【二次供水模型中粒子群算法设计与应用案例分析4300字】.docxVIP

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

1.2.3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，应用范围也有不同。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。

开赔

开赔

初，始设值雪置粒K子8群始的速规度理，

计算各粒子的适应度函数，找到洛粒子的当的个体的量优解，我定整个粒子解的海陈全对最优料

肥新各粒子的速度5位置

选代是西

碳出最优解

图3-1算法流程图

Fig.3-1Algorithmflowchart

现代对于粒子群算法的改进主要是对惯性参数w的改进，本文通过对标准的粒子群算法、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标准的粒子群算法

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AModifiedParticleSwarmOptimizer,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w来调整全局搜索能力以及局部搜索能力。保持c?和c?不变，则带有惯性权值的速度与位置迭代公式表示为：

Via=w×Via+C?×rand(×(Pid一xia)+C?×Rand(×(pga-xia)(3-1)

xid=xid+vid(3-2)

上式中，w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。c?同样被称为学习因子，不同于c?,C?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w这一惯性因子的改进，标准的粒子群算法在整个寻优过程中都保持着相同的の,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，w太小时就是前期就会出现陷入局部最优这一问题，w太大时，有可能越过关键的寻优点。而如果の在前期较大，就不会出现陷入局部最优，随着迭代次数的变化，w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w的变化公式为：

(3-3)

上式中wmax、@min分别表示の的最大值和最小值；t表示当前的迭代次数：tmax表示最大迭代次数。

1.1.3自适应权重的粒子群算法

考虑到の对求解结果具有重要影响，可以通过调整w的大小让其具备跳出局部极小值的能力。相比于以迭代次数为标准的线性递减，自适应权重是以当前适应度值以及平均适应度值为判断标准，适应度越小，说明距离最优解越近，此时更需要局部搜索，即需要一个较小的惯性权重；反之，适应度越大，说明距离最优解越远，此时更需要全局搜索，即需要一个较大的惯性权重。自适应权重的粒子群算法的表达式为：

(3-4)

上式中@max、min分别表示的の最大值和最小值；f(x?)表示粒子当前的目标函数

值也就是适应度值，分别表示当前所有粒子的平均目标函数值值和最小目标函数值。

1.1.4算法测试比较

为了比较三种粒子