法设计中，如人们模拟生物进化产生了遗传算法；在模拟蚂蚁群体社会的基础上，产生了蚁群算法；在研究鸟群捕食行为的基础上，形成了粒子群(P a r t i c l eS w

41、a r mO p t i m i z a t i o n，P S O)算法等。长期以来，以群居方式生活的昆虫，如蜜蜂、蚂蚁、鸟类，鱼群等，引起了自然学家的兴趣。研究昆虫的科学家发现：群体中的协作行为是高度自组织的，它们的协作是通过个体之间的交互行为来直接实现的，或者通过个体与环境的交互行为间接实现。虽然这些交互行为看似十分简单，但是把它们聚合在一起却能解决一些现实生活中的难题。科学工作者通过模拟生物群体的协作行为而设计出了一系列用于求解实际问题的算法，这些就是群智能算法。群智能算法最早由B e n i 等在分子自动机系统中提出【4 4 1。1 9 9 4 年EB o n a b e a u 和

42、M i l l o n a s 提出了群智能算法的五条基本原则【4 5 1。它们分别为：(1)邻近原则：群体能够进行简单的空间和时间计算；(2)品质原则：群体能够响应环境中的品质因子；(3)多样性反应原则：群体的行动范围不能太窄；(4)稳定性原则：在所需代价不高的情况下，群体能够在适当的时候改变自身的行为。目前国内外群智能算法的研究领域主要集中在：群体智能计算、全体行为的模拟和分布式计算问题。其中智能群体计算是其中研究最多的一个分支。群体智能计算是以生物社会系统为依托，在群体智能领域中逐步产生的一种新兴的计算智能模式【46。群智能优化算法与大多数基于梯度的算法不同，群智能算法依靠的是概率搜索算

43、法。虽然概率搜索算法通常需要采用较多的评价函数，但与基于梯度的算法相比，其优点还是显著的：(1)没有集中控制与数据，系统具有较高的鲁棒性，并硕士学位论文不会由于某一个或者几个个体的故障影响整个问题的求解；(2)对问题的定义的连续性无特殊要求；(3)群体中的相互合作的个体是分布式的、随即的，能够更灵活地适应当前网络环境的工作状态：(4)以非直接的信息交流方式保证了系统的扩展性，由于系统中个体的增加而增加的通信开销也较少；(5)系统中每个个体能力非常简单，单个个体的执行时间很短，并且算法实现简单；(6)群智能方法易于实现，算法中仅涉及各种基本数学操作，其数据处理过程对C P U 和内存的要求也不高

44、。而且这种方法只需要目标函数的输出值，并不需要其梯度信息。现有的应用方法研究和群智能理论证明群智能方法是一种能够有效地解决大多数全局优化问题的方法。更重要的是，群智能潜在的并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证。目前几种应用较多的群智能算法包括：蚁群算法、粒子群优化算法、人工鱼群算法和混合蛙跳算法等。2 1 2 粒子群算法的基本思想在自然界中，鸟群的运动主体是离散的，每个个体的排列看起来都是随机的，但是整体的运动过程中却保持着惊人的同步性，从外表看来，它们的群体运动是如此的整齐。这些呈分布状态的群体所表现出的似乎是有意识的集中控制，这一特性一直是学者们感兴趣的问题。

45、1 9 8 6 年，C r a i gR e y n o l d s 提出了B o i d 模型，用来模拟鸟类集群飞行的行为。其仿真的目的主要是研究如何对各种可能的运动进行描述和控制。通过对现实世界中鸟类群体运动的观察，并在计算机中复制和重建这些运动轨迹，并对这些运动进行抽象建模，以发现新的运动模式。在自然界中，这些呈现群体特征的行为，在特定的条件下可以用简单的几条规则将其在计算机中来模拟，即在计算机上用简单的规则建立个体的运动模型。这些规则包括：(1)向目的地运动；(2)向群体的中心运动：(3)向背离最近同伴的方向运动。群体中的每个个体都遵循这三条规则运动，通过这个模型来模拟群体的运动。在粒

46、子群的发展过程中，复杂适应系统的理论为其奠定了一定的理论基础，复杂适应系统的理论于1 9 9 4 年被正式提出，其中的主体具有以下四个特点：(1)主体与环境是相互影响、相互作用的。这种相互影响是系统发展的动力；(2)种群中的主体是活动的；(3)整个系统受到一定的随机因素影响；(4)环境对系统的影响是宏观的，主体之间的相互影响是微观的，这种宏观与微观的影响要相互结合。生物学家H e p p n e r 在B o i d 模型的基础上新增了一个仿真条件，即这个群体中的鸟会受到栖息地的吸引。在他的模型中，鸟群在刚起飞的时候并无目的地，在空中自然地形成群体，直到群体中的一只鸟飞向栖息地，此时它周围的鸟

47、也会被吸引而飞向栖息地，最终整个群体被引向这个栖息地。电力系统经济调度和无功优化中的多目标算法研究在上述复杂适应系统的理论和H e p p n e r 的鸟群模型的影响下，J a m e sK e n n e d y和R u s s e l lE b e r h a r t 与l9 9 5 年提出了粒子群算法，粒子群算法的概念由于受到复杂适应度系统的影响，其中的每一粒子的运动也可以用这几条简单规则来描述。因此粒子群算法具有概念简单，易于实现的特点。鸟类寻找栖息地与某些问题的求解非常相似，种群中已经找到栖息地的鸟会引导它周围的其它鸟飞向栖息地，这大大提高了整个鸟群找到栖息的可能性。在粒子群算法中

48、，所求问题解空间中的可能位置被类比为鸟群运动模型中的栖息地，通过个体之间的信息交流，引导整个种群向解空间的可能位置移动。群体中的鸟被抽象成没有体积和质量的粒子，代表搜索域中的一个潜在解。可以把栖息地所在的位置理解为全局最优解。种群中的每个粒子都有适应度和速度两个属性用以调整粒子的飞行方向，并根据种群的经验向全局最优解逼近。但由于所有粒子都向最优解的方向“飞行”，越接近最优粒子，其速度越小，所以粒子群趋向同一，失去粒子群的解的多样性，因此易于收敛到局部最优解【4 7】。针对此问题，人们对基本粒子群算法做了一些改进，以增强其全局搜索能力，总的来说，可以概括为以下四类：1 算法本身的改进对基本粒子群

49、算法的改进首先表现在对其速度与位置更新公式的改进，如引入惯性因子，使算法的收敛性得到提高；R a t n a w e e r a 和H a l g a m u g e 弓I 入时变因子与时变惯性因子，有效增强了算法的局部搜索能力【4 8】；M o n s o n 和S e p p i S U 用K a l m a n滤波更新粒子位置，改进了粒子群的位置更新公式，有效减少算法迭代次数，同时不影响P S O 的快速收敛性【4 9 1。V a nd e nB e r g h 和E n g e l b r e c h t 提出协同P S O，通过使用多个种群分别优化决策矢量的不同片断来提高函数的优化的

50、效率【5 们。2 算法参数的改进S h i 在基本粒子群算法的速度跟新公式中加入了惯性系数w，以改善全局搜索与局部搜索之间的平衡控制【5 1 1。E b e r h a r t 在粒子群的迭代过程中加入了迭代次数线性下降的惯性因子，在此之后，一种惯性因子随着迭代次数非线性下降的模糊系统被开发出来。3 粒子群拓扑结构的改进粒子群算法可以根据“认知 和“社会”功能分为两种不同社会行为的粒子群算法全局寻优粒子群版本和局部寻优粒子群版本。在这两个版本中分别定义全局最优粒子和局部最优粒子。局部最优粒子群算法中，每个粒子根据自身迄今最好位置以及相邻粒子迄今最好位置调整粒子的搜索速度。而全局最优粒子群算法可