基于均勻設(shè)計的改進克隆選擇算法在無功優(yōu)化中的應(yīng)用.pdf

1、基于均勻設(shè)計的改進克隆選擇算法在無功優(yōu)化中的應(yīng)用重慶大學碩士學位論文(學術(shù)學位)學生姓名：張志剛指導教師：江渝副教授專業(yè)：電氣工程學科門類：工學重慶大學電氣工程學院二0一二年五月重慶大學碩士學位論文中文摘要摘要無功優(yōu)化是改善電壓質(zhì)量、降低系統(tǒng)有功損耗和提高系統(tǒng)穩(wěn)定性的有效措施。本文針對無功優(yōu)化進行研究，既有一定的理論意義，又有實際的應(yīng)用價值。無功優(yōu)化問題是多變量、多約束的混合非線性優(yōu)化問題，具有多目標、多約束條件、多變量、連續(xù)變量和離散

2、變量混合的特點。智能優(yōu)化算法以其較好的收斂性能在無功優(yōu)化領(lǐng)域獲得了廣泛關(guān)注，如遺傳算法、粒子群算法和免疫算法等。智能優(yōu)化算法作為群體型隨機優(yōu)化方法，初始種群中包含的信息對其性能有重要影響。由于初始種群隨機產(chǎn)生，初始種群中包含的信息有較大的隨機性，若信息較少，算法將以較高的概率收斂于局部最優(yōu)解，即使最后能夠收斂到全局最優(yōu)解，也需要多次迭代，收斂速度較慢。通常采取較大種群規(guī)模使種群中有較多的信息，然而，在每一代計算中，抗體的評價次數(shù)與種群規(guī)

3、模成正比，較大種群規(guī)模導致算法計算時間長，降低了優(yōu)化效率。針對上述問題，本文提出利用均勻設(shè)計原理構(gòu)造初始種群，使種群中的抗體均勻分布在解空間，與隨機分比，在相同規(guī)模下，初始種群中包含的信息較多，有效提高算法的優(yōu)化效率。克隆選擇算法(CSA)是一種新型的智能優(yōu)化算法，變異算子是其主要算子，對算法性能有重要影響。本文對變異算子進行深入研究，提出分級變異策略，根據(jù)親和力對抗體進行分級，根據(jù)等級確定抗體的變異率和變異范圍：較低等級中的抗體(比較

4、優(yōu)秀的抗體)，采用小范圍、小變異率變異，提高局部搜索能力；較高等級中的抗體(相對較差的抗體)，采用大范圍、大變異率變異，提高全局搜索能力，并維持種群多樣性。對抗體接種疫苗能有效提高算法性能。然而，接種位按概率選擇可能引起“接種浪費”，即接種位的基因與疫苗對應(yīng)位的基因相同或相近，接種后抗體的親和力沒有改善或改善很小。對此，本文提出基于“距離”的接種位確定方法，即按照距離從大到小的原則確定接種位，有效避免“接種浪費”。多目標優(yōu)化問題的最優(yōu)解

5、不是一個，而是一個最優(yōu)解集合，即Pareto一最優(yōu)解集。常規(guī)求解方法是將多目標聚合成單目標求解，有很大的局限性。本文結(jié)合克隆選擇算法求解多目標優(yōu)化問題，提出以下改進策略：①多種群并行搜索，對多個目標同時進行優(yōu)化，有效提高算法的收斂性能；②構(gòu)造非劣解集，保存進化過程中的非支配解，且通過刪除擁擠距離較小的解，使非劣解集中的解分布均勻；③非支配選擇，有利于算法向真實的Pareto前端搜索，提高收斂速度；④最優(yōu)折衷解提取，采用模糊集理論對最終非