【二次供水模型中粒子群算法设计与应用案例分析4300字】.pdfVIP

二次供水模型中粒子群算法设计与应用案例分析

目录

二次供水模型中粒子群算法设计与应用案例分析1

1.1优化算法选择1

1.1.1标准的粒子群算法2

1.1.2线性递减权重的粒子群算法2

1.1.3自适应权重的粒子群算法3

1.1.4算法测试比较3

1.2粒子群算法的应用6

1.2.1实例分析7

1.2.2用水量预测8

123粒子群算法设计10

1.2.4优化调度模型求解11

1.1优化算法选择

智能算法经常运用在工程实践之中。现代智能算法日新月异，现代主流算法包括:

模拟退火算法、遗传算法和粒子群算法等等。不同的智能算法特点不同，应用围也

有不同。本项目的二次供水优化调度主要应用粒子群算法。

粒子群算法(PSO)源于对鸟群捕食的行为研究，是1995年由Eberhart博士和

Kennedy博士提出。通俗来讲，就是利用鸟群中的信息共享，与鸟自身的捕食经验，慢

慢的向最优的目的地进发的的一种算法。利用这种思想，建立起一种简化模型。使整

个群体运动在问题解决空间中由无序演化为有序，从而得到最优解。粒子群算法的思

想相对比较简单，如图3-1所示，主要分为：

(1)初始化种群数目、迭代次数以及初始位置及速度；

(2)计算计算当前粒子适应度值；

(3)寻找粒子历史最优值PBest；

(4)寻找所有粒子的最优值GBest；

(5)再次更新粒子位置与速度；

(6)达到迭代次数结束迭代。

图3-1算法流程图

Fig.3-1Algorithflowchart

现代对于粒子群算法的改进主要是对惯性参数⑦的改进，本文通过对标)隹的粒子

群算法、线性递减权重的粒子群算法以及自适应的粒子群算法进行测试比较来选择出

适宜二次供水优化调度的算法。

1.1.1标)隹的粒子群算法

为了解决基本PSO算法，在检索后期阶段群体开发能力较弱的问题，Ebherat和

Shi于1998年提出了AModifiedParticleSwarOptiizer,也就是标准的粒子群算法，

即引入了惯性权值加入到基本算法迭代过程中，这样就可以根据经验通过调整⑦来调

整全局搜索能力以及局部搜索能力。保持ci和C2不变，则带有惯性权值的速度与位置迭

代公式表示为：

=①XVid+xrandQx(pid一%id)+c2xRandQx(pgd-%id)(3-1)

xid=xid+vid(3-2)

上式中，②为粒子的速度系数，称为惯性因子。C］被称为学习因子，是指每一个粒

子在自己行动轨迹的中所出现的最佳位置对速度影响的系数，表现的意义为每一个粒

子对自己的影响。C2同样被称为学习因子，不同于C”C2主要是指整个种群中所出现最

优的位置对速度的影响。变量rand()、Rand()是在［0,1］区间上的随机数。

1.1.2线性递减权重的粒子群算法

线性递减权重法主要是指的对于②这一惯性因子的改进，标)隹的粒子群算法在整个

寻优过程中都保持着相同的②，通俗来讲就是每一次的速度变化都按照相同的“惯性〃

进行变化，②太小时就是前期就会出现陷入局部最优这一问题，②太大时，有可能越过

关键的寻优点。而如果②在前期较大，就不会出现陷入局部最优，随着迭代次数的变化,

②减小，在后期就能够更加精确的进行寻找最优解。线性递减权重方法下的②的变化公

式为：

t((jl)—60)

|maxminz(3-3)