论文部分内容阅读
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 Particle Swarm 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。