演化約束優(yōu)化及演化動(dòng)態(tài)優(yōu)化求解算法研究.pdf

1、最優(yōu)化問(wèn)題在實(shí)際問(wèn)題中廣泛存在。本文主要關(guān)注最優(yōu)化問(wèn)題的約束處理方法、時(shí)間關(guān)聯(lián)特征以及動(dòng)態(tài)處理機(jī)制，并且研究了兩個(gè)實(shí)際的優(yōu)化問(wèn)題，即短期水火電調(diào)度問(wèn)題和動(dòng)態(tài)最優(yōu)潮流問(wèn)題。本文采用演化算法作為基本的求解算法。演化算法是基于種群的生物啟發(fā)式隨機(jī)搜索算法，由于適合于解決不連續(xù)、多峰、不可差分等復(fù)雜問(wèn)題，全局搜索能力較強(qiáng)，并且具有較好的自適應(yīng)性，近年來(lái)被廣泛研究。本文的創(chuàng)新之處如下:
　　針對(duì)約束優(yōu)化問(wèn)題，提出基于族群的修復(fù)策略用于選擇有

2、代表性的不可行個(gè)體進(jìn)行梯度修復(fù)，而不是隨機(jī)選擇個(gè)體修復(fù)。梯度修復(fù)方法雖然是一種有效的約束處理方法，然而，如果對(duì)所有不可行解都進(jìn)行梯度修復(fù)，會(huì)消耗大量的計(jì)算量。因此，已有的文獻(xiàn)中都是隨機(jī)的選擇一部分解進(jìn)行修復(fù)的。然而，隨機(jī)修復(fù)可能會(huì)使得位置相鄰的個(gè)體同時(shí)被修復(fù)，從而導(dǎo)致冗余修復(fù);并且，在種群已定位到某個(gè)可行區(qū)域的情況下，可能仍會(huì)選擇該區(qū)域附近的不可行個(gè)體進(jìn)行修復(fù)，從而會(huì)浪費(fèi)計(jì)算量。本文提出基于族群的選擇方法。基本思想是通過(guò)聚類算法將種群劃

3、分為若干族群;對(duì)于每一族群，根據(jù)該族群內(nèi)可行個(gè)體的比例決定待修復(fù)個(gè)體的數(shù)目。該方法可以顯著地減少冗余修復(fù)，并且增加修復(fù)后個(gè)體的多樣性，從而減少了陷入局部最優(yōu)的概率。實(shí)驗(yàn)結(jié)果表明，在大多數(shù)情況下，提出的算法要比原算法的結(jié)果更好;同時(shí)，用于梯度修復(fù)的評(píng)估次數(shù)顯著少于原算法。
　　針對(duì)動(dòng)態(tài)時(shí)間關(guān)聯(lián)優(yōu)化問(wèn)題，研究了預(yù)測(cè)器不可靠時(shí)如何提升預(yù)測(cè)方法的性能。動(dòng)態(tài)時(shí)間關(guān)聯(lián)優(yōu)化指的是具有時(shí)間關(guān)聯(lián)特征的動(dòng)態(tài)優(yōu)化問(wèn)題。時(shí)間關(guān)聯(lián)指的是當(dāng)前所做的決策會(huì)影響

4、問(wèn)題未來(lái)的狀態(tài)。盡管時(shí)間關(guān)聯(lián)特征在實(shí)際問(wèn)題中很常見(jiàn)，但是，在演化優(yōu)化領(lǐng)域得到的關(guān)注還比較少。目前，在演化優(yōu)化領(lǐng)域，預(yù)測(cè)策略是主要的求解算法。但是，目前的預(yù)測(cè)策略沒(méi)有考慮預(yù)測(cè)不準(zhǔn)的情況。因此，本文提出了基于逆序數(shù)衡量預(yù)測(cè)準(zhǔn)確度的方法，并且設(shè)計(jì)了一種基于預(yù)測(cè)精度的隨機(jī)排序機(jī)制用于選擇個(gè)體。另外，我們提出了一種動(dòng)態(tài)時(shí)間關(guān)聯(lián)優(yōu)化標(biāo)準(zhǔn)測(cè)試集。改進(jìn)的算法與典型的預(yù)測(cè)方法和標(biāo)準(zhǔn)的遺傳算法進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，提出的算法非常具有競(jìng)爭(zhēng)力。
　　針

5、對(duì)具有多個(gè)不相連可行區(qū)域的動(dòng)態(tài)約束優(yōu)化問(wèn)題，我們提出從多峰優(yōu)化的角度設(shè)計(jì)并行地定位和跟蹤多個(gè)可行區(qū)域的方法。根據(jù)該思想，我們?cè)O(shè)計(jì)并集成了三種定位和跟蹤可行區(qū)域的策略，以分別處理三種可能的約束動(dòng)態(tài)。并且，算法集成了我們提出的自適應(yīng)的局部搜索策略（不需要設(shè)置參數(shù)）和基于族群的偵測(cè)機(jī)制。另外，我們?cè)O(shè)計(jì)了兩種動(dòng)態(tài)約束標(biāo)準(zhǔn)測(cè)試集，包括修改的G24（即G24v和G24w）和移動(dòng)可行區(qū)域測(cè)試集(Moving Feasible RegionsBench

6、mark，簡(jiǎn)稱MFRB)。修改的G24可以控制可行區(qū)域的大小。而MFRB則高度可配置，可以用于模擬各種類型的約束動(dòng)態(tài)，并且，MFRB的全局最佳值和可行區(qū)域半徑可以精確計(jì)算。在G24，G24v，G24w和MFRB上的實(shí)驗(yàn)結(jié)果表明，提出的算法顯著好于已有的代表性方法，并且，我們的算法具有較好地定位多個(gè)不相連可行區(qū)域的性能，包括可行區(qū)域特別小的情況。
　　針對(duì)實(shí)際的短期水火電調(diào)度問(wèn)題，我們通過(guò)考慮負(fù)載和線損的不確定性，首次形式化了不確定

7、的單目標(biāo)短期水火電調(diào)度優(yōu)化問(wèn)題。為了解決該問(wèn)題，我們給出了一個(gè)特殊的編碼機(jī)制以處理兩種特殊類型的約束。并且，我們提出了一個(gè)混合的粒子群優(yōu)化算法，該算法結(jié)合了lbest PSO的探索能力以及gbestPSO和梯度方法的開采能力。實(shí)驗(yàn)結(jié)果表明，對(duì)于所測(cè)試的所有問(wèn)題，我們提出的算法要好于lbest PSO，gbest PSO，以及兩種基于梯度的方法（即內(nèi)點(diǎn)法和序列二次規(guī)劃方法）。
　　針對(duì)動(dòng)態(tài)最優(yōu)潮流問(wèn)題，我們關(guān)注負(fù)載和發(fā)電量都可能發(fā)生

8、變化的雙側(cè)隨機(jī)問(wèn)題。已有的大多數(shù)文獻(xiàn)主要只關(guān)注負(fù)載會(huì)變化的單側(cè)隨機(jī)問(wèn)題。但是隨著新能源（如風(fēng)能）在整個(gè)電力結(jié)構(gòu)中比例的逐漸增大，越來(lái)越需要考慮新能源發(fā)電的波動(dòng)性和隨機(jī)性。因此，需要考慮發(fā)電量和負(fù)載都可能變化的雙側(cè)隨機(jī)問(wèn)題。雖然已有一些文獻(xiàn)關(guān)注雙側(cè)隨機(jī)問(wèn)題，但據(jù)我們所知，還沒(méi)有文獻(xiàn)使用演化算法求解該問(wèn)題。本文提出了一種基于族群的差分進(jìn)化算法，該算法有兩個(gè)版本。第一個(gè)版本使用基于最近更好鄰居聚類方法劃分族群，該方法的聚類參數(shù)不敏感。第二個(gè)版