一种基于ASU策略的多目标粒子群优化算法制造技术

一种基于ASU策略的多目标粒子群优化算法，该优化算法利用基于ASU策略进行精英集缩减，能提高最优解分布的均匀性和多样性，且能搜索到相对更优的解，从而提高最终结果的可靠性；它对于一个多目标优化问题，在精英集缩减过程中，将粒子群分成若干个网格，然后在每个网格中，提出利用逐步更新的欧氏拥挤距离去筛选粒子，避免一次性剔除一群集中的粒子而破坏解分布的多样性和均匀性，且能搜索到相对更优的解。

【技术实现步骤摘要】
【专利摘要】一种基于ASU策略的多目标粒子群优化算法，该优化算法利用基于ASU策略进行精英集缩减，能提高最优解分布的均匀性和多样性，且能搜索到相对更优的解，从而提高最终结果的可靠性；它对于一个多目标优化问题，在精英集缩减过程中，将粒子群分成若干个网格，然后在每个网格中，提出利用逐步更新的欧氏拥挤距离去筛选粒子，避免一次性剔除一群集中的粒子而破坏解分布的多样性和均匀性，且能搜索到相对更优的解。【专利说明】—种基于ASU策略的多目标粒子群优化算法
本专利技术涉及的是一种基于ASU (Asynchronous-Stepwise Updated,异步-逐步更新)策略的多目标粒子群优化算法，属于电力系统规划
。
技术介绍
随着我国经济的高速发展和电力系统的不断扩大，人们对供电的安全性、可靠性、质量等方面的要求也日益增长，势必需要大量的输变电工程投入到电网建设中。为应对电网建设需求，每年都会大量的输变电工程上报。在这些工程中，有一部分是电网建设需要的，他们能解决电网的某个缺陷，但另外有一部分也是没有必要的，或者上报的方案并不是最优的，需要替换为更好的实施方案。如何在大量的工程中选择需要的，并且以一种最好的方案进行实施，对于电网建设决策者而言，至关重要。输变电工程立项决策方法的基本任务是对上报申请的待选项目，根据对电网的全面评价确定其是否有必要立项，如果立项，则合理地决策用哪一种方案进行针对性地改造和建设，从而使规划方案能满足电网安全可靠运行要求，适应电力发展要求，同时使能源资源得到合理的优化配置。输变电工程立项决策问题是一个非线性、多阶段、多目标的复杂优化问题。目前，对于输变电工程立项决策问题往往建立成一个多目标优化模型，利用传统的基于拥挤距离策略的方法求解时，一次性剔除小于某个距离的所有粒子，导致部分区域粒子缺失，且不适用于高维模型；而利用基于网格策略的方法求解时，会存在两个非常相近的非支配解被划分到两个相邻格子而一直留在解集中这样的不足。可见传统的方法求解时不能很好地保持解的多样性和分布的均匀性，从而导致最后得到的结果并非最优的。因此，急需一种能较好保持解多样性和分布的均匀性的多目标优化算法求解输变电工程立项决策问题，从而为工程实际提供更加可靠的参考结果。
技术实现思路
本专利技术的目的是为了在多目标粒子群优化方法中，提高计算结果的最优性和可靠性，为此，本专利技术提供了一种基于ASU策略的多目标粒子群优化算法，该方法利用ASU策略进行精英集缩减，提闻最优解分布的均勻性和多样性，且能搜索到相对更优的解，从而提闻最终结果的可靠性。本专利技术的目的是通过如下技术方案来实现的，所述的优化算法包括如下步骤:(I)种群初始化。设置精英集为空；迭代次数t=0，在控制变量变化范围内，随机初始化粒子群，每个粒子的个体极值和全局极值均为初始位置，设定精英集规模；(2)计算每个粒子的目标函数的适应值；(3)判断是否满足结束准则，达到最大允许迭代次数或最优解对应的目标函数值在给定的迭代步数内改变量小于给定值时，停止优化并输出结果，形成Pareto最优解；否则迭代次数t=t+l，转到步骤(4)；(4)根据Pareto支配，比较各个粒子之间的优劣，构造粒子群的非支配解集；(5)通过比较非支配解集和精英集中粒子的Pareto支配关系,更新精英集；(6)判断精英集规模是否超过给定规模，若超过，则利用ASU策略缩减至给定的规模，并转到步骤(7);反之，直接转到步骤(7)；(7)更新粒子的个体极值和全局极值；(8)更新每个粒子的位置和速度，构造新的粒子，转到步骤(2)。所述步骤(5)中，在精英集的规模超出给定规模时，利用ASU策略进行缩减，即将粒子群分成若干个网格，然后在每个网格中，利用逐步更新的欧氏拥挤距离去筛选粒子，即每计算一次欧氏拥挤距离之后，剔除欧氏拥挤距离最小的精英解，然后再计算一次欧氏拥挤距离，再剔除此时欧氏拥挤距离最小的精英解，按此方法，直至缩减到规定的精英集规模；其中欧氏拥挤距离d表示为【权利要求】1.一种基于ASU策略的多目标粒子群优化算法，其特征在于该优化算法包括如下步骤: (1)种群初始化，设置精英集为空；迭代次数t=0，在控制变量变化范围内，随机初始化粒子群，每个粒子的个体极值和全局极值均为初始位置，设定精英集规模； (2)计算每个粒子的目标函数适应值； (3)判断是否满足结束准则，达到最大允许迭代次数或最优解对应的目标函数值在给定的迭代步数内改变量小于给定值时，停止优化并输出结果，形成Pareto最优解；否则迭代次数t=t+l，转到步骤(4); (4)根据Pareto支配，比较各个粒子之间的优劣，构造粒子群的非支配解集； (5)通过比较非支配解集和精英集中粒子的Pareto支配关系,更新精英集； (6)判断精英集规模是否超过给定规模，若超过，则利用ASU策略缩减至给定的规模，并转到步骤(7);反之，直接转到步骤(7)； (7)更新粒子的个体极值和全局极值； (8)更新每个粒子的位置和速度，构造新的粒子，转到步骤(2)。2.根据权利要求1所述基于ASU策略的多目标粒子群优化算法，其特征在于所述步骤5中，在精英集的规模超出给定规模时，利用ASU策略进行缩减，即将粒子群分成若干个网格，然后在每个网格中，利用逐步更新的欧氏拥挤距离去筛选粒子，即每计算一次欧氏拥挤距离之后，剔除欧氏拥挤距离最小的精英解，然后再计算一次欧氏拥挤距离，再剔除此时欧氏拥挤距离最小的精英 解，按此方法，直至缩减到规定的精英集规模；其中欧氏拥挤距离d表示为 【文档编号】G06N3/12GK103854131SQ201410016605【公开日】2014年6月11日 申请日期:2014年1月14日 优先权日:2014年1月14日 【专利技术者】孙可, 郑朝明, 丁晓宇, 陈宏伟, 宁康红, 徐凯, 江全元, 邹杨, 郑晓, 赵萌 申请人:国家电网公司, 国网浙江省电力公司, 浙江省电力设计院本文档来自技高网...

【技术保护点】
一种基于ASU策略的多目标粒子群优化算法，其特征在于该优化算法包括如下步骤：（1）种群初始化，设置精英集为空；迭代次数t=0，在控制变量变化范围内，随机初始化粒子群，每个粒子的个体极值和全局极值均为初始位置，设定精英集规模；（2）计算每个粒子的目标函数适应值；（3）判断是否满足结束准则，达到最大允许迭代次数或最优解对应的目标函数值在给定的迭代步数内改变量小于给定值时，停止优化并输出结果，形成Pareto最优解；否则迭代次数t=t+1，转到步骤（4）；（4）根据Pareto支配，比较各个粒子之间的优劣，构造粒子群的非支配解集；（5）通过比较非支配解集和精英集中粒子的Pareto支配关系，更新精英集；（6）判断精英集规模是否超过给定规模，若超过，则利用ASU策略缩减至给定的规模，并转到步骤（7）；反之，直接转到步骤（7）；（7）更新粒子的个体极值和全局极值；（8）更新每个粒子的位置和速度，构造新的粒子，转到步骤（2）。

【技术特征摘要】

【专利技术属性】
技术研发人员：孙可，郑朝明，丁晓宇，陈宏伟，宁康红，徐凯，江全元，邹杨，郑晓，赵萌，
申请(专利权)人：国家电网公司，国网浙江省电力公司，浙江省电力设计院，
类型：发明
国别省市：北京;11