基于知識抽取的多目標粒子群算法及其在環(huán)境經(jīng)濟調(diào)度中的研究.pdf

1、電力系統(tǒng)環(huán)境經(jīng)濟調(diào)度問題是一個多目標優(yōu)化問題，該問題往往含有多個相互沖突的目標函數(shù)，使得該問題的求解非常困難。很多優(yōu)化算法都被用來求解該問題，多目標粒子群算法作為一種新型的多目標優(yōu)化算法，在求解電力系統(tǒng)環(huán)境經(jīng)濟調(diào)度問題中具有很大的優(yōu)越性。論文根據(jù)多目標優(yōu)化問題的特點，采用多種策略對多目標粒子群算法進行改進，并用于求解電力系統(tǒng)環(huán)境經(jīng)濟調(diào)度問題。論文主要完成了以下幾個方面的工作:
　　首先，結(jié)合聚類技術(shù)的特點，采用聚類策略對多目標粒子

2、群算法進行了改進。在改進算法中，聚類策略直接作用于群體空間，使得群體在進化過程中不斷逼近最優(yōu)位置所在的區(qū)域。并且算法通過引入類內(nèi)最優(yōu)的概念，將基本粒子群算法的速度更新公式進行了修改，為每個個體增加了一個學(xué)習因子。采用修改后的更新公式，使得粒子在飛行中得以進行更為廣泛的探索，有效地降低了算法陷入局部最優(yōu)的可能性。
　　其次，采用文化算法的雙層演化模式及智能體系統(tǒng)對多目標粒子群算法進行改進。算法設(shè)計中，文化算法的群體空間采用多目標粒子

3、群優(yōu)化算法對群體進行更新演化操作;信念空間采用智能體系統(tǒng)更新知識儲備。兩層空間之間利用同步傳輸方式通過接受操作和影響操作來完成知識信息的交互。通過對知識的抽取、更新和學(xué)習，增強了群體向最優(yōu)學(xué)習的能力，促進算法快速向最優(yōu)位置逼近。
　　此外，結(jié)合聚類技術(shù)增強算法的探索能力以及知識抽取策略加快了算法的尋優(yōu)速度的特點，將聚類技術(shù)用于基于知識抽取的多目標粒子群優(yōu)化算法的群體空間，作為群體的演化策略，采用聚類技術(shù)和知識抽取兩種策略共同改進基