基于遗传退火算法的电力变压器优化设计.pdfVIP

电工数学进展 =丸丑丸垒地坐Q签遮星鲢堑￡丛趔墅磐§垡 15E堕 基于遗传退火算法的电力变压器优化设计 金明 吴新振 兰勇 (青岛大学电气及自动化工程学院。青岛266071) 摘 要 鼍传鼍火算法墨—种解决蛆台优化问曩的：膏技方法．它不仅可以改进传黼粕火算黼优化曩度 ，并可大大簟短问t的隶解时问．本文将遗传遗失算法用千电力壹压■优化设计拘一曲研究。详曩介锯 了算法宴理过爱中鲁种参数的垃撵方法并给出了具体算侧．试算结暴囊■I朝用诫算法删的优化螬暴墨 令人满童的． 关■诩：麓传量火算法电力变压矗优化设计 1前言 电力变压器的优化设计在数学上可归结为有约束、多变量、非线性的混合性规划阎愿，其目 标函数具有多极值点的特性．对该类优化问题，目前常用的多数算法往往过早收敛于局部量小点， 很难保证最终获得问题的全局最优解或全局近似最优解． 模拟遇火算法是1953年N．Metropolis等人在研究二维相变时提出的．该算法从理论上讲可 保证收敛到问题的全局最优解。但在实际应用中，由于受到时间的限制，往往只能给出一个近似 量优解，而这一近似最优解的精度是很难确定的．因此，为了使模拟退火算法求出的近似解更准 确、更可信，一般要重复执行模拟退火算法多次，从中选取最好的解作为最终的近似最优解． 从搜索理论的角度看，每执行一次模拟退火算法实际上就是对解空问的一次搜索，每次搜索 所得到的近似解都包含了一部分关于解空间的知识．在传统的算法中，各次模拟退火的过程之间 是毫无关联的，纯粹是一种算法的反复执行，这样已有的知识在后面的计算中并未得到充分jf{|用 ，使得整个的求解过程带有相当的盲目性，报难在模拟退火算法的执行次数和最终近似量优解的 精度之问作出权衡．同时也使问题的求解时间大大增长。 遗传退火算法是遗传算法和传统模拟退火算法相结台的产物。该算法继承了遗传算法的优点， 其对解空间的每一次搜索都充分利用了先前搜索过程中获得的知识：同时传统模拟退火算法在执 行时自始至终仅保留一个当前解，而遗传退火算法在执行时自始至终保留-(掰1)个当前解．这 不仅使近似解的优化程度有所提高，算法的并行化进行也大大加快了计算速度。本文将遗传退火 算法用于电力变压器优化设计问题的研究，取得r令人满意的结果。 178． ’ 2遗传退火算法 2．1遗传退火算法 遗传退火算法的实现过程可简述如下： ①任选-个初始状态畔，霹，…，醴做为初始解群，并设初始温度写。 令f：=0，七，：=t，p：=p一· 其中|i}，为变异概率修改次数，p为当前变异概率e -个当前解￡“(，=l，…，功。 ③按一定方式将r降温，即令： r：=乐l，瓦l互，f：=“-l ， 目前常用的降温方式为；z+。=四，o五l，一般A∈(o．5，o．99)． ④检查退火过程是否结束，否则回到②，退火过程结束的标志一般为r小于某一阈值． ⑤判断整个遗传退火算法的结束条件是否满足，若满足，返回最优解，否则进行⑥． @从遇火过程所获得的-个解中，通过任意组台产生-对解． ⑦对每一对解调用交叉与变异算法，以获得厶个子代解。 ⑧从盘个子代解中选取-个最优解。 ⑨‘=一砟+1p；儿。(剖，返回②· 其中g为变异概率减小指数。 2．2■．tr印olI。抽样算法(-法) 以r和跹调用Metropolis抽样算法过程如下： ①令七=o时的当前解s(0)=g，而在温度r下进行以下各步． ②按某一特定方式，根据当前解s(摩)所处的状态，在其邻域中随机产生一个新的状态 S以作为下一个当前解的候选解，并计算： △c’=中’)一c(m)) @若△c’。．则接收s。作为下一个当前解：