3 改進的粒子群優化算法.....16

3.1 粒子群算法的起源..........16

3.2 標準粒子群算法.......16

3.3 改進的粒子群算法..........22

3.4 改進后的粒子群優化算法的仿真與比較.........24

3.5 本章小結.....28

4 多目標粒子群優化算法.....29

4.1 多目標優化的定義..........29

4.2 常規多目標優化算法......30

4.3 多目標粒子群算法..........32

4.4 多目標粒子群算法的仿真.....35

4.5 本章小結.....37

5.基于偏好的多目標粒子群算法的電力系統負荷分配......38

5.1 引言.......38

5.2 基于混合引導的偏好多目標的粒子群優化算法....39

5.3 算法流程.....44

5.4 標準測試函數和仿真分析.....44

5.5 基于改進的 MOPSO 的電力系統負荷分配.....48

5.6 仿真分析.....50

5.7 本章小結.....53

5 基于偏好的多目標粒子群算法的電力系統負荷分配

對于傳統的電力系統來說，經濟負荷分配方式已經很難適合當前電力系統發展的要求。在當今環保問題日益受到重視的形式下，如何迅速而有效的減少電力系統的環境污染問題已經成為一個特別重要而且急需去解決的問題。在本章中，將改進多目標粒子群算法并應用到基于環境經濟模型的電力系統負荷分配中，使環境經濟能夠得到良好的平衡。

在多目標粒子群優化算法中，為了獲取偏好區域的最優解集，本節提出了一種新的引導方式，將參考點和參考區域引導方式緊密的結合在一起，提出了一種叫做基于混合引導的偏好多目標粒子群算法(HG-MOPSO)。該算法的核心是將參考點作為參考區域的圓心，在使參考點隨著迭代向 Pareto 前沿靠近的同時，動態調整參考區域的大小，使參考區域越來越小，這樣的目的是增加了選擇壓力，控制了偏好的范圍。除此之前，本文也提出了一種基于 g 支配的球扇占優的概念，改進了傳統的 Pareto 最優選取方式，實現對多目標優化的非劣解有效搜索。另外，將第三章提出的改進 I-PSO 算法結合在一起，提出新的算法 HI-MOPSO，使優化算法更加完美，同時可以充分滿足 EELD 系統的控制要求。