贪婪遗传蚁群算法在沼气发电配电网中应用.docVIP

贪婪遗传蚁群算法在沼气发电配电网中应用 　　[摘要]介绍传统的优化算法用于求解配电网络规划问题时的不足,深入介绍蚁群优化算法在生物质发电配网中的优点及不足。将遗传算法和蚁群算法相结合,用于沼气发电配电网的规划中,经实验结果验证,该方法有效可行。 　　[关键词]配电网优化遗传算法蚁群算法 　　中图分类号:TM7文献标识码:A文章编号:1671-7597(2009)1220110-02 　　 　　一、引言 　　 　　由于沼气发电的特殊性,在对配电系统网络长期规划建立数学模型时需要考虑多方面的因素。主要目的就是,要确定最优的网络接线方式、投资水平以及投资的时间安排。为了达到这个目的,不仅要考虑投资额和投资时间安排,还要考虑每年所需的连续消耗的费用(如系统运行的线损费用和维护费用)等[1]。所以,这些因素都要在我们所建立的数学模型中体现出来。通常此目标函数f(x)一般可形式化地表示为: 　　f(x)=元件投资+运行费用+可靠性损失 　　 　　二、沼气发电配网的传统优化算法 　　 　　多数优化算法求解问题时,是在给定的某一解空间内进行搜索,即要求得问题的全局最优解,则要对问题解域一个个进行枚举。而枚举是以时间为代价的,有的枚举时间可以接受,有的则不能接受[2]。因为这些问题的NP困难性,传统方法很难找到它们的有效算法,即找不到可在多项式时间内求得问题的精确最优解的算法。传统的方法将需要指数函数的运行时间。为了在一定的时间、空间范围内求解这些问题,一个自然合理的办法就是牺牲解的最优性,而去寻找某个可有效计算的次优解。 　　 　　(一)遗传算法 　　遗传算法是一种模拟自然界进化过程来搜索最优解的算法,以“适者生存,不适应淘汰”为思想,这个思想揭示了大自然的一个基本规律,最适合自然环境的群体往往产生更大的群体,其具有生存的优势,不适应自然环境的种群将被淘汰。遗传算法就是借鉴了这个规律,通过算法模拟自然进化过程的。遗传算法的设计主要方面: 　　1.解的编码和解码。遗传算法在运行中是对染色体进行操作的,用遗传算子作用染色体,一个染色体代表问题的一个解。因此,其实质上就是问题解的表示形式。一般采用二进制的编码。最后,再通过解码把编码转换为问题的解。 　　2.选取初始种群及其大小。初始种群一般采取某种启发式方法生成,这样可能会节省进化的代数,但也可能过早地陷入局部最优群体中,即通常所说的早熟现象。种群大小的选择一般靠设计者的经验来选取,种群越大其代表性越广泛,进化到最优解的可能性越大,相反则越小。 　　3.适应函数的确定。一般情况下,适应函数同目标函数相关,视具体情况而定。 　　4.遗传算子。在遗传算法搜索问题解空间时,是通过遗传算子来扩展已搜索解,结合适应函数来确定搜索方向的。基本遗传算法的算子由复制算子、杂交算子和变异算子组成。①复制算子把当前种群中的个体,按与适应值成正比的概率复制到新的群体中去。这样,低适应的个体趋向于淘汰,高适应的个体趋于被保留。这正体现了“优胜劣汰”的进化机制。②杂交算子是模拟生物界的有性繁殖,产生新的个体,希望使其比其上代的适应值更好。表现出“进化”的思想。但并不是每次杂交都能带来高适应值的个体。③变异算子用一个很小的概率随机地改变染色体串上某个位的值,以此来增加群体的多样性,扩大了搜索空间。变异概率过小算法遍历性差,若较大则算法不易得到稳定的解。 　　其缺点是对于系统中的反馈信息利用不够。当求解到一定范围时往往做大量无为的冗余迭代,求精确解效率低。 　　 　　(二)贪婪算法 　　贪婪算法也是一种基本的启发式算法,该算法基于当前所得信息,在每一步所选取的决策总是试图使当前的解得到最大的改进,或使相应的目标函数值尽可能地增大或减小。这类算法每次迭代仅考虑当前的解局部地达到最优,并不能保证使其从全局或长远来看亦可最优,故贪婪算法有时也称近视算法[3]。 　　 　　(三)蚁群优化算法 　　蚁群算法[4]是人们对真实的蚁群觅食行为进行研究后而产生一种自然算法,基本原理可大致描述如下:蚂蚁属于群居昆虫,个体行为极其简单,而群体行为却相当复杂。相互协作的一群蚂蚁很容易找到从蚁穴到食物源的最短路径,而单个蚂蚁则不能。人们通过大量的研究发现,蚂蚁之所以可以做到这一点,是因为蚂蚁个体之间是通过在其所经过的路径上留下一种可称之为信息素的物质来进行信息传递。蚂蚁可以嗅到这种信息素,而且可以根据信息素的浓度来指导自己对前进方向的选择。同时,该信息素会随着时间的推移逐渐挥发掉,所以路径的长短及该路径上通过蚂蚁的多少就对残余信息素的强度产生影响。反过来,信息素的强弱又指导着其它蚂蚁的行动方向。因此,某一路径上走过的蚂蚁越多,后来者选择该路径的概率就越大。这就构成了蚂蚁群体行为表现出的一种信息正反