專利名稱：一種基于云理論的模擬植物生長(zhǎng)優(yōu)化方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種模擬植物生長(zhǎng)優(yōu)化方法，尤其是涉及一種基于云理論的模擬植物生長(zhǎng)優(yōu)化方法。
背景技術(shù)：
隨著互聯(lián)電網(wǎng)規(guī)模的不斷壯大，低頻振蕩問題日益突出，而研究普遍認(rèn)為造成低頻振蕩的原因則被認(rèn)為是由于系統(tǒng)缺乏機(jī)電振蕩模態(tài)阻尼，而為了預(yù)防低頻振蕩的頻繁發(fā)生，改善系統(tǒng)的小擾動(dòng)穩(wěn)定性，一種既經(jīng)濟(jì)又實(shí)效的措施是選擇在電力系統(tǒng)中投入PSS與FACTS附加阻尼控制器。然而研究表明，當(dāng)系統(tǒng)中存在很多控制器時(shí)，控制器通道間往往有著很強(qiáng)的耦合作用，各控制器之間存在不良的相互影響，當(dāng)控制器參數(shù)匹配不當(dāng)時(shí)，不僅不能抑制低頻振蕩，反而有可能加劇振蕩的程度。因此需要對(duì)PSS和FACTS附加阻尼控制之間的協(xié)調(diào)控制及參數(shù)進(jìn)行優(yōu)化。在對(duì)控制器安裝點(diǎn)及輸入信號(hào)選擇進(jìn)行相關(guān)分析的前提下，建立了系統(tǒng)阻尼與阻尼控制器參數(shù)之間的模型，以系統(tǒng)中所有機(jī)電振蕩模式最小阻尼比最大化為優(yōu)化目標(biāo)，利用智能優(yōu)化方法對(duì)該模型進(jìn)行優(yōu)化計(jì)算，得到能夠最大限度提高系統(tǒng)阻尼的控制器參數(shù)組合?，F(xiàn)有智能方法如遺傳方法在計(jì)算中對(duì)編碼機(jī)制的依賴性較大，一旦選擇不合適則會(huì)導(dǎo)致局部收斂以及計(jì)算效率降低；蟻群方法則對(duì)參數(shù)設(shè)置較高，并且比較耗時(shí)；模擬退火方法迭代過程較為復(fù)雜，也會(huì)導(dǎo)致運(yùn)算時(shí)間較長(zhǎng)；而粒子群方法則容易陷入局部極值點(diǎn)，導(dǎo)致優(yōu)化精度降低。本發(fā)明的提出則是為了更好的解決現(xiàn)有智能優(yōu)化存在的一些局限性，原始的模擬植物生長(zhǎng)方法是根據(jù)Przemyslaw Prusinkiewicz等人在1968年提出的一個(gè)計(jì)算機(jī)模擬植物生長(zhǎng)系統(tǒng)(L-system)演化而來的。而隨著互聯(lián)電網(wǎng)規(guī)模的不斷擴(kuò)大，系統(tǒng)狀態(tài)矩陣階數(shù)也不斷提高，往往可以達(dá)到數(shù)萬階，則需要研究?jī)?yōu)化速度快，收斂精度高，適用于大規(guī)模優(yōu)化問題的新型方法。

發(fā)明內(nèi)容
本發(fā)明主要是解決現(xiàn)有技術(shù)所存在的技術(shù)問題；提供了一種對(duì)參數(shù)的設(shè)置不具有依耐性，并可以保證獲得全局最優(yōu)解的一種基于云理論的模擬植物生長(zhǎng)優(yōu)化方法。本發(fā)明還有一目的是解決現(xiàn)有技術(shù)所存在的技術(shù)問題；提供了一種搜索速度有了大幅度的提高，尤其對(duì)求解大規(guī)模的優(yōu)化問題較其他方法有明顯優(yōu)勢(shì)，并且能進(jìn)行連續(xù)函數(shù)優(yōu)化的一種基于云理論的模擬植物生長(zhǎng)優(yōu)化方法。本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的一種基于云理論的模擬植物生長(zhǎng)優(yōu)化方法，其特征在于，包括以下步驟步驟1，給出優(yōu)化變量的初始值，即給出初始基點(diǎn)x°，并獲取對(duì)應(yīng)的目標(biāo)函數(shù)值f(x°)，并另最優(yōu)解和對(duì)應(yīng)的目標(biāo)函數(shù)初值為Xmin = X0和Fmin = f(x°)；步驟2，利用正向云模型尋找新生長(zhǎng)點(diǎn)，即以初始基點(diǎn)為Ex，按照變步長(zhǎng)En和精度He生成一組正態(tài)分布的生長(zhǎng)點(diǎn)，計(jì)算各點(diǎn)生長(zhǎng)素濃度，然后在基點(diǎn)的各個(gè)方向依次搜索滿足約束條件的生長(zhǎng)點(diǎn)；步驟3，獲取步驟2中各生長(zhǎng)點(diǎn)中生長(zhǎng)素濃度，選擇生長(zhǎng)素濃度最大的點(diǎn)，如果同時(shí)該點(diǎn)即生長(zhǎng)素濃度也大于0，則該點(diǎn)的生長(zhǎng)空間最大即目標(biāo)函數(shù)最優(yōu)，若該點(diǎn)的的目標(biāo)函數(shù)值小于Fmin則置換Fmin及Xmin,若該點(diǎn)的目標(biāo)函數(shù)若大于或等于Fmin,則保留Fmin及Xmin ;若選擇的生長(zhǎng)素濃度最大的點(diǎn)，生長(zhǎng)素濃度不大于0，表明不再有更優(yōu)生長(zhǎng)點(diǎn)出現(xiàn)，進(jìn)入步驟4 ；步驟4，若迭代次數(shù)達(dá)到規(guī)定值，或者連續(xù)N輪不再有更優(yōu)的生長(zhǎng)點(diǎn)出現(xiàn)，則執(zhí)行步驟6，否則執(zhí)行步驟5。步驟5，選取步驟3中的最優(yōu)點(diǎn)作為下一輪的生長(zhǎng)基點(diǎn)，并執(zhí)行步驟2。步驟6，輸出Xmin的值，即為最優(yōu)解X* = Xmin,以及最優(yōu)值f* = Fmin0
本發(fā)明創(chuàng)造性的對(duì)原始方法進(jìn)行了改進(jìn)，即采用了變步長(zhǎng)的搜索策略和將云模型理論用于原始方法中新生長(zhǎng)點(diǎn)的選取。原始模擬植物生長(zhǎng)算法中是將搜索步長(zhǎng)設(shè)定為一個(gè)定值，這樣使得若初值的選取偏離最優(yōu)解較遠(yuǎn)時(shí)會(huì)耗費(fèi)過多的搜索時(shí)間從而影響算法效率。所以這里可以采取變換搜索步長(zhǎng)的策略，即先采用較大步長(zhǎng)搜索，然后逐漸縮小步長(zhǎng)進(jìn)行搜索。根據(jù)解的規(guī)模的大小，步長(zhǎng)的最初值可選為Stl，設(shè)T=0，1,2……3表示枝干生長(zhǎng)的次數(shù)(即迭代輪次)，ST為每輪的搜索步長(zhǎng),cV^，3/"分別表示第T輪的基準(zhǔn)點(diǎn)和最優(yōu)點(diǎn)的生長(zhǎng)素濃度值,滬是用來衡量變步長(zhǎng)的權(quán)重，浐=設(shè)/1產(chǎn)).(^0記產(chǎn).？，所以第T輪的搜索步長(zhǎng)5ν=(1-#)·&4，體現(xiàn)了根據(jù)每一輪的最優(yōu)值相比基準(zhǔn)值優(yōu)化所提高的權(quán)重系數(shù)而自適應(yīng)的改變搜索步長(zhǎng)的改進(jìn)思路。另一個(gè)改進(jìn)則是在原始方法中融入云模型理論。利用云模型在知識(shí)表達(dá)時(shí)具有不確定中帶有確定性、穩(wěn)定之中又有變化的特點(diǎn)，體現(xiàn)了自然界植物生長(zhǎng)的基本原理。在原始模擬植物生長(zhǎng)方法中，每一輪迭代中必定會(huì)有朝著最優(yōu)解的新生長(zhǎng)點(diǎn)產(chǎn)生，此過程可以看作云模型C(Ex，En，He)中的Ex概念；En則代表每一輪迭代中搜索新生長(zhǎng)點(diǎn)的步長(zhǎng)，正好可以反映生長(zhǎng)點(diǎn)集的離散程度，也從另一方面體現(xiàn)了變步長(zhǎng)策略；又由于原始方法中上一輪迭代產(chǎn)生的生長(zhǎng)點(diǎn)形態(tài)素濃度在下一輪生長(zhǎng)中根據(jù)環(huán)境因素全部重置，具有不確定性和隨機(jī)性，因而用H6來描述。而每一次迭代中的生長(zhǎng)點(diǎn)即可看作是云模型中的一個(gè)云滴，每一個(gè)云滴都是定性概念的量化實(shí)現(xiàn)，也是定性概念的代表，每一次變換(產(chǎn)生新生長(zhǎng)點(diǎn))得到不同的云滴集合，單個(gè)云滴不能代表什么，但整體形狀的云(其集合)可以反映概念的基本特性，即每次迭代的生長(zhǎng)點(diǎn)集合以上一輪的最優(yōu)生長(zhǎng)點(diǎn)為期望正態(tài)分布于樹干與樹枝上，使得該方法能夠更快的朝著最優(yōu)解選取生長(zhǎng)點(diǎn)，簡(jiǎn)而言之即是每輪適應(yīng)度最大的生長(zhǎng)點(diǎn)作為下一輪的生長(zhǎng)基點(diǎn)，避免了隨機(jī)選取生長(zhǎng)點(diǎn)所帶來的生長(zhǎng)點(diǎn)集過多而影響尋優(yōu)效率的問題。在上述的一種基于云理論的模擬植物生長(zhǎng)優(yōu)化方法，所述的步驟I中，依據(jù)生長(zhǎng)基點(diǎn)獲取目標(biāo)函數(shù)值是基于以下方法設(shè)樹干M和樹枝m上分別有k個(gè)和I個(gè)生長(zhǎng)點(diǎn)，即k個(gè)生長(zhǎng)點(diǎn)SM1, Sm2, ···, Sltlk和I個(gè)生長(zhǎng)點(diǎn)Sml, Sm2, ···, Sml。每一個(gè)生長(zhǎng)點(diǎn)上的形態(tài)素濃度分別為Pm，Pm2>…，Pb5和Pml，Pm2>…，PmI，則樹干及樹枝上各生長(zhǎng)點(diǎn)形態(tài)素濃度值分別為
權(quán)利要求
1.一種基于云理論的模擬植物生長(zhǎng)優(yōu)化方法，其特征在于，包括以下步驟步驟1，給出優(yōu)化變量的初始值，即給出初始基點(diǎn)X°，并獲取對(duì)應(yīng)的目標(biāo)函數(shù)值f(x°)， 并另最優(yōu)解和對(duì)應(yīng)的目標(biāo)函數(shù)初值為Xmin = X0和Fmin = f(x°)；步驟2，利用正向云模型尋找新生長(zhǎng)點(diǎn)，即以初始基點(diǎn)為Ex，按照變步長(zhǎng)En和精度He生成一組正態(tài)分布的生長(zhǎng)點(diǎn)，計(jì)算各點(diǎn)生長(zhǎng)素濃度，然后在基點(diǎn)的各個(gè)方向依次搜索滿足約束條件的生長(zhǎng)點(diǎn)；步驟3，獲取步驟2中各生長(zhǎng)點(diǎn)中生長(zhǎng)素濃度，選擇生長(zhǎng)素濃度最大的點(diǎn)，如果同時(shí)該點(diǎn)即生長(zhǎng)素濃度也大于O，則該點(diǎn)的生長(zhǎng)空間最大即目標(biāo)函數(shù)最優(yōu)，若該點(diǎn)的的目標(biāo)函數(shù)值小于Fmin則置換Fmin及Xmin,若該點(diǎn)的目標(biāo)函數(shù)若小于或等于Fmin,則保留Fmin及Xmin ;若選擇的生長(zhǎng)素濃度最大的點(diǎn)，生長(zhǎng)素濃度不大于O，表明不再有更優(yōu)生長(zhǎng)點(diǎn)出現(xiàn)，進(jìn)入步驟4;步驟4，若迭代次數(shù)達(dá)到規(guī)定值，或者連續(xù)N輪不再有更優(yōu)的生長(zhǎng)點(diǎn)出現(xiàn)，則執(zhí)行步驟 6，否則執(zhí)行步驟5;步驟5，選取步驟3中的最優(yōu)點(diǎn)作為下一輪的生長(zhǎng)基點(diǎn)，并執(zhí)行步驟2 ;步驟6，輸出Xmin的值，即為最優(yōu)解X* = Xmin,以及最優(yōu)值f* = Fmin0
2.根據(jù)權(quán)利要求1所述的一種基于云理論的模擬植物生長(zhǎng)優(yōu)化方法，其特征在于，所述的步驟I中，依據(jù)生長(zhǎng)基點(diǎn)獲取目標(biāo)函數(shù)值是基于以下方法設(shè)樹干M和樹枝m上分別有 k個(gè)和I個(gè)生長(zhǎng)點(diǎn)，即k個(gè)生長(zhǎng)點(diǎn)SM1, Sm2, ···, Sltlk和I個(gè)生長(zhǎng)點(diǎn)Sml, Sm2, ···, Sml ;每一個(gè)生長(zhǎng)點(diǎn)上的形態(tài)素濃度分別為PM1, P12,…，Pik和Pml, Pm2, ···，？&，則樹干及樹枝上各生長(zhǎng)點(diǎn)形態(tài)素濃度值分別為
3.根據(jù)權(quán)利要求1所述的一種基于云理論的模擬植物生長(zhǎng)優(yōu)化方法，其特征在于，所述的步驟2中，利用正向云模型尋找新生長(zhǎng)點(diǎn)的具體方法是基于定義云模型C，其中云模型C由Ex，En，C(Ex，En，H6)三個(gè)維度組成，定義Ex為生長(zhǎng)基點(diǎn)，即當(dāng)前最接近最優(yōu)解的點(diǎn)；En則代表每一輪迭代中搜索新生長(zhǎng)點(diǎn)的步長(zhǎng)，He為生長(zhǎng)點(diǎn)形態(tài)素濃度。
4.根據(jù)權(quán)利要求1所述的一種基于云理論的模擬植物生長(zhǎng)優(yōu)化方法，其特征在于，所述的步驟2中，生成一組正態(tài)分布的生長(zhǎng)點(diǎn)的具體方法是基于定義標(biāo)準(zhǔn)正態(tài)分布函數(shù)為C (Ex, En, HJ，步驟如下 步驟4.1根據(jù)上一輪的最優(yōu)生長(zhǎng)點(diǎn)Xt的生長(zhǎng)素濃度f (Xt)為期望值Ex，搜索步長(zhǎng)St為標(biāo)準(zhǔn)差En，生成正態(tài)隨機(jī)數(shù)X = Gn(ExjEn)； 步驟4. 2，利用En為期望，為標(biāo)準(zhǔn)差生成正態(tài)隨機(jī)數(shù)/;, =；計(jì)算y = exp[-(X-EJ21{2E2n)]，(x, y)為新的生長(zhǎng)點(diǎn)。
5.根據(jù)權(quán)利要求1所述的一種基于云理論的模擬植物生長(zhǎng)優(yōu)化方法，其特征在于，所述的步驟2中，步長(zhǎng)的選取基于步長(zhǎng)的最初值選為Stl，設(shè)T=O, I, 2……，t表示枝干生長(zhǎng)的次數(shù)，即迭代輪次，St為每輪的搜索步長(zhǎng)，分別表示第T輪的基準(zhǔn)點(diǎn)和最優(yōu)點(diǎn)的生長(zhǎng)素濃度值,纊是用來衡量變步長(zhǎng)的權(quán)重，#=卩/"-5，)令 ’)/3產(chǎn)，所以第T輪的搜索步長(zhǎng)。
全文摘要
本發(fā)明涉及基于云理論的改進(jìn)模擬植物生長(zhǎng)優(yōu)化方法。本發(fā)明創(chuàng)造性的對(duì)原算法進(jìn)行了改進(jìn)，采用了變步長(zhǎng)搜索策略和基于云理論的改進(jìn)思路，使之相比原始算法的優(yōu)化效率大幅度提高。原算法中搜索步長(zhǎng)定為定值，導(dǎo)致初值選取會(huì)影響算法效率，故這里采取變步長(zhǎng)策略，即根據(jù)每輪最優(yōu)值和基準(zhǔn)值的權(quán)重關(guān)系來改變下一輪步長(zhǎng)；另一個(gè)改進(jìn)是在算法中融入云理論，在該算法中，每輪迭代定會(huì)有當(dāng)前最優(yōu)點(diǎn)產(chǎn)生，此過程可以看作云模型C(Ex,En,He)中的Ex概念；En則代表每輪迭代中搜索新生長(zhǎng)點(diǎn)步長(zhǎng)，可以反映生長(zhǎng)點(diǎn)集的離散程度，也從另一方面體現(xiàn)變步長(zhǎng)策略；又由于原算法中上輪迭代產(chǎn)生的生長(zhǎng)點(diǎn)形態(tài)素濃度在下輪生長(zhǎng)中根據(jù)環(huán)境因素全部重置，具有不確定性和隨機(jī)性，因而用He來描述。
文檔編號(hào)G06F19/00GK103020440SQ20121051406
公開日2013年4月3日 申請(qǐng)日期2012年12月4日 優(yōu)先權(quán)日2012年12月4日
發(fā)明者林濤, 付紅軍, 吳漢彬, 孫建華, 潘勵(lì)哲, 李志恒, 余光正, 孫冉 申請(qǐng)人:河南省電力公司, 武漢大學(xué)