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

1、最優(yōu)化問題在實際問題中廣泛存在。本文主要關注最優(yōu)化問題的約束處理方法、時間關聯(lián)特征以及動態(tài)處理機制，并且研究了兩個實際的優(yōu)化問題，即短期水火電調度問題和動態(tài)最優(yōu)潮流問題。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)式隨機搜索算法，由于適合于解決不連續(xù)、多峰、不可差分等復雜問題，全局搜索能力較強，并且具有較好的自適應性，近年來被廣泛研究。本文的創(chuàng)新之處如下:
　　針對約束優(yōu)化問題，提出基于族群的修復策略用于選擇有

2、代表性的不可行個體進行梯度修復，而不是隨機選擇個體修復。梯度修復方法雖然是一種有效的約束處理方法，然而，如果對所有不可行解都進行梯度修復，會消耗大量的計算量。因此，已有的文獻中都是隨機的選擇一部分解進行修復的。然而，隨機修復可能會使得位置相鄰的個體同時被修復，從而導致冗余修復;并且，在種群已定位到某個可行區(qū)域的情況下，可能仍會選擇該區(qū)域附近的不可行個體進行修復，從而會浪費計算量。本文提出基于族群的選擇方法。基本思想是通過聚類算法將種群劃

3、分為若干族群;對于每一族群，根據(jù)該族群內可行個體的比例決定待修復個體的數(shù)目。該方法可以顯著地減少冗余修復，并且增加修復后個體的多樣性，從而減少了陷入局部最優(yōu)的概率。實驗結果表明，在大多數(shù)情況下，提出的算法要比原算法的結果更好;同時，用于梯度修復的評估次數(shù)顯著少于原算法。
　　針對動態(tài)時間關聯(lián)優(yōu)化問題，研究了預測器不可靠時如何提升預測方法的性能。動態(tài)時間關聯(lián)優(yōu)化指的是具有時間關聯(lián)特征的動態(tài)優(yōu)化問題。時間關聯(lián)指的是當前所做的決策會影響

4、問題未來的狀態(tài)。盡管時間關聯(lián)特征在實際問題中很常見，但是，在演化優(yōu)化領域得到的關注還比較少。目前，在演化優(yōu)化領域，預測策略是主要的求解算法。但是，目前的預測策略沒有考慮預測不準的情況。因此，本文提出了基于逆序數(shù)衡量預測準確度的方法，并且設計了一種基于預測精度的隨機排序機制用于選擇個體。另外，我們提出了一種動態(tài)時間關聯(lián)優(yōu)化標準測試集。改進的算法與典型的預測方法和標準的遺傳算法進行比較。實驗結果表明，提出的算法非常具有競爭力。
　　針

5、對具有多個不相連可行區(qū)域的動態(tài)約束優(yōu)化問題，我們提出從多峰優(yōu)化的角度設計并行地定位和跟蹤多個可行區(qū)域的方法。根據(jù)該思想，我們設計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態(tài)。并且，算法集成了我們提出的自適應的局部搜索策略（不需要設置參數(shù)）和基于族群的偵測機制。另外，我們設計了兩種動態(tài)約束標準測試集，包括修改的G24（即G24v和G24w）和移動可行區(qū)域測試集(Moving Feasible RegionsBench

6、mark，簡稱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態(tài)，并且，MFRB的全局最佳值和可行區(qū)域半徑可以精確計算。在G24，G24v，G24w和MFRB上的實驗結果表明，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。
　　針對實際的短期水火電調度問題，我們通過考慮負載和線損的不確定性，首次形式化了不確定

7、的單目標短期水火電調度優(yōu)化問題。為了解決該問題，我們給出了一個特殊的編碼機制以處理兩種特殊類型的約束。并且，我們提出了一個混合的粒子群優(yōu)化算法，該算法結合了lbest PSO的探索能力以及gbestPSO和梯度方法的開采能力。實驗結果表明，對于所測試的所有問題，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（即內點法和序列二次規(guī)劃方法）。
　　針對動態(tài)最優(yōu)潮流問題，我們關注負載和發(fā)電量都可能發(fā)生

8、變化的雙側隨機問題。已有的大多數(shù)文獻主要只關注負載會變化的單側隨機問題。但是隨著新能源（如風能）在整個電力結構中比例的逐漸增大，越來越需要考慮新能源發(fā)電的波動性和隨機性。因此，需要考慮發(fā)電量和負載都可能變化的雙側隨機問題。雖然已有一些文獻關注雙側隨機問題，但據(jù)我們所知，還沒有文獻使用演化算法求解該問題。本文提出了一種基于族群的差分進化算法，該算法有兩個版本。第一個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。第二個版