多群协同多目标粒子群优化算法及其应用研究

摘要

本文对采用多群协同机制的多目标粒子群优化算法及其在电力系统环境经济负荷分配中的应用进行了研究。
　　实际工业生产中普遍存在需要同时优化相互冲突的多个目标的多目标优化问题。粒子群优化（Particle Swarm Optimization，即PSO）算法因其实现简单、收敛速度快，被广泛应用于求解多目标优化问题。本文针对将PSO算法应用于多目标优化中需要解决的向导的选择、非支配解的保存以及种群多样性保持的三个关键问题，提出一种多群协同多目标粒子群优化算法（Multi-population Co-evolutionary Multi-objective ParticleSwarm Optimization，即MPCMOPSO）。算法对整个种群按照目标个数进行均等划分，并用外部存档来存储非支配解和实现种群间的信息共享。算法对速度更新公式进行相应调整，并根据解密度选择向导粒子。为了在保证算法收敛速度的同时保持种群的多样性，对外部存档中的粒子进行基于改进Tent映射的局部搜索。算法采用改进的自适应网格法维护外部存档，保持了非支配解在目标空间中的分布范围。利用ZDT系列基准测试函数对MPCMOPSO和几种多目标优化算法的收敛性和解的分布性进行了仿真比较。仿真实验表明，MPCMOPSO在解决ZDT系列不同性质的多目标优化问题中有优异的表现
　　将MPCMOPSO算法应用到对电力系统环境经济负荷分配问题的求解中。问题的目标函数中考虑机组的阀点效应和电力系统的网络损耗。通过修正算法处理等式约束，实现对IEEE30节点6机组系统的环境经济负荷分配。仿真实验表明，MPCMOPSO在电力系统环境经济负荷分配问题中获得了比其它多目标优化算法更好的负荷分配方案。

目录

声明

摘要

第1章 绪论

1．1 选题背景及意义

1．2 课题的研究现状

1．2．1 多目标优化算法的研究现状

1．2．2 电力系统环境经济负荷分配的研究现状

1．3 本文的主要工作

第2章 多目标粒子群优化算法的基本理论

2．1 多目标优化问题的数学描述

2．2 PSO算法

2．2．1 PSO算法的流程

2．2．2 PSO算法的拓扑结构

2．3 多目标粒子群优化算法

2．3．1 非支配解的保存和外部存档机制

2．3．2 向导粒子的选择机制

2．3．3 种群多样性的保持机制

2．3．4 多目标粒子群算法流程

2．4 本章小结

第3章 多群协同多目标粒子群优化算法研究

3．1 多群协同多目标粒子群优化算法的种群划分和学习策略

3．1．1 MPCMOPSO算法的种群划分策略

3．1．2 MPCMOPSO算法的种群学习策略

3．2 MPCMOPSO算法的外部存档机制

3．2．1 外部存档的混沌局部搜索机制

3．2．2 自适应网格保持外部存档中粒子的多样性

3．2．3 外部存档更新流程

3．3 MOCMOPSO算法的向导选择机制

3．4 MPCMOPSO算法流程

3．5 仿真研究

3．5．1 基准测试函数

3．5．2 性能评价指标

3．5．3 仿真实验

3．6 本章小结

第4章 基于MPCMOPSO的电力系统环境经济负荷分配优化

4．1 电力系统环境经济负荷分配问题的目标函数

4．1．1 发电成本的目标函数

4．1．2 污染气体排放的目标函数

4．1．3 约束条件

4．2 基于MPCMOPSO的电力系统环境经济负荷分配优化

4．2．1 电力系统IEEE30节点系统简介

4．2．2 MPCMOPSO算法对约束条件的处理

4．2．3 电力系统环境经济负荷分配问题折衷解的选取

4．2．4 仿真实验

4．3 本章小结

第5章 总结与展望

5．1 本文总结

5．2 未来工作展望

参考文献

致谢