机组组合问题用遗传算法求解.ppt

A Genetic Algorithm Solution To The Unit Commitment Problem(用遗传算法求解机组组合问题) 概 要 用遗传算法求解机组组合问题 1.机组组合问题及求解方法简介 1.机组组合问题及求解方法简介 1.机组组合问题及求解方法简介 1.机组组合问题及求解方法简介 1.机组组合问题及求解方法简介 1.机组组合问题及求解方法简介 2.遗传算法简介 2.遗传算法简介 2.遗传算法简介 2.遗传算法简介 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 3.遗传算法求解机组组合问题 4.模拟结果 4.模拟结果 4.模拟结果 4.模拟结果 4.模拟结果 4.模拟结果 4.模拟结果 5.结 论 6.讨 论 6.讨 论 6.讨 论 6.讨 论 6.讨 论 谢谢！！ 3.3改进措施2 执行结果： 3.4改进措施3 改变罚因子： ——约束j的最终罚因子 ——世代数 ——总的世代数 3.4改进措施3 执行结果 在10、20、40、60、80、100台机组上进行模拟，时间为24小时。下图是10台机组的相关数据. 模拟20台机组的问题时，将前面的10台机组翻倍，用电的需求量也翻倍。备用电量取需求量的10%。其余情况依此类推。 下面对10台机组进行模拟运算，选取20个种群，每个种群包含50个个体，世代选为500。 将运算结果与动态规划法、拉格朗日松弛法进行对比。如下表： 遗传算法 动态 规划 拉格朗日 为什么选50个个体？一般说来，当个体数量增加时，收敛性变差；当每个种群选取75或100个个体时，经过运算测试，收敛性无明显改善。另一方面，每次“进化”时，CPU的计算时间也会随个体数目线性增加。（CPU时间是基于此芯片得出HP Apollo 720 workstation） 4.37h 2.79h 4.37h 2.79h 4.37h 2.79h 算法程序运行的时间与机组数量的关系如下图。 y=x2 遗传算法的好处是它可以对基于时间和耦合的限制进行建模。 遗传算法可以在多台计算机上并行操行，用机器的数量来缩短计算时间。 遗传算法的缺点是无法保证能找到最优解，且运算时间较长。 问题1：交叉产生的下一代个体中，存在违反约束的个体（爬坡限制、最小开机时间、最小关机时间等），是否可以在选择过程中用启发式算法滤去这些违反约束的个体？ 启发式算法的定义：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度不一定事先可以预计。启发式算法常能发现很不错的解，但也没办法证明它不会得到较坏的解；它通常可在合理时间解出答案，但也没办法知道它是否每次都可以这样的速度求解。 回答：在问题的约束很多时，采用启发式算法来降低问题的复杂度，将不可行的解转化为最近的可行解，这种方法有两种方案：a）将不可行的解转化为最近的可行解，用可行解替换掉原来的解；b）将不可行的解转化为最近的可行解，保持原来的解。 按方案a）进行“进化”过程的选择，会滤掉所有违反约束的个体。若可行解空间很大，这个方案是可行的，但在机组组合问题中，可行解空间常常被不可行解所包裹着，采用a）会削减种群的多样性，可能会丢掉全局最优解。 按方案b）进行“进化”过程的选择，新产生的可行解会对整个算法有严重的误导作用，导致偏离全局最优解。 * * 遗传算法是一种模拟生物进化中自然选择、基因重组、适者生存思想的算法。本文用遗传算法来解决机组组合问题，虽然多数情况下找不到最优解，但能得到的满意结果。并将遗传算法所得的结果与拉格朗日松弛法、动态规划所得的结果进行了对比。 机组组合问题及求解方法简介 遗传算法简介 遗传算法求解机组组合问题 3.1基本方法 3.2改进措施1 3.3改进措施2 3.4改进措施3 模拟结果 结论 讨论 机组组合问题 由于当前的科学技术还不能有效地存储电力，所以电力生产和消费在任何时刻都要相等，否则就会威胁电力系统安全运行。又由于发电机组的物理特性限制，（系统备