基于进化蚁群算法的梯级水电厂日优化运行研讨.pdfVIP

基于进化蚁群算法的梯级水电厂日优化运行研究 李崇浩1，缪益平1，纪昌明2，王丽萍2 (1武汉大学水资源与水电工程科学国家重点实验室，武汉，430072) (2华北电力大学(北京)能源与动力工程系，北京，102206) E-mail：lichha02004@163．corn 摘要：本文对蚁群算法及其原理进行了介绍。针对算法的搜索时间过长问题，本文提出一种进化蚁群算 法，通过利用遗传算法的种群进化操作，生成信息素的初始分布，在此基础上再应用常规蚁群算法进行优化 求簇，从而达到改善算法的寻优效率的目的。文中结合实例计算探讨了该算法在梯级水电厂日优化运行问题 上的应用，计算结果合理、有效，优化效果显著，从而为梯级水电厂的日优化运行问题提供了一种新颖的求 解方法。 关键字：进化蚁群算法梯级水电厂优化运行 1引言 蚁群算法【l】(Ant ColonyAlgorithm)是由意大利学者MarcoDorigo提出的一种基于集群 智能的新型优化算法，它是模拟自然界蚁群的觅食行为而形成的一种模拟进化算法。算法采 用有记忆的人工蚂蚁，通过个体之间的信息交流与相互协作来找到从蚁穴到食物源的最短路 得到了一系列较好的应用。在电力系统领域，文献【21将其应用于机组组合优化问题上，文献13】 将其应用于电力系统的经济负荷分配，都取得了较好的效果。 作为一种基于集群智能的随机全局优化算法，蚁群算法具有正反馈、分布式计算的特点， 但由于初期信息素匮乏，算法从随机的初始位置状态到找到最优路径，存在搜索时间过长这 一突出问题。针对这一问题，本文在基本蚁群算法的基础上，通过引入遗传算法中的种群进 化方法来生成初始信息素分布，对算法的搜索时间过长问题进行了改进，然后结合实例计算 探讨其在梯级水电厂日优化运行问题上的应用。 2蚁群算法 2．1基本原理 蚁群算法通过是通过模拟蚂蚁寻找食物并回到巢穴的方法来求解问题的。研究表明，蚂 蚁在前进途中会留下一种外激素，通过这种外激素来与其它蚂蚁交流、合作，以找到较短路 径。经过某一地点的蚂蚁越多，这种外激素的强度就越大。蚂蚁选择路径时就偏向于选择外 激素强度大的方向。这就是蚂蚁能找到回到巢穴或食物处的较短路径的原因。通过实验还表 明，这种跟随外激素强度前进的行为会随着经过的蚂蚁的增多而加强。由于通过较短路径往 返于食物和巢穴之间的蚂蚁能以更短的时间经过这条较短路径上的点，这些点上的外激素的 强度就会因蚂蚁经过它的次数更多而更强。这样就会有更多的蚂蚁选择这条路。这条路径上 的外激素的强度就会越来越大，选择这条路径的蛹蚁也会越来越多。直到最后，几乎所有的 蚂蚁都选择这条较短路径。这是一种正反馈现象，蚁群算法就是利用正反馈来达到求解优化 问题的目的。 2．2算法描述 蚁群算法最初用于求解TSP问题，并以此建立算法的模型。TSP问题是组合优化问题中 的标准问题，可以用有向图G(儿E)表示，其中净{1，2，…，聆)表示节点的集合，庐f(i ，)}表示边的集合。￡茸(西)表示边距离或费用。在应用蚁群算法求解TSP问题之前需要限 定每个人工蚂蚁在一个路径上每个城市只能选择一次。所有的蚂蚁都搜索到一个完整合法的 路径之后，根据蚂蚁走过的线路更新各个边对应的信息素。在搜索过程中，蚂蚁根据各个路 径上的信息素以及路径的启发信息计算概率，根据此概率选择下一个城市。人工蚂蚁在f时 刻由城市i转移到城市，的概率为： l妻黑攀马√∈心 p泐：{翠f西(f)m船(r)】∥√～k。 (1) seKk lo，／甓R女 式中也={o，l，…，胛一1)--tabu(七)表示人工蚂蚁在第|j}个城市时，下一步允许选择的 城市集合。人工蚂蚁具有记忆功能，用tabu(七)记录该蚂蚁当前已经走过的城市，随着进化 过程作动态调整。随时间推移，以前留下的信息逐渐消失。r／q(})为边移的能见度，取 ％=l／吒；乃(f)表示边扩在f时刻的信息素；d表示信息素的相对重要程度；∥表示能见 度的相对重要程度。用l—p(匀1)表示信息素挥发程度。经过一定时刻蚂蚁完成一次循环， 对各个路径上的信息素根据公式(2)、(3)进行调整。 fd(t+1)=pti(t)+△t