粒子群优化算法研究及在电力系统机组组合中的应用研究.pdfVIP

第 13卷 第7期 2013年3月 科 学 技 术 与 工 程 Vo1．13 No．7 Mar~2013 l67l一 1815(2o13107-1965—05 ScienceTechnologyandEngineering @ 2013 Sci．Tech．Engrg~ 粒子群优化算法研究及在电力系统机组 组合中的应用 谢华东 古发辉 (江西应用技术职业学院机械电子工程系’；信息工程系 ，赣州341000) 摘 要 蚁群优化算法由于其具有较强的优越性，现已被用于约束优化问题的求解，并在相关的工程领域得到了实用。针对 粒子群优化算法初始参数依赖性强和易陷入局部最优的问题，提出了对粒子群分组并重组信息共享机制的改进粒子群体智 能算法。该算法有效地降低 了陷入局部极小的概率，从而能够获取更佳的近似最优解。为验证算法的有效性和可行性，将改 进粒子群优化算法用于10机系统和26机系统组合问题的仿真求解，结果表 明该改进方法能收敛到更好的解，而且计算时问 也大大减小。 关键词 蚁群算法 机组组合 改进信息共享机制 中图法分类号 TM715； 文献标志码 A 粒子群优化算法作为一种新兴的群体智能优 利用微粒表示优化问题的可行解，通过粒子个体和 化算法，由于具有较强的优越性，现已在许多优化 群体的历史信息对粒子的位置进行进化，最终稳定 问题中得到了应用。但同时也暴露出一些需要进 地收敛于确定的位置，即优化问题的最优解。粒子 一 步解决的问题 ，如初始参数依赖性强、陷入局部 群优化算法由于具有较强的优越性，除用于典型优 最优等，需要对算法原理进行进一步的完善。机组 化问题的求解外，现已在机器人、电力系统、交通运 组合问题是一个包含整型和连续变量的高维、离散 输等工程领域得到了广泛的应用 j。 非凸的混合整数非线性优化问题，属于NP完全问 1．1 PSO基本原理 题。当系统的规模较大时，要从理论上求得精确的 PSO是一种起源于生物社会学和生物行为学研 最优解相当困难，需要借助于现代优化算法对其进 究的现代启发式优化算法，求解时，先随机初始化m 行近似求解。基于上述两点考虑，本文提出了一种 个粒子 的位 置 置(0) = ( (0)，…， (0)，…， 基于分组信息共享机制的改进粒子群优化算法，并 (O))和速 度 (0) = (V (0)，…， (0)，…， 将其应用于机组组合问题中，得到了满意的结果。 (0))(d为 自变量的个数，i为粒子编号)，然后按 (1．1)式对粒子的速度及位置进行更新： 1 粒子群优化算法 r (t+1)=COY(t)+c1r1(t)[P (t)一 (t)]+ JamesKennedy和 RussellEberhart…受鸟群等 { c2r2(￡)[P (￡)一*()] 呈分布状态的群体所表现出的似乎是有意识的集 (t+1)= ()+ (t+1) 中控制的影响，于 1995年提出了粒子群优化算法 (1．1) (ParticleSwarmOptimization，PSO)。算法基本思想 式(1．1)中，t表示迭代次数；c。、ci(j=1，2)分别 称为惯性 因子和学习因子，均为给定