2025《基于粒子群算法的家庭用电策略优化算法设计案例分析》2000字.docxVIP

基于粒子群算法的家庭用电策略优化算法设计案例分析

目录

TOC\o1-3\h\u13881基于粒子群算法的家庭用电策略优化算法设计案例分析 1

3551.1基本粒子群算法 1

121351.2权重改进的粒子算法 2

77461.3混合粒子群算法 4

粒子群算法(PSO)也被学术界当中称之为粒子群优化的算法，在上世纪90年代中期美国著名科学家爱德华和著名心理学家肯尼迪通过鸟类的觅食行为提出粒子群算法，解决了很多的问题，在粒子群算法的优化对象当中潜在解都可以幻想成在搜索空间当中的一只鸟，把它称之为粒子，通过最优粒子在空间当中的子集进行搜索，目标对象初始化成一群具有随机性的粒子，然后采用迭代的算法找到最合适的解。

1.1基本粒子群算法

(1)基本粒子群算法经过初始化之后能够得到一群随机的解，然后采用迭代的方式得到最优解，在所有的迭代步骤当中粒子通过跟踪两个极值来不断对自己的数值进行更新，第一个粒子本身所获得的最优解，这个解就是集体值，另外一个极值是现阶段所有群体当中能够找到的最优解，这个极值被称为全局极值，所以也可以采用整个种群，只用其中的任何一部分作为粒子的邻居，那么在所有邻居当中的极值就是局部极值。

(2)基本粒子群体算法的构成要素包括了下面几个方面：

1.粒子群的编码方式，基本粒子群算法采用固定的二进制字符串来表示这个群体当中的所有个体，个体的等位基因是通过二进制0和1两个字符串组成的，初始群体当中的所有个体的基因值都可以采用一个随机的生成的函数来表示。

2.个体适应度的评价，通过采用局部最优的迭代法，获得最优的粒子数，并且找到最优解，得到的结果就是最优解的一部分。

1.基于粒子算法所产生的参数效值。

按照粒子群算法有下面几个运行参数，尤其需要特别关注，并且在提前做好设定操作。

r：粒子群算法当中的粒子数，对于粒子群算法当中的所有子集都可以采用随机数生成的方式来生成某一个类型的粒子，也能够按照对应的初始数值的方式，涵盖目标函数当中的所有子集。

m：粒子群体的大小包括了群体当中所含个体的数量，通常这个数值取20到100，同时在变量很多的情况下能够取100或者100以上比较大的数值。

max_d：通常迭代次数需要满足误差最小的原则，在迭代的过程当中需要设置一个终止迭代的数值，否则会无限循环下去。

r1、r

c1、c

w：惯性权重产生的值。

vk、x

(3)算法基本流程

图3-SEQ图3-\*ARABIC1PSO流程图

1.2权重改进的粒子算法

经常看到的权重改进算法当中包含自适应权重法、随机权重法和线性递减权重法。

(1)自适应权重法

设定粒子Pi的适应值为fi，最优粒子适应度为fm，则粒子群的平均适应值为

根据fi、fm、

fi优于f

w=w?(w?w

如果fi优于favg

如果fi优于favg

w=1.5?1

其中，k1、k2为控制参数，k1

如果算法在停止之后，它的粒子分散过于的随机，那么它们所产生的的数值就比较高，W的数值变小，那么局部的搜索能力就会显著增强，从而使局部搜索能力变弱；如果粒子分布的随机性比较小，相对聚集，则?较小，W变大，那么它的全局操作能力就变得很强，从而能够快速的迭代，跳出局部的舒适区。

(2)随机权重法这种权重法的原理是把粒子搜索算法当中的惯性权重W设置成一个随机的权重，这种处理的优势主要有下面几个方面：

①如果粒子在起始的阶段就已经接近了最优点，那么它们所产生的W可能是一个相对非常少的数值，所以通过这个数值可以加快粒子的搜索速度，也能够快速的降低范围收敛速度。

②克服了W线性递减的方法，就算没有办法收敛到最优点，那么也能够快速的迭代，它在附近最优点中停留。

惯性权重的算法的修改式子如下所示：

w=μ+σ?N(0,1)μ=

1.3混合粒子群算法

基于免疫粒子群算法的步骤如下所示：

确定粒子群体个数M、学习因子c1和c

由logistic回归分析映射产生M个粒子xi及其速度vi，其中i=1,2…N,最后形成初始粒子群体

产出具有免疫效应的记忆粒子，计算当前的抗体群体当中的粒子适应数值，并判断算法是否满足约束条件，如果迭代数值终止，那么满足条件，输出结果，如果没有则继续进行上述步骤；

对全局和局部的最优解进行更新，按照公式当中更新的例子来随机取代进度和位移。

通过logistic映射产生N个粒子，并且发动这些粒子的搜索效果，在全局最优化的搜索范围之内进一步进行搜索。

同时在搜索的过程当中，本文还需要注意粒子浓度的选择，在群体当中相似抗体百分比能够算出粒子产生的概率，按照速率大小来选择N个粒子作为粒子群P，然后转入第③步。

算法流程如图4-2所示

图3-SEQ图3-\*ARABIC2免疫粒子群算法流程图