论文部分内容阅读
环境经济调度(EED,Environmental Economic Dispatch)因其能兼顾环境保护和经济效益,而受到了广泛关注。EED问题是一个非线性非凸的多目标优化问题。早期利用约束条件法或者权系数法等技术将多目标转化为单目标问题进行求解的方法很难在多目标间得到权衡。近年来,随着演化算法在解决多目标问题时的优异表现,EED问题的研究逐渐转向利用演化算法获得更优的调度方案。为此,本文设计了两种学习策略,并将其与多目标算法相结合提出了三种多目标算法来解决EED问题,以提高Pareto前沿的均匀性、多样性和收敛性。主要研究工作如下:1.根据外部归档集分布特点,提出两种特定的学习策略以提高Pareto前沿的均匀性和多样性。一种是根据解的稀疏程度选择领导者的更新领导者策略,该策略是根据本文设计的个体间的最大距离md来选择较稀疏的解作为领导者;另一种是探测领导者周围稀疏方向进行扰动的领导者漫步策略,该策略中设计了一个稀疏方向l的概念,用来指导领导者向自身周围稀疏的方向搜索。2.两种策略与基于学习的回溯搜索算法(LBSA)相结合,提出了一种多目标学习回溯搜索算法(MOLBSA)。在LBSA中改进了变异算子,由原来的历史种群(oldP)控制搜索方向替换成由领导者和oldP共同指导变异。将MOLBSA应用到IEEE30-bus 6机组的测试系统上得到的实验结果与其他算法比较,实验结果验证了MOLBSA的优越性能。3.两种策略与集体决策优化算法(CDOA)相结合,提出了一种多目标集体决策优化算法(MOCDOA)。在MOCDOA中设计了一个几何中心更新策略,使算法向当前Pareto前沿的两个端点搜索的概率增大从而增加Pareto前沿的多样性。MOCDOA在IEEE30-bus 6机组上进行实验,结果表明与其他算法相比MOCDOA具有更良好的性能。4.两种策略与本文提出的一种新的灰色预测优化算法(GPEA)相结合,提出了一种多目标灰色预测优化算法(MOGPEA)。GPEA是利用连续的三代种群(称为信息进化链)组成时间序列,并通过GM(1,1)来预测产生下一代。将MOGPEA应用到IEEE30-bus 6机组的测试系统上,结果与其他算法比较验证了MOGPEA在均匀性、多样性和收敛性各方面的优越性。为进一步验证两个策略与算法结合的性能,将MOLBSA、MOCDOA和MOGPEA得到的结果进行比较。结果表明MOGPEA在均匀性和收敛性方面优于其他两种多目标算法,MOCDOA在多样性反面优于其他两种多目标算法,并且三种多目标算法都有潜力解决电力系统的其他多目标优化问题。