一種包括獨立全局搜索的兩階段粒子群優(yōu)化算法
【專利摘要】本發(fā)明公開了一種包括獨立全局搜索的兩階段粒子群優(yōu)化算法；它包括步驟，種群初始化；采用混沌化方法對粒子的位置X和速度V進(jìn)行初始化；利用適應(yīng)度函數(shù)fitness計算當(dāng)前所有粒子的適應(yīng)值，初始化每個粒子的歷史最優(yōu)位置pbesti和所有粒子的全局最優(yōu)位置gbest；進(jìn)行第一階段迭代-全局搜索；進(jìn)行第二階段迭代-局部搜索。本發(fā)明的有益效果：第一階段迭代-全局搜索的每次迭代，粒子是在所有粒子中隨機(jī)選取一個非自身的粒子進(jìn)行學(xué)習(xí)，這種隨機(jī)選取就保證了群體不會跟蹤特定的粒子，也就保證了不會出現(xiàn)聚集現(xiàn)象。第二階段迭代-局部搜索能很快收斂并能得到精度很高的解，最優(yōu)解的精度得到提高，并且顯著的改善了“早熟”缺陷。
【專利說明】一種包括獨立全局搜索的兩階段粒子群優(yōu)化算法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種粒子群的優(yōu)化算法，特別是一種可應(yīng)用于電力系統(tǒng)的負(fù)荷調(diào)度、電動汽車群的控制等問題的包括獨立全局搜索的兩階段粒子群優(yōu)化算法。

【背景技術(shù)】
[0002]發(fā)電與負(fù)荷的實時平衡是維持電力安全、穩(wěn)定運(yùn)行的基本要求。可再生能源發(fā)電出力的隨機(jī)性、波動性將成為未來電力系統(tǒng)運(yùn)行面臨的巨大挑戰(zhàn)，傳統(tǒng)的、以發(fā)電跟蹤負(fù)荷波動實現(xiàn)系統(tǒng)平衡、以發(fā)電控制調(diào)整系統(tǒng)運(yùn)行狀態(tài)的運(yùn)行策略和控制手段將難以為繼。負(fù)荷調(diào)度一利用負(fù)荷跟蹤可再生能源出力變化，控制負(fù)荷調(diào)整系統(tǒng)運(yùn)行狀態(tài)，作為發(fā)電調(diào)度的補(bǔ)充，將在未來的電力系統(tǒng)運(yùn)行中發(fā)揮重要作用。可控負(fù)荷的廣泛存在，特別是近年來電動汽車的加速推廣為負(fù)荷調(diào)度的實施創(chuàng)造了條件。
[0003]電動汽車在節(jié)能減排、遏制氣候變暖等方面有著傳統(tǒng)汽車無法企及的優(yōu)勢?？紤]到未來電力系統(tǒng)中電動汽車保有量會相當(dāng)龐大，由調(diào)度機(jī)構(gòu)直接對每輛電動汽車進(jìn)行調(diào)度是不現(xiàn)實的。此外集中調(diào)度要求調(diào)度機(jī)構(gòu)與每輛電動汽車之間建立通信信道，以便采集狀態(tài)信息和發(fā)送調(diào)度指令，這對通信網(wǎng)絡(luò)的可靠性和帶寬提出了極高的要求，因此將電動汽車群或智能停車場作為調(diào)度對象是更合理的方案。
[0004]經(jīng)濟(jì)調(diào)度優(yōu)化算法主要包括拉格朗日法、直接搜索法等傳統(tǒng)算法和模擬退火法、遺傳算法、粒子群算法等智能算法，但都還存在一些不足，如:優(yōu)先順序法無法找到最優(yōu)解，只能得到幾組較優(yōu)的組合順序；拉格朗日松弛法可能會出現(xiàn)振蕩或奇異現(xiàn)象；動態(tài)規(guī)劃法計算量太大，須用近似方法加以簡化。
[0005]遺傳算法、粒子群算法等智能優(yōu)化算法，在解決優(yōu)化調(diào)度問題中具有很大的優(yōu)勢，近年來大量學(xué)者在標(biāo)準(zhǔn)粒子群算法的基礎(chǔ)上進(jìn)行了改進(jìn)，其中包括對慣性權(quán)重的選取，學(xué)習(xí)因子Cl和c2的選取，與遺傳算法和微分算法進(jìn)行融合形成混合優(yōu)化算法，進(jìn)行局部搜索和混沌化初始值等方式，但這些方案并沒有從根本上改變粒子群前期出現(xiàn)過早聚集現(xiàn)象的弊端，仍然存在易陷入局部最優(yōu)的問題；另一方面，以往的算法或是所有粒子運(yùn)動停滯后通過擾動、混沌化等方式重新分配粒子的位置和速度，全局搜索能力差，或是通過變異、交叉等方式使得算法在迭代過程中增強(qiáng)了全局搜索能力，但其全局搜索和局部搜索是混合的。


【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的就是為了解決上述問題，提供一種包括獨立全局搜索的兩階段粒子群優(yōu)化算法，該方法利用獨立的全局搜索提高了搜索范圍，避免了粒子的過早聚集。
[0007]為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案:
[0008]一種包括獨立全局搜索的兩階段粒子群優(yōu)化算法，其包括以下步驟:
[0009](I)種群初始化，包括種群大小N，粒子維數(shù)D，第一階段迭代-全局搜索次數(shù)Ml，第二階段迭代-局部搜索次數(shù)M2，尋優(yōu)范圍[Xmin，Xmax]，粒子速度范圍[Vmin，Vmax]，慣性權(quán)重ω的上下限Comax和ωπ?η，第二階段迭代-局部搜索的學(xué)習(xí)因子Cl和C2的上下限cImax> clmin、c2max、c2min,第二階段最優(yōu)適應(yīng)值的最大允許誤差為E, E>0 ；
[0010](2)采用混沌化方法對粒子的位置X和速度V進(jìn)行初始化；
[0011](3)利用適應(yīng)度函數(shù)fitness計算當(dāng)前所有粒子的適應(yīng)值,并令Pbesti = Xpgbest=Xpbestfflin,即初始化每個粒子的歷史最優(yōu)位置Pbesti和所有粒子的全局最優(yōu)位置gbest，其中，i為粒子的序號；
[0012](4)進(jìn)行第一階段迭代-全局搜索，按照公式(I)、(2)進(jìn)行V和X的更新，
[0013]Vt+1；i = Vt； i+c*r* (Xrandom-Xi) (I)
[0014]Xt+1；i = xt, i+Vt+1；i (2)
[0015]其中，c為第一階段迭代-全局搜索的學(xué)習(xí)因子，r為[0，1]的隨機(jī)數(shù)，
[0016]Vm為第i號粒子第t次迭代的粒子運(yùn)動速度，Vt+M為第i號粒子第t+Ι次迭代的粒子運(yùn)動速度，
[0017]Xrandoffl為種群N中一個隨機(jī)粒子的位置值，Xi為第i號粒子位置值，Xt, i為第i號粒子第t次迭代的位置值，Xt+1,i為第i號粒子第t+ι次迭代的位置值。
[0018]對結(jié)果進(jìn)行檢驗,如果V>Vmax,則 V = Vmax ；V<Vmin,則 V = Vmin ；
[0019]如果X>Xmax,則 X = Xmax ;X〈Xmin,則 X = Xmin0
[0020]每次更新后計算所有粒子的適應(yīng)值，與粒子自身的歷史最優(yōu)位置Pbesti對應(yīng)的適應(yīng)值相比較，如果小于粒子自身的歷史最優(yōu)位置Pbesti對應(yīng)的適應(yīng)值，則更新Pbesti得位置；與所有粒子的全局最優(yōu)位置gbest對應(yīng)的適應(yīng)值比較，如果小于所有粒子的全局最優(yōu)位置gbest對應(yīng)的適應(yīng)值,則更新gbest得位置。
[0021]所述第一階段迭代-全局搜索是通過隨機(jī)選取粒子進(jìn)行學(xué)習(xí)，該方式使得算法不會出現(xiàn)粒子聚集現(xiàn)象。
[0022]第一階段迭代-全局搜索終止之前的每一次迭代終止的判斷方法為:設(shè)置標(biāo)志位flag的最大值，利用while循環(huán)，當(dāng)前迭代結(jié)果優(yōu)于上一次迭代或達(dá)到flag最大值時，本次迭代結(jié)束，進(jìn)入下一次迭代。這使得每次全局搜索基本都能找到更優(yōu)的解。
[0023](5)判斷第一階段迭代-全局搜索的迭代次數(shù)是否達(dá)到最大迭代次數(shù)M1，達(dá)到即終止第一階段迭代-全局搜索，迭代結(jié)束后得到X、V的較優(yōu)解，否則繼續(xù)進(jìn)行迭代；
[0024]終止第一階段迭代-全局搜索后，進(jìn)行第二階段迭代-局部搜索；
[0025](6)第二階段迭代-局部搜索采用傳統(tǒng)粒子群算法進(jìn)行局部搜索，以所述步驟(5)中得到的X、V的較優(yōu)解為第二階段迭代-局部搜索的X、V的初始值，故局部搜索能很快收斂并能得到精度很高的解，以公式(3)、(4)對X、V進(jìn)行更新，
[0026]Vt+1；i = ω *Vt，fcl*]"* (Pbest1-Xi)+c2*r* (gbest-Xj (3)
[0027]Xt+li = Xt，i+Vt+li (4)
[0028]其中，ω為慣性權(quán)重，Cl和c2為第二階段迭代-局部搜索的學(xué)習(xí)因子，r為[0，I]的隨機(jī)數(shù)。
[0029]Vm為第i號粒子第t次迭代的粒子運(yùn)動速度，Vt+M為第i號粒子第t+Ι次迭代的粒子運(yùn)動速度，
[0030]Xi為第i號粒子位置值，Xt,i為第i號粒子第t次迭代的位置值，Xt+1,i為第i號粒子第t+ι次迭代的位置值。
[0031]每次更新后計算所有粒子的適應(yīng)值，與粒子自身的歷史最優(yōu)位置Pbesti對應(yīng)的適應(yīng)值相比較，如果小于粒子自身的歷史最優(yōu)位置Pbesti對應(yīng)的適應(yīng)值，則更新Pbesti得位置；與所有粒子的全局最優(yōu)位置gbest對應(yīng)的適應(yīng)值比較，如果小于所有粒子的全局最優(yōu)位置gbest對應(yīng)的適應(yīng)值,則更新gbest得位置。
[0032](7)判斷第二階段迭代-局部搜索的迭代次數(shù)是否達(dá)到第二階段迭代-局部搜索的迭代次數(shù)M2，達(dá)到第二階段迭代-局部搜索迭代次數(shù)M2則迭代終止，否則繼續(xù)迭代；
[0033]或者，檢驗解的適應(yīng)值是否小于E，小于或等于E時停止迭代，否則繼續(xù)迭代。
[0034]本發(fā)明的有益效果:
[0035]本方法設(shè)置了兩階段的粒子群優(yōu)化過程，第一階段為第一階段迭代-全局搜索，控制所有粒子每次迭代均各自隨機(jī)選取一個粒子學(xué)習(xí)，第一階段迭代-全局搜索終止前的每個粒子進(jìn)入下一次迭代的條件設(shè)置為找到了更優(yōu)的解，這保證了搜索的效率。但有些情況下算法長時間找不到更優(yōu)的解，故設(shè)置標(biāo)志位，當(dāng)算法找到了更優(yōu)解或達(dá)到一定的計算次數(shù)均會進(jìn)入下一次迭代，使搜索范圍增大。
[0036]第二階段迭代-局部搜索采用傳統(tǒng)粒子群算法，并以第一階段迭代-全局搜索得到的X、V的較優(yōu)解為第二階段迭代-局部搜索的X、V的初始值，局部搜索能很快收斂并能得到精度很高的解，最優(yōu)解的精度得到提高，并且顯著的改善了“早熟”缺陷。
[0037]第一階段迭代-全局搜索的每次迭代，粒子在所有粒子中隨機(jī)選取一個非自身的粒子進(jìn)行學(xué)習(xí)，這種隨機(jī)選取就保證了群體不會跟蹤特定的粒子，也就保證了不會出現(xiàn)聚集現(xiàn)象。

【專利附圖】

【附圖說明】
:
[0038]圖1為本發(fā)明算法的流程圖。

【具體實施方式】
[0039]下面結(jié)合附圖與電動汽車群的控制實施例對本發(fā)明作進(jìn)一步說明。
[0040]如圖1所示，本算法包括以下步驟。
[0041](I)種群初始化，包括粒子數(shù)取N = 50，全局搜索迭代次數(shù)Ml = 5，局部搜索迭代次數(shù)M2 = 50。設(shè)一共有D = 10個電動汽車群，Xj為第j個電動汽車群的總用電功率與上層調(diào)度系統(tǒng)分配的用電額度的差值。取值范圍[-10，10]，單位為MW，負(fù)值代表電動汽車參與了 V2G。粒子運(yùn)動速度范圍為[-2，2], clmax = c2max = 2.5, clmin = c2min = I。適應(yīng)度函數(shù)f代表了所有電動汽車群用電功率與分配的用電額度差值的平方和，目標(biāo)是使得適應(yīng)度函數(shù)f的值最小以說明所得的分配方案使得電動汽車群均很好的按照分配的用電量工作,表達(dá)式如下:
[0042]/ = Σ^Χ；
[0043]該適應(yīng)度函數(shù)f理論最優(yōu)值為0，理論最優(yōu)位置為(0000000000)使用基本的粒子群算法和本發(fā)明改進(jìn)后的粒子群算法對函數(shù)進(jìn)行求解，比較結(jié)果的優(yōu)劣。
[0044](2)采用混沌化方法對粒子的位置X和速度V進(jìn)行初始化；
[0045]采用的混沌公式為:線性冪函數(shù)混合映射，具體公式如下式。
Xf, Xe (O, a)
[0046]^ill μXi^ — Xi), A.e [ i b]

Xf,Xe(b,l)
[0047]式中:0〈a〈b〈l；0<ρ<1 ;q>l,參數(shù) a = 0.2,b = 0.8,p = 0.5, q = 15，μ = 4, i 代表第i號粒子。
[0048](3)利用適應(yīng)度函數(shù)f計算當(dāng)前所有粒子的適應(yīng)值，并令Pbesti = Xi, gbest =Xpbestfflin,即初始化每個粒子的歷史最優(yōu)位置Pbesti和所有粒子的全局最優(yōu)位置gbest，其中，i為粒子的序號。
[0049](4)進(jìn)行第一階段迭代-全局搜索，按照以下公式進(jìn)行V和X的更新，
[0050]Vtn’ j = \ i+c*r* (Xrandom-Xi)
[0051]Xt+li = Xt’i+Vt+li
[0052]其中，c為第一階段迭代-全局搜索的學(xué)習(xí)因子，令c = 2，r為[0，I]的隨機(jī)數(shù)，
[0053]Vm為第i號粒子第t次迭代的粒子運(yùn)動速度，Vt+M為第i號粒子第t+Ι次迭代的粒子運(yùn)動速度，
[0054]Xrandoffl為種群N中一個隨機(jī)粒子的位置值，Xi為第i號粒子位置值，Xt, i為第i號粒子第t次迭代的位置值，Xt+1,i為第i號粒子第t+ι次迭代的位置值。
[0055]對結(jié)果進(jìn)行檢驗,如果V>Vmax,則 V = Vmax ；V<Vmin,則 V = Vmin ；
[0056]如果X>Xmax,則 X = Xmax ;X〈Xmin,則 X = Xmin ；
[0057]每次更新后計算所有粒子的適應(yīng)值，與粒子自身的歷史最優(yōu)位置Pbesti對應(yīng)的適應(yīng)值相比較，如果小于粒子自身的歷史最優(yōu)位置Pbesti對應(yīng)的適應(yīng)值，則更新Pbesti得位置；與所有粒子的全局最優(yōu)位置gbest對應(yīng)的適應(yīng)值比較，如果小于所有粒子的全局最優(yōu)位置gbest對應(yīng)的適應(yīng)值,則更新gbest得位置。
[0058]第一階段迭代-全局搜索是通過隨機(jī)選取粒子進(jìn)行學(xué)習(xí)，該方式使得算法不會出現(xiàn)粒子聚集現(xiàn)象。
[0059]第一階段迭代-全局搜索終止之前的每一次迭代終止的判斷方法為:設(shè)置標(biāo)志位flag的最大值為100，利用while循環(huán)，當(dāng)前迭代結(jié)果優(yōu)于上一次迭代或標(biāo)志位達(dá)到100時，本次迭代結(jié)束，進(jìn)入下一次迭代。這使得每次全局搜索基本都能找到更優(yōu)的解。
[0060](5)判斷第一階段迭代-全局搜索的迭代次數(shù)是否達(dá)到最大迭代次數(shù)M1，達(dá)到即終止第一階段迭代-全局搜索，迭代結(jié)束后得到X、V的較優(yōu)解，否則繼續(xù)進(jìn)行迭代；
[0061]終止第一階段迭代-全局搜索后，進(jìn)行第二階段迭代-局部搜索。
[0062](6)第二階段迭代-局部搜索采用傳統(tǒng)粒子群算法進(jìn)行局部搜索，以所述步驟(5)中得到的X、V的較優(yōu)解為第二階段迭代-局部搜索的X、V的初始值，故局部搜索能很快收斂并能得到精度很高的解，利用以下公式對X、V進(jìn)行更新，
[0063]Vt+1；i = ω *Vt，fcl*]"* (Pbest1-Vi)+c2*r* (gbest-V^)
[0064]Xt+1；i = Xt, i+Vt+1；i
[0065]其中，ω為慣性權(quán)重，r為[0，I]的隨機(jī)數(shù)，
[0066]Vm為第i號粒子第t次迭代的粒子運(yùn)動速度，Vt+M為第i號粒子第t+Ι次迭代的粒子運(yùn)動速度，
[0067]Xi為第i號粒子位置值，Xt,i為第i號粒子第t次迭代的位置值，Xt+1,i為第i號粒子第t+ι次迭代的位置值，
[0068]Cl和c2為第二階段迭代-局部搜索的學(xué)習(xí)因子，按照下列公式變化:
[0069]ω = ω max-t* (ω max- ω min) /M2,
[0070]cl = clmax-t* (clmax-clmin)/M2,
[0071]c2 = c2max_t*(c2max_c2min)/M2
[0072]其中，t為當(dāng)前迭代次數(shù)。
[0073]每次更新后計算所有粒子的適應(yīng)值，與粒子自身的歷史最優(yōu)位置Pbesti對應(yīng)的適應(yīng)值相比較，如果小于粒子自身的歷史最優(yōu)位置Pbesti對應(yīng)的適應(yīng)值，則更新Pbesti得位置；與所有粒子的全局最優(yōu)位置gbest對應(yīng)的適應(yīng)值比較，如果小于所有粒子的全局最優(yōu)位置gbest對應(yīng)的適應(yīng)值,則更新gbest得位置。
[0074](7)判斷第二階段迭代-局部搜索的迭代次數(shù)是否達(dá)到第二階段迭代-局部搜索的迭代次數(shù)M2，達(dá)到第二階段迭代-局部搜索迭代次數(shù)M2則迭代終止，否則繼續(xù)迭代；
[0075]或者，檢驗解的適應(yīng)值是否小于10_8，小于或等于10_8時停止迭代，否則繼續(xù)迭代。
[0076]針對適應(yīng)度函數(shù)f分別用基本粒子群算法(PSO)和本發(fā)明的改進(jìn)后的粒子群算法(IPSO)計算30次，計算得到的最優(yōu)位置與理論最優(yōu)位置之間的歐式距離，得到的結(jié)果如下表。
[0077]

【權(quán)利要求】
1.一種包括獨立全局搜索的兩階段粒子群優(yōu)化算法，其包括以下步驟: (1)種群初始化； (2)采用混沌化方法對粒子的位置X和速度進(jìn)行初始化； (3)利用適應(yīng)度函數(shù)fitness計算當(dāng)前所有粒子的適應(yīng)值,并令Pbesti= Xi, gbest =Xpbestfflin,即初始化每個粒子的歷史最優(yōu)位置Pbesti和所有粒子的全局最優(yōu)位置gbest，其中，i為粒子的序號； (4)進(jìn)行第一階段迭代-全局搜索，通過隨機(jī)選取粒子進(jìn)行學(xué)習(xí)，計算適應(yīng)值，如果優(yōu)于自身的歷史最優(yōu)值則對適應(yīng)值進(jìn)行更新； (5)判斷第一階段迭代-全局搜索是否結(jié)束；如果第一階段迭代-全局搜索迭代結(jié)束得到X、V的較優(yōu)解，進(jìn)行第二階段迭代-局部搜索，否則繼續(xù)進(jìn)行迭代； (6)終止第一階段迭代-全局搜索后，進(jìn)行第二階段迭代-局部搜索； (7)判斷第二階段迭代-局部搜索是否結(jié)束，達(dá)到第二階段迭代-局部搜索結(jié)束的要求則本算法結(jié)束，得到X、V的最優(yōu)解，否則繼續(xù)進(jìn)行第二階段迭代-局部搜索，直到達(dá)到第二階段迭代-局部搜索結(jié)束的要求。
2.如權(quán)利要求1所述一種包括獨立全局搜索的兩階段粒子群優(yōu)化算法，其特征是，所述步驟(I)中的種群初始化包括種群大小N，粒子維數(shù)D，第一階段迭代-全局搜索次數(shù)Ml，第二階段迭代-局部搜索次數(shù)M2，尋優(yōu)范圍[Xmin，Xmax]，粒子速度范圍[Vmin，Vmax]，慣性權(quán)重ω的上下限Comax和ωπ?η，第二階段迭代-局部搜索的學(xué)習(xí)因子Cl和C2的上下限cImax> clmin、c2max、c2min,第二階段最優(yōu)適應(yīng)值的最大允許誤差為E, E>0。
3.如權(quán)利要求1或2所述一種包括獨立全局搜索的兩階段粒子群優(yōu)化算法，其特征是，所述步驟(4)中第一階段迭代-全局搜索采用以下公式對V和X進(jìn)行更新，
Vt+i,i = Vt；i+c*r* (Xrandom-Xi) Xt+i，i= m+i’i 其中，C為第一階段迭代-全局搜索的學(xué)習(xí)因子，r為[0，1]的隨機(jī)數(shù)， Vm為第i號粒子第t次迭代的粒子運(yùn)動速度，Vt+ll為第i號粒子第t+Ι次迭代的粒子運(yùn)動速度， Xrandoffl為種群N中一個隨機(jī)粒子的位置值，Xi為第i號粒子位置值，Xt, i為第i號粒子第t次迭代的位置值，Xt+1,i為第i號粒子第t+ι次迭代的位置值； 更新過程中對結(jié)果進(jìn)行檢驗，
如果 V>Vmax,則 V = Vmax ；V<Vmin,則 V = Vmin ；
如果 X>Xmax,則 X = Xmax ;X〈Xmin,則 X = Xmin ； 每次更新后計算所有粒子的適應(yīng)值，若優(yōu)于粒子自身的歷史最優(yōu)位置Pbesti對應(yīng)的適應(yīng)值，則更新Pbesti得位置；與所有粒子的全局最優(yōu)位置gbest對應(yīng)的適應(yīng)值比較，若優(yōu)于則更新gbest得位置。
4.如權(quán)利要求3所述一種包括獨立全局搜索的兩階段粒子群優(yōu)化算法，其特征是，第一階段迭代-全局搜索終止之前的每一次迭代終止的判斷方法為:設(shè)置標(biāo)志位flag的最大值，利用while循環(huán)，當(dāng)前迭代結(jié)果優(yōu)于上一次迭代或達(dá)到flag最大值時，本次迭代結(jié)束，進(jìn)入下一次迭代。
5.如權(quán)利要求1或2所述一種包括獨立全局搜索的兩階段粒子群優(yōu)化算法，其特征是，所述步驟(5)中判斷第一階段迭代-全局搜索是否結(jié)束的判斷方法為:檢驗第一階段迭代-全局搜索的迭代次數(shù)是否達(dá)到最大迭代次數(shù)Ml，達(dá)到即終止第一階段迭代-全局搜索，達(dá)不到則繼續(xù)進(jìn)行第一階段迭代-全局搜索。
6.如權(quán)利要求1或2所述一種包括獨立全局搜索的兩階段粒子群優(yōu)化算法，其特征是，所述步驟(7)中判斷第二階段迭代-局部搜索是否結(jié)束的判斷方法為:判斷第二階段迭代-局部搜索的迭代次數(shù)是否達(dá)到第二階段迭代-局部搜索的迭代次數(shù)M2，達(dá)到第二階段迭代-局部搜索迭代次數(shù)M2則迭代終止，否則繼續(xù)迭代； 或者，檢驗解的適應(yīng)值是否小于E，小于或等于E時停止迭代，否則繼續(xù)迭代。
7.如權(quán)利要求1所述一種包括獨立全局搜索的兩階段粒子群優(yōu)化算法，其特征是，第二階段迭代-局部搜索采用傳統(tǒng)粒子群算法進(jìn)行局部搜索，以所述步驟(5)中得到的X、V的較優(yōu)解為第二階段迭代-局部搜索的X、V的初始值，利用以下公式對X、V進(jìn)行更新， Vt+1；i = ω(Pbest1-Xi)+c2*r* (gbest-Xj
Xt+i，i = m+i’i 其中，ω為慣性權(quán)重，Cl和c2為第二階段迭代-局部搜索的學(xué)習(xí)因子，r為[O，I]的隨機(jī)數(shù)， Vm為第i號粒子第t次迭代的粒子運(yùn)動速度，Vt+ll為第i號粒子第t+Ι次迭代的粒子運(yùn)動速度， Xi為第i號粒子位置值，Xt,i為第i號粒子第t次迭代的位置值，Xt+1,i為第i號粒子第t+ι次迭代的位置值； 每次更新后計算所有粒子的適應(yīng)值，若優(yōu)于粒子自身的歷史最優(yōu)位置Pbesti對應(yīng)的適應(yīng)值，則更新Pbesti得位置；與所有粒子的全局最優(yōu)位置gbest對應(yīng)的適應(yīng)值比較，若優(yōu)于則更新gbest得位置。
【文檔編號】G06Q10/04GK104200264SQ201410498586
【公開日】2014年12月10日 申請日期:2014年9月25日 優(yōu)先權(quán)日:2014年9月25日
【發(fā)明者】侯梅毅, 劉世嶺, 曹國衛(wèi), 朱國防 申請人:國家電網(wǎng)公司, 江蘇省電力公司, 江蘇省電力公司鹽城供電公司, 山東大學(xué)