【多目标粒子群优化算法在电动汽车充电站选址问题中的应用方法】5800字

多目标粒子群优化算法在电动汽车充电站选址问题中的应用方法综述目录TOC\o"1-3"\h\u31110（一）智能算法简介 18479（二）粒子群优化算法简介 5284371.粒子群优化算法的起源 5120662.粒子群优化算法的原理 5185903.粒子群算法的优点 710481（三）简洁多目标微粒群优化算法的应用 752641.研究背景 7130852.BB-PSO算法流程 8智能算法简介现代优化算法也被称为现代启发式算法，主要包括有遗传算法，模拟分析，禁忌搜索等。这些算法与诸如生物进化和神灵之类的领域有关。它们都是使用几个直观概念设计的算法。我们将之称为启发式算法。启发式算法的全局优化率也很一般。当人们对解决复杂问题的传统算法不满意时，现代智能优化算法就开始发挥作用。现代智能优化算法最开始出现在1980年代，并且发展迅速。这些算法具有严格的理论基础，并且始终可以在一段时间内找到最佳解决方案或最佳解决方案。它们具有相同的特征：从特定解开始，并在给定的公共解中以概率找到最佳解。算法的分类：模拟退火算法模拟退火算法（SAA）是一种普遍的随机优化算法。它是本地搜索算法的扩展，适用于在较大搜索空间中找到句子最佳的解决方案。他的早期想法是由Metropolis在1953年提出的，然后被KirkpatrickS.和GelattC.D成功地用于组合优化。VecchiM.P.V.Černý于1983年独立发明了该算法。20世纪90年代模拟算法基本的思想是基于物理学中固体物质环空的过程。由于其多样性，该算法已被广泛应用于工程。对于组合优化，提出了一种模拟算法，其目的是：（1）为NP复杂性问题提供了一种有效的概率求解算法；（2）在优化过程中克服局部最小值；（3）克服初始值依赖性。遗传算法遗传算法是种计算模型，可以用于模拟达尔文遗传选择和自然消除生物的进化。这是通过模拟自然进化而找到的最佳解决方案方法。它由密歇根大学的J.教授最先提出的。1975年在荷兰出版。一并出版了有影响力的专著《自然与人工系统的适应》。GA的名称也从这时开始逐渐广为人知。教授Holland提出的遗传算法通常是指简单遗传算法（SGA）。其基本流程为：图2-1遗传算法流程图人工神经网络顾名思义，神经网络是可以模拟大脑的。它是一个非线性的适应性的信息处理系统，由大量的相互连接的处理单元组成的。它的成分和作用方式模仿人的大脑，但是模仿的程度非常有限。与VonNeiman仪器不同，神经网络计算是非线性，非限制性，非凸性以及自适应。在生物科学中，神经基本的单位被称为神经元。每个神经细胞看起来都像手臂。掌状位置包含被称为细胞体的细胞核。手指像树突一样是信息输入的道路，就像手臂轴突被称为信息输出的通道一样。神经元即错综复杂又相互连接，并互相传递信号，并且所有传递的信号都将引起神经元电位的改变。一旦电势高于某个值，这将导致神经元放电并且神经元穿过轴。外部发电信号。粒子群算法粒子群优化（PSO）是由Eberhart博士和Kend博士在1995年共同提出的一种进化计算技术（进化计算）。这种算法起源于对鸟类的掠食行为研究。该算法最初的启发是鸟群活动的规律性，然后基于鸟群的活动规律智能建立的简化模型。基于对动物群体活动以及行为的观察，粒子群算法利用群体中各个个体的信息共享来允许整个群体的运动，在解决问题的空间内有序地形成进化的过程，从而获得最佳解决方案。粒子群算法与遗传算法相比，两者相似，而PS0是一种迭代优化算法。将系统初始化后分成一组随机的解，这些随机解通过重复来获得最佳值。但是，PS0没有遗传算法的交叉和变异。相反，粒子在溶液空间中寻找最佳粒子。与遗传算法比较，PS0的优势是无需调整许多参数就可以轻松实现。它也被广泛用于功能的优化，神经网络的训练，模糊系统的控制以及其他遗传算法的使用。PSO仿照了鸟类掠食的行为。想象一下这个场景，一群鸟儿在随意的寻找食物。但是该地区只有一片食物。并非所有鸟类都知道食物在什么地方。但是鸟类知道它们距离有食物的地方有多远。寻找食物的最佳思路是什么？最简单，最有效的方法是在鸟类附近找到当前最靠近食物的地方。PSO受到了该模型的启发，并将其利用在解决优化的问题。PS0中每一个优化问题的解决方法是在一个范围搜索的空间中寻找到一只鸟类。我们将这只鸟称为“粒子”。每个粒子都拥有一个由优化函数定义的适应度值（适应度值），每个粒子还具有一个确定其飞行的方向，飞行的距离以及速度。然后，粒子根据当前的最佳粒子并搜索解空间。为此主题选择的算法是粒子组优化PSO。PSo作为一组随机粒子（随机溶液）开始。然后通过重复来找到最佳的解决方案。在每次重复中，使用两个“极值”轨迹来更新粒子。第一个“极值”是本身找到的最佳方案。该解决方案被称为pBest的单个极值。另一个“极值”是当前可用于整个人群找到的最佳方案，而该极限值是gBest的全球极限值。另外，除了所有颗粒之外，仅所有颗粒中的的一小部分可以与颗粒相邻适用。那么所有的相邻的极值就是当前的局部极值。粒子群优化算法简介粒子群优化算法的起源当肯尼迪和埃伯哈特在1995年使用计算机模拟鸟类的简单社交行为时，他们启发并影响了粒子群优化算法。想象一下一个场景：一群鸟类意外地散布在太空中，只带了一部分食物。并非所有的鸟类都知道食物在哪里，但是他们知道它们离食物有多远。我们怎样才能最快找到食物？最科学有效的方法是在视野内寻找最接近食物的鸟。如果将鸟类与食物之间的距离作为可用性的函数，并且将食物作为最佳点，则可以将获取鸟类食物的过程用作最佳解决方案。科学家一直对鱼类和鸟类的社会行为感兴趣。这些生物以非常特殊的方式移动，整体外观也非常漂亮。生物学家古德·雷诺兹（CargiReynolds）提出了非常具有影响力的一种鸟类采集模型。根据他的模型，以下所有规则均遵循三个规则：避免与相邻的个体发生碰撞，使相邻的个体速度保持一致，尝试飞向感知鸟类群的中心。以这种方式，产生了分散控制算法以反证鸟类的收集，并且出现了一系列现象，这些现象特别接近鸟类的收集的实际行为。这种现象表明，高空飞行的鸟类形成了独特的群，然后在障碍物面前飞行并团结起来。受此启发，通过简化提出了粒子群优化算法。粒子群优化算法的原理在粒子组优化的算法中，每个优化问题潜在的解决方案称为“粒子”，它等效于鸟类搜索的空间。所有粒子的适应度值是由优化函数来确定，其飞行方向和飞行距离取决于粒子的速度。然后跟随现阶段可用的最佳粒子，由此来寻找此空间中的可用的最佳方案。开始以一组随机粒子的形式进行优化。然后通过数次迭代，以此来找到最佳的解决方案。在每一次的迭代中，粒子通过跟踪两个极值来改变位置。第一个极值是在此空间内为整个人群寻找的最佳解决的方案，这是最好的。另外，也可以只使用当前空间内所有粒子中的一部分粒子，因为所有粒子及其之间的极点称为局部最优，所以只能使用一部分粒子。第二个极值是最佳粒子找到的最佳解，称为单个最优点。虽然粒子只能通过跟踪全局最佳点或局部最佳点来更改其位置，通常无法提出更好的解决方案。但是，在优化过程中，无论粒子遵循全局优化还是局部优化，野生区域都会监控一个可以很好地解决此问题的优化方法。这是粒子群优化算法的原理。在算法的开始，随机粒子的位置和速度代表了均匀分布在空间中的初始种群。I粒子在n维解空间中的位置和速度我们使用Xi=（xi1，xi2，xid）和Vi=（vi1，vi2，vid）表示，然后再次寻求最佳解。在每次迭代中，粒子通过跟踪两个极限值来更新其速度和位置。到目前为止，极值是粒子本身找到的最佳解决方案。该极值称为个体极值Pbi=（Pbi1，Pbi2，Pbid）。另一个极值是迄今为止在粒子附近找到的最佳解决方案。整个邻域中的这个极值称为最佳粒子Nbesti=（Nbesti1，Nbesti2，Nbestid）。粒子根据以下等式（2-1）和（2-2）更新速度和位置：在公式中，c1和c2是加速度常数，并且最大步长被调整为分别在全局最佳粒子和最佳粒子的方向上飞行。如果太小，粒子可能会从目标区域移开。否则，粒子可能会离开目标区域。如果太大，粒子将突然飞到目标区域。移至目标区域或在目标区域上空飞行。适当的c1和c2可以提高接近速度，并且很难到达局部最佳位置。rand（）是介于0和1之间的随机数。每个维度中飞行的粒子的速度不能超过该算法设置的最大速度Vmax。设置较大的Vmax可以确保粒子总体的全局搜索能力，而较小的Vmax可以增强粒子总体优化算法的局部搜索能力。在模拟鸟类群觅食时，提出了粒子群优化算法。提出之后，发现用动物或人类认知来解释该算法的原理是更合理的。速度更新公式（2-1）分为三个部分。第一部分是Vi，这说明粒子倾向于根据原始方向和空间中的速度进行搜索。人们可以通过感知事物的固有习惯来解释这一点。第二部分是c1·rand（）（Pbesti-Xi），这代表着粒子偏向于在空间中寻找以前遇到过的最佳解决方案。这可以通过人们感知过去事物的经验来解释。第三部分是c2·rand（）（Nbesti-Xi），这代表着空间中的粒子偏向于搜索过去在整个邻域中遇到的最佳的解决方案。这可以通过人们在认识事物的时候，学习他人的知识，即分享他人的经验来解释。因此，粒子群优化算法实际上是通过借鉴人或动物的习惯，经验和学习的过程来寻找的最佳方法。粒子群算法的优点粒子群优化算法具有以下主要优点：（1）易于描述；（2）易于实施；（3）调整的参数少；（4）适用于较少的人口；（5）收敛需要评估函数的次数很少；（6）快速收敛。粒子群优化算法对内存和CPU的要求相对而言较低，因此易于实现，而且计算的成本低。此外，它还需要梯度函数作为目标函数的信息，而仅取决于函数值。实际上，粒子群优化算法已被证明是解决许多全局优化问题的有效方法。简洁多目标微粒群优化算法的应用研究背景作为进化算法的强大竞争者，基于种群的PSO算法可以同时搜索多个区域边界，并广泛用于许多目标优化问题中。但是，现有的PSO算法始终对惯性权重程度和学习因子值敏感，因为它们必须监视全局惯性权重和算法以及本地开发机会。而大量的实验和理论分析也表明，粒子群优化算法的近似高度依赖于惯性的严重程度和学习因素。为了克服上述缺点，研究人员提出了许多用于动态或自适应调节惰性砝码和训练因子的策略，例如非线性惯性砝码减小方法，模糊动态调节方法和惯性砝码算法。粒子聚集的演化速率和程度。惯性权重调整策略和时变（动态改变重复次数）学习因素。然而，以上研究结果是针对单目标优化问题提出的，并且针对若干目标优化问题也有一些研究结果。Pravien等。MOPSO算法使用随时间变化的学习因子线性减小惯性重力，并为多用途粒子提供随时间变化的优化算法。Tripati等。将作为决策变量的一部分，需要惯性权重和确定系数，并使用粒子群算法对其进行优化，并使用粒子群算法进行优化。多目标优化问题和两个控制参数的目的是提出一种自适应的多目标粒子优化算法。当前，设置这两个控制参数的方法是粒子群优化算法的热点。肯尼迪首次提出了准系统粒子群优化器（BB-PSO）。该算法的优势在于，无需确定惯性权重，训练因子和其他控制参数，即可使用全局分布和粒子群来完成粒子状态更新。将以上考虑扩展到一个非常客观的优化问题，我们可以提供一种具有相对较小控制参数的简单多目标粒子群算法。BB-PSO算法介绍作为最简单的PSO算法，肯尼迪（Kennedy）在2003年提出了一种简单的粒子优化算法。BB-PSO算法中的原始文本删除了用于更新粒子位置和速度的传统公式，并在此公式的基础上提供了高斯选择公式。粒子全局和统一的最佳点信息，用于粒子位置更新：同时，作为另一种可供选择的微粒位置更新方式，Kennedy还提出了一种称为BBExp的更新公式，由于微粒xi的每个分量都以50%的机会选择其个体最优点的对应分量，因此，BBExp方法将偏重于对微粒个体最优点的开发。最近，Pan等证明了BB-PSO算法可由传统PSO算法推导出；Omran等混合BB-PSO和自适应差分算法，提出了一种简洁差分算法(Barebonesdifferentialevolution，BBDE)，改进了个体位置的更新公式：BB-PSO思想得到的关于微粒个体最优点和全局最优点的随机加权值。与传统的粒子群优化算法相比，BB-PSO在不改变控制参数的情况下更加简单明了。因此，将其应用于实际问题更自然。今天，一些更成功的程序包括完全优化问题和不受控制的图像聚类问题。但是，使用BB-PSO的思想解决非常客观的优化问题尚未产生相关结果。BB-PSO算法流程考虑精确多目标优化问题，我们给出一种简洁的多目标微粒群优化算法(Barebonesmulti-objectiveparticleswarmoptimization，BB-MOPSO)。下图为BB-MOPSO的基本步骤：图2-2简洁多目标微粒群优化算法的基本步骤具体流程如下：初始化在BB-MOPSO算法的初始阶段，首先，以SN的大小初始化粒子群，并在给定的可行区域内为粒子群中的每个粒子随机分配初始位置。初始化每个粒子的单个最佳优点是它本身，即xpi=xi，其中xi是粒子组SO中的第i个粒子。为了存储在整个搜索过程中找到的非劣质解决方案，BB-MOPSO算法还引入了一个外部储备集。在图2-2步骤1中，外部储备集最初是粒子群S0中的所有非劣解，函数NONDOMINATED用于返回粒子群中的非劣解。微粒个体最优点的更新单个粒子的最佳点是当前粒子从开始到现在的最佳位置。为了在BB-MOPSO中使用，我们使用以下常用方法：假设第一代粒子的位置是最佳点，如果不控制新粒子，将使用它；否则，它仍然是粒子。最好的个人。在图2-2中，该函数返回单个粒子的更新的最佳点。微粒全局最优点的选择粒子的全局最优值是从开始到当前重复次数最接近当前粒子的所有粒子的最佳位置。当解决单个目标问题时，可以确定每个粒子的全局最优值，因为可以确定粒子之间的拓扑结构。但是，在非常客观的优化问题中，由于目标优化函数之间的差异，很难确定粒子附近的单个最佳位置。为了解决上述问题，BB-MOPSO算法使用外部备份工具包来存储在搜索过程中检测到的非传染性溶液，并根据