基于改进离散粒子群算法的机组组合优化方法.docxVIP

基于改进离散粒子群算法的机组组合优化方法 0 引言 实际的日常生活中或在处理工程问题的过程中，人们经常遇到在某个问题有多个解决方案可供选择的情况下，如何根据自身所提出的某些性能的要求，从多个可供选择的方案中选择一个可行方案，使所要求的性能指标达到最大或最小，这就是优化问题 ADDIN NE.Ref.{4A417C16-A6D3-4526-ADE9-92CAF966C2DB}[1]。如工程设计中怎样选择参数，使得设计即满足要求又能降低成本;资源分配中，怎样的分配方案既能满足各个方面的基本要求，又能获得好的经济效益等。 优化是个古老的课题，早在17世纪，英国Newton和德国Leibnitz创立的微积分就蕴含了优化的内容。而法国数学家Cauchy则首次采用梯度下降法解决无约束优化问题，后来针对约束优化问题又提出了Lagrange乘数法。人们关于优化问题的研究工作，随着历史的发展不断深入，优化理论和算法迅速发展形成一门新的学科。二十世纪八十年代以来，一些新颖的优化算法得到了迅速发展。人工神经网络(ANN)在一定程度上模拟了人脑的组织结构 ADDIN NE.Ref.{D134EB55-1C3D-4A7B-B87F-584F82FD82AE}[2-4];遗传算法(GA)借鉴了自然界优胜劣汰的进化思想 ADDIN NE.Ref.{C8223809-1B98-40CD-A345-4A0C4254EFB7}[5, 6];蚁群优化算法 (ACO)受启发于自然界蚂蚁的寻径方式 ADDIN NE.Ref.{FDF7029F-8F87-4F3A-840F-87C[7];模拟退火(SA)思路源于物理学中固体物质的退火过程 ADDIN NE.Ref.{2B5001D1-7CD5-46A0-A7DC-8A17D5E039A0}[8, 9];禁忌搜索(TS)模拟了人类有记忆过程的智力过程。这些算法有个共同点:都是通过模拟或揭示某些自然界的现象和过程得到发展，在优化领域，有人称之为智能优化算法 (Intelligent Optimization Algorithms)。 本文研究的粒子群优化算法（Particle Swarm Optimization，PSO），是在1995年由美国社会心理学家Kennedy和电气工程师Eberhart共同提出的 ADDIN NE.Ref.{6AA91ECD-2095-4D63-992F-10BDBA192776}[10-12]，其基本思想是受他们早期对鸟类群体行为研究结果的启发，并利用了生物学家Frank Heppner的生物群体模型。PSO算法从诞生起，就引起了国内外学者的广泛关注，并掀起了该方法的研究热潮，并在短短几年时间里涌现出大量的研究成果，己经在函数优化、神经网络设计、分类、模式识别、信号处理、机器人技术等使用领域取得了成功使用。该算法目前己被“国际演化计算会议”(Conference of Evolutionary Computation，CEC)列为讨论专题之一。PSO算法在电力系统中的使用研究起步较晚，最近几年它在电力系统领域中逐渐显示出广阔的使用前景，己开始引起电力科学工作者的关注和研究兴趣。如何充分发挥PSO算法的优势来解决电力系统的有关难题，已成为一个新的研究热点。 1 优化算法基础 最优化问题 最优化问题是寻找最小值（最大值问题可转化为需求最小值）的问题。最优化问题根据其目标函数、约束函数的性质以及优化变量的取值等可以分成许多类型，每一种类型的最优化问题根据其性质的不同都有其特定的求解方法。不失一般性，最小化问题可定义为: （1.1） 其中，为目标函数，为约束函数，为约束域，为维优化变量。通常，对的的约束和等式约束可转换的约束。 当，为线性函数，且时，上述最优化问题即为线性规划问题，其求解方法有成熟的单纯形法和Karmarc方法。 当，中至少有一个函数为非线性函数时，上述问题即为非线性规划问题。非线性规划问题相当复杂，其求解方法多种多样，但到目前仍然没有一种有效的适合所有问题的方法。 当优化变量仅取整数值时，上述问题即为整数规划问题，特别是当仅能取0或1时，上述问题即为0-1整数规划问题。由于整数规划问题属于组合优化范畴，其计算量随变量维数的增长而指数增长，所以存在着“维数灾难”问题。 当)所限制的约束空间为整个维欧式空间，即时，上述最优化问题为无约束优化问题。 非线性规划问题(包括无约束优化问题和约束优化问题)，由于函数的非线性，使得问题的求解变得十分困难，特别是当目标函数在约束域内存在多峰值时。常见的求解非线性规划问题的优化方法，其求解结果和初值的选择关系很大，也就是说，一般的约束或无约束非线性优化方法均是求目标函数在