【更新】一次“问题反馈”，下定决心做了多约束多目标智能算法的“模板”

news2024/11/25 14:51:35

1 主要内容

2 部分代码

3 程序结果

4 下载链接

1 主要内容

关注该代码的同学应该清楚，这个代码已经免费更新了两版了，修复和增加了一些约束内容，本次增加蓄电池初始时刻和终止时刻容量一致约束，可别小瞧这么简单的增加约束，相当于蓄电池除了有出力约束、soc约束外，又增加了一个约束，在增加该约束的过程中，会出现出力越限、等式约束偏差大等问题，本次更新的代码完全实现了该部分功能。

（之前购买该代码的同学可补差价获取）

之前发布代码的内容介绍如下：

之前分享的程序【勘误】基于多目标粒子群算法的微电网优化调度【风光、储能、柴油、燃气、电网交互】对多目标粒子群算法中出现的功率不平衡问题进行了勘误，有个同学购买程序后反馈约束部分和原程序存在偏差，对联络线功率部分约束进行了“阉割”，导致虽然功率平衡条件满足了，但是自己修改代码过程中对新增约束部分仍然茫然。

上面的问题确实存在，勘误的程序代码将联络线功率作为平衡项，没有为其增加约束。就像我们在计算潮流计算过程中，需要通过“平衡节点”来达到功率平衡一样，这里需要有个“桥梁”来实现功率平衡条件，一般都通过联络线功率作为这个“桥梁”，回到这个问题本身，有没有可能给这个“桥梁”增加约束呢？答案是肯定的。

为了更好的让大家了解多约束多目标智能算法优化机理，方便大家修改代码，我决定做一个“模板”，具体完善内容有一下几点：

1.利用好“可行状态”标志，在目标函数子程序（fitness）中集中将爬坡约束、soc约束、联络线功率约束等做成模板形式，只要是增加/修改约束，就在这部分按照同样的格式就轻松搞定。

2.固化无需修改的子函数，由于程序涉及到多个子函数，而且采用结构变量形式，调试难度比较大，因此，对这些子程序进行完善固化，只需要了解每个模块的功能即可，无需进行修改。

程序已经上传至原链接，之前付款的同学可以免费下载！

2 部分代码

function [REP]= mopso(c,iw,max_iter,lower_bound,upper_bound,swarm_size,rep_size,grid_size,alpha,beta,gamma,mu,problem)
%mopso 是多目标粒子群优化的实现
% 最小化问题的技术
%% 初始化参数
global PV;
global WT;
%蓄电池最大放电功率（正表示为电负荷供电，即放电）
BESSMax_dischar=30;
%蓄电池最大充电功率
BESSMax_char=-30;
%柴油机最大发电功率
DEMax=30;
%柴油机最小发电功率
DEMin=6;
%燃气轮机最大发电功率
MTMax=30;
%燃气轮机最小发电功率
MTMin=3;
%主网交互最大功率(正表示为电负荷供电)
GridMax=30;
%主网交互最小功率
GridMin=-30;
%% 种群初始化
if nargin==0  %nargin是判断输入变量个数的函数
    c = [0.1,0.2]; % 加速因子
    iw = [0.5 0.001]; % 惯性因子
    max_iter =100; % 最大迭代次数
    %各设备出力约束
    for n=1:144 %粒子长度为144（光伏，风电，储能，柴油,燃气轮机，主网的6*24个小时出力）
         if n<25
            lower_bound(n)=0;
            upper_bound(n) =PV(n);
          end
         if n>24&&n<49
            lower_bound(n)=0;
            upper_bound(n) =WT(n-24);
         end
         if n>48&&n<73
         lower_bound(n)=BESSMax_char;
         upper_bound(n) =BESSMax_dischar;
         end
         if n>72&&n<97
         lower_bound(n)=DEMin;
         upper_bound(n) =DEMax;
         end
          if n>96&&n<121
         lower_bound(n)=MTMin;
         upper_bound(n) =MTMax;
          end
          if n>120
         lower_bound(n)=GridMin;
         upper_bound(n) =GridMax;
         end
    end
    swarm_size=100; % 种群个数
    rep_size=100; % 存档库大小
    grid_size=7; % 每个维度的网格数
    alpha=0.1; % 通货膨胀率
    beta=2; % 领导人选择压力
    gamma=2; % 删除选择压力
    mu=0.1; % 变异速率
    problem=@prob; % 创建函数句柄为problem，函数为pro，可以简单理解为调用
end
%% 初始化粒子
fprintf('初始化种群中\n')
w = @(it) ((max_iter - it) - (iw(1) - iw(2)))/max_iter + iw(2); %更新惯性因子--改进粒子群算法
pm = @(it) (1-(it-1)/(max_iter-1))^(1/mu); %类比遗传算法引入变异操作，更新变异速率，在particle函数的78-84行
swarm(1,swarm_size) = Particle(); %调用Particle函数，从obj中得到swarm_size
for i = 1:swarm_size
    swarm(i)=Particle(lower_bound,upper_bound,problem);%调用Particle函数
    retry = 0;
    while swarm(i).infeasablity > 0 && retry < 100 %循环条件为：无不可行解且次数低于100
        swarm(i)=Particle(lower_bound,upper_bound,problem);%调用Particle函数
        retry = retry + 1;
    end
end