正余弦算法改进及其应用研究.pdf

摘 要 当今社会工业、经济、科技高速发展，催生了大量的高维、复杂及非线性的优化 问题。经典算法在求解高难优化问题时的诸多缺点，如算法时间复杂度高、计算结果 差、收敛速度慢等，使得群智能算法得到了发展的契机。群智能算法以比经典算法更 快的收敛速度、更易实现、求解不依赖问题内在特性等优点得到广大专家学者的青睐。 经过国内外学者多年来的的探索与研究，群智能算法的应用得到了长足发展，而且算 法的数目也得到了很大的扩充。 正余弦算法(Sine Cosine Algorithm,SCA)作为新被提出的群智能算法之一，其应用 和算法改进的相关论文不断被发表、刊载。但其应用多集中于数值优化问题，运用SCA 求解组合优化和混合整数优化问题的论文并不多见，因此利用 SCA 求解有界背包问 题(Bounded Knapsack Problem, BKP) 、具有单连续变量的背包问题(Knapsack Problem with a Single Continuous variable, KPC) 以及配电网无功优化(Optimal Reactive Power Dispatch, ORPD)具有较好的研究意义。 为了利用SCA 求解BKP ，基于编码转换方法提出了一种离散正余弦算法(DSCA) 。 在DSCA 中，个体采用整数编码方法表示BKP 的解，并利用修复与优化法消除算法 所产生的BKP 的不可行解。对于3 类大规模的BKP 实例，通过与鸽群优化算法和粒 子群算法的比较表明：DSCA 不仅计算结果较好，而且稳定性优，表明DSCA 是求解 BKP 的一种新的有效算法。 基于离散KPC 模型KPCM2 和KPC 划分为2 个子问题的模型KPCM3 ，推广得到 KPC 划分为4 个子问题的模型KPCM4 。为验证SCA 求解KPC 的性能和不同模型的 优劣，在单种群SCA 使用KPCM2 、双种群SCA 使用KPCM3 、多种群SCA 使用KPCM4 的前提下，对四类KPC 实例进行仿真实验，比较结果表明：KPCM4 模型求解结果略 优于KPCM3 和KPCM2 模型，SCA 可以作为求解KPC 的一个新方法。 为验证SCA 在求解非连续数值优化方面的性能，将SCA 应用于求解ORPD 问题。 给出SCA 求解无功优化的伪代码描述和流程图，并对IEEE30 节点实例进行仿真实验， 将优化后的网损和未优化前的网损进行比较，实验结果表明 SCA 能够有效优化各节 点电压值，降低配电网有功功率损耗， SCA 也适用于求解混合整数优化问题。 关键字：正余弦算法 有界背包问题 具有单连续变量的背包问题 无功优化 I ABSTRACT Nowadays, the rapid development of social industry, economy, and technology has spawned a large number of high-dimensional, complex, and nonlinear optimization problems. The shortcomings of classical algorithms in solving high-difficulty optimization problems, such as high time complexity, poor calculation results and slow convergence speed, make swarm intelligence algorithms get an opportunity to develop. Swarm intelligent algorithm has been favored by many experts and scholars for its advantages of faster convergence spe