【论文复现】改进麻雀搜索算法优化冷水机组的最优负载调配问题

news2025/1/8 5:39:35

1.摘要

为了应对暖通空调（HVAC）系统由于不当负荷分配导致的高能源消耗问题，本文提出了一种改进麻雀搜索算法（ISSA）。ISSA算法旨在在满足负载需求的同时，最小化系统的能源消耗，选取每个冷水机组的部分负载率作为优化变量。ISSA算法引入Circle混沌映射以初始化位置，有效提高了初始解的质量和多样性。同时，ISSA算法融合了灰狼优化算法的信息交换加强机制更新生产者位置，并通过混沌正弦余弦更新策略，从而增强了优化精度与算法的收敛速度。

在这里插入图片描述

PS：主要复现改进麻雀搜索算法~

2.麻雀搜索算法SSA原理

【智能算法】麻雀搜索算法（SSA）原理及实现

3.改进策略

Circle混沌映射

麻雀搜索算法因其初始种群随机生成，难以保证个体在搜索空间中的均匀分布，进而影响算法的搜索速度和优化性能。混沌映射利用混沌变量的遍历性和随机性，将待优化的PLR变量按照混沌映射规则映射至混沌变量的值区间，并通过线性变换将混沌序列转化为目标函数的搜索空间：
$X_{i,j}^{t+1}=\mathrm{mod}\left(X_{i,j}^t+0.2-\left(\frac{0.5}{2\pi}\right)\mathrm{sin}\left(2\pi X_{i,j}^t\right),1\right)$

改进生产者位置更新

在处理最优冷水机组加载（OCL）问题时，至关重要的一点是精确控制并联冷水机组的运作，以便在满足多样化负载需求的同时，最大限度地降低电力消耗。然而，在麻雀搜索算法（SSA）的初始搜索阶段，生产者倾向于快速聚焦于全局最优解，这种行为减少了种群的多样性，并可能导致算法过早地收敛到局部最优解。为解决这一问题，本文引入了灰狼优化算法中的信息交换加强机制，用于更新生产者的位置：
$X_{i,j}^{t+1}=X_{i,j}^t+A\cdot D_{gbest}+B\cdot D_{subbest}$
其中，参数表述为：
$\left. \begin{aligned} & A=2d\xi-d \\ & d=\left\{ \begin{array} {ll}1+\left[\cos\left(\frac{t}{M}\pi\right)\right]^{\prime},0<t\leq\frac{M}{2} \\ \\ 1-\left[-\cos\left(\frac{t}{M}\pi\right)\right]^{\prime},\frac{M}{2}<t\leq M \end{array}\right. \end{aligned}\right.$

改进拾荒者位置更新

在处理高维优化问题时，麻雀搜索算法中的拾荒者位置更新过程高度依赖于先前个体。如果这些个体的位置处于局部最优，拾荒者便可能陷入这一局部最优解并导致优化过程停滞，这限制了算法的整体优化效率。为了克服这一问题，本文引入了正弦余弦机制和混沌算子到拾荒者位置更新：
$\begin{gathered} X_{i,j}^{t+1}=X_{i,j}^{\prime}+r_{1}\cdot\sin(r_{2})\cdot\left|r_{3}\cdot X_{rand}^{t+1}-X_{i,j}^{\prime}\right|\quad r_{4}<0.5 \\ X_{i,j}^{t+1}=X_{i,j}^{\prime}+r_{1}\cdot\cos(r_{2})\cdot\left|r_{3}\cdot X_{pbest}^{t+1}-X_{i,j}^{t}\right|\quad r_{4}\geq0.5 \end{gathered}$

流程图

在这里插入图片描述

4.结果展示

在这里插入图片描述

5.参考文献

[1] Xue Z, Yu J, Zhao A, et al. Optimal chiller loading by improved sparrow search algorithm for saving energy consumption[J]. Journal of Building Engineering, 2023, 67: 105980.