[發明專利]基于智能算法和環境約束下的變電站工程多目標優化方法

在審

• 申請號: 202111188138.5
• 申請日: 2021-10-12
• 公開（公告）號: CN114004065A
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 周夕楚;吳斌
• 申請（專利權）人: 上海電機學院
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06Q50/06;G06F111/04;G06F111/06
• 代理公司: 上海伯瑞杰知識產權代理有限公司 31227
• 代理人: 孟旭彤

1.一種基于智能算法和環境約束下的變電站工程多目標優化方法，其特征是，包括有以下步驟：

S1、建立以變電站工程項目的工期T、成本C、質量Q為目標的優化目標模型；

S2、引入環境指標構建環境E和工期T的優化目標模型，采用灰度關聯法生成關于環境指標的工程優先級鏈；

S3、基于資源約束，構建環境指標的數學模型；

S4、采用SOA算法求解，獲取所需結果。

2.根據權利要求1所述的基于智能算法和環境約束下的變電站工程多目標優化方法，其特征是，步驟S1中具體的優化目標模型為：

3.根據權利要求2所述的基于智能算法和環境約束下的變電站工程多目標優化方法，其特征是，步驟S2具體為：

對各工程關于環境指標的要求高低進行評估；

根據灰度關聯分析法求出各工程優先級，得出各個工程的優先級鏈；

根據指標權重排序后，建立有關環境影響的優化目標模型

其中，E表示總工程項目對環境的影響比例系數；d表示施工范圍與居民聚集區的距離水平；F表示工程施工的噪聲污染標準；e_j表示子工程j對周圍環境產生的污染指數；R表示最優資源分配；

其中，u_j表示關鍵路徑上的子工程j資源消耗水平；k_j表示根據優先級排序后子工程j在鏈π上的位置；H_j表示子工程j的所分配的人力資源；η為惡化因子。

4.根據權利要求3所述的基于智能算法和環境約束下的變電站工程多目標優化方法，其特征是，步驟S3具體包括有：

預先選定工程的人力資源最大系數

其中，G表示最大人力資源比例系數，B表示關鍵路徑上子工程的集合；

由于E中只有R與H_j有關，與H_j無關，所以在約束條件下，把P_j看做一個不變的量，此時求E最小，即求R最小；

基于約束條件下，目標函數為：

在時，目標函數R取得最小；

根據目標函數求取環境指標的數學模型。

5.根據權利要求4所述的基于智能算法和環境約束下的變電站工程多目標優化方法，其特征是，根據目標函數求取環境指標的數學模型具體為：

轉換目標函數的求取，轉變為R在滿足約束條件時的條件極值；

采用Lagrange乘子法去解決，其Lagrange函數為：

其中λ(λ≥0)為Lagrange乘子；

對H_[j]，λ求偏導數，并令導函數為0，可得：

進而依次可得：

更新資源消耗水平：

獲得最終資源總量為：

可得環境指標的數學模型為：

將環境目標函數加入，建立工期-成本-質量-環境四目標的優化模型：

6.根據權利要求5所述的基于智能算法和環境約束下的變電站工程多目標優化方法，其特征是，步驟S4具體包括有：

SOA使用一組隨機解作為初始種群，假設在n維空間搜索空間中有m個個體，第i個個體的位置表示為

第t+1次迭代時個體第k維位置分量的更新為

其中，x_rand^k(t)為第t次迭代時隨機個體的第k維位置分量；x_best^k(t)為第t次迭代時種群中最優個體的第k維位置分量；Iteration為最大迭代次數；a為常數；r₂為[0,2π]之間的隨機數，r₃為[0,1]之間隨機數

通過r₁、r₂、r₃來平衡優化過程中的全局搜索和局部開發；迭代開始時可更好地進行全局搜索；隨著r₁的減小，個體的位置變化量小，算法進行局部開發；r₃的大小決定了個體在下一次迭代位置移動的起點，當r₃的取值在[0,0.5)時，對隨機個體的位置進行修改獲得下一個位置，可覆蓋更廣的搜索區域；當r₃取值在[0.5,1]時，對最優個體的位置進行修改獲得下一個位置，可完成在最優個體附近的局部開發。