【优化选址】粒子群算法求解V图配电网电动汽车充电站选址优化问题【含Matlab源码 3319期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab优化求解仿真内容点击👇
Matlab优化求解（仿真科研站版）

⛄一、粒子群算法求解V图配电网电动汽车充电站选址优化问题

近年来，我国电动汽车的保有量迅速攀升，截至2016 年底，我国电动汽车保有量已经接近100万辆，经测算，到 2020年全国电动汽车保有量将超过500万辆。电动汽车充电基础设施作为电动汽车发展的重要保障，其发展水平直接影响了电动汽车行业的发展速度和质量。目前，全国各地按照“桩站先行，适度超前”的原则，逐步推进充电基础设施的科学发展。根据需求预测结果，到 2020 年新增集中式电动汽车充换电站将超过1.2 万座。
电动汽车充电站的选址与定容问题是高维非线性数学问题，决策的优劣直接影响了其服务质量、效率、成本等。现有的国内外学者对城市电动汽车充电站的选址与定容问题研究仍处在起步阶段，没有形成系统完整的理论。以投运至目标年综合费用最小为规划目标，利用变权 Voronoi 图的方法划分充电站的服务范围，并采用混合粒子群优化( PSO) 算法求解，提高了算法迭代中后期的全局搜索能力。将量子理论与粒子群优化算法结合，增强了优化算法的种群多样性以及算法的全局搜索能力。结合了城市道路信息和电动汽车续驶里程，提出了电动汽车充电便捷系数，并利用Voronoi 图理论和排队论确定充电站的容量。

1 粒子群算法
粒子群算法是智能算法领域中除蚁群算法、鱼群算法又一个智能群体算法。

PSO算法首先在可行解空间中初始化一群粒子,每个粒子都代表极值优化问题的一个潜在最优解。粒子在解空间中运动,通过跟踪个体极值Pbest和群体极值Gbest更新个体位置。

粒子每更新一次位置,就计算一次适应度值,并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest位置。

在每一次迭代过程中,粒子通过个体极值和群体极值更新自身的速度和位置,每个粒子在D维空间的速度和位置状态可表示为

2 粒子群算法步骤
粒子群算法是一种基于群体智能的优化算法，其步骤如下：
（1）初始化粒子群：随机生成一定数量的粒子，并为每个粒子随机分配一个位置和速度。
（2）计算适应度函数：根据问题的具体情况，计算每个粒子的适应度函数值。
（3）更新粒子速度和位置：根据当前位置和速度，以及全局（4）最优位置和个体最优位置，更新每个粒子的速度和位置。
（5）更新全局最优位置和个体最优位置：根据当前适应度函数值，更新全局最优位置和个体最优位置。
（6）判断终止条件：如果满足终止条件，则输出最优解；否则返回第3步。

3 粒子群算法求解V图配电网电动汽车充电站选址优化问题
粒子群算法是一种基于群体智能的优化算法，它模拟了鸟群或鱼群等生物的群体行为，通过不断地迭代寻找最优解。在V图配电网电动汽车充电站选址优化问题中，粒子群算法可以用来求解充电站的选址和定容问题。具体来说，可以将充电站的选址和定容问题转化为一个多目标优化问题，然后利用粒子群算法进行求解。在算法的迭代过程中，每个粒子代表一个可能的解，通过不断地更新粒子的位置和速度，最终找到最优解。同时，为了保证算法的收敛性和全局搜索能力，可以采用混合粒子群优化算法或将量子理论与粒子群优化算法结合等方法。

⛄二、部分源代码

clear ;
clc;
close all
%% 基础数据
% 1 2 3 4 5
%b=[需求坐标，需求负荷，成本系数，区域]
%充电需求点坐标
b(:,1) =1.0e+003.([0.1092, 0.1197,0.2578,0.4259, 0.1257,0.2803,0.4439,0.5505,0.5610,0.5700,0.1332,0.3013,0.4559,0.5850,0.1452,0.3163,0.4739,0.5880,0.3193,0.4784,0.6015,0.6736,0.8657,1.0308,0.6781,0.8327,1.0188,0.6811,0.8192,1.0083,0.6691,0.6976,0.8191]');
b (:,2)=1.0e+003.[0.1348;0.2399;0.1724;0.1739;0.3420;0.3375;0.3360;0.1108;0.2024;0.3075;0.4591;0.4455;0.4380;0.4260;0.6092;0.5341;0.5341;0.5341;0.6407;0.6452; 0.6467;0.1574 ;0.1649;0.1634;0.2924;0.2909;0.2939;0.4425; 0.4576;0.4546;0.5431;0.6392;0.6377];
%充电需求点常规电力负荷点负荷b(:,3)（kW）
b(:,3)=[0;0.217000000000000;0.0240000000000000;0.0760000000000000;0.942000000000000;0;0.228000000000000;0.300000000000000;0;0.0580000000000000;0;0.112000000000000;0;0.0620000000000000;0.0820000000000000;0.0350000000000000;0.0900000000000000;0.0320000000000000;0.0950000000000000;0.0220000000000000;0.175000000000000;0;0.0320000000000000;0.0870000000000000;0;0.0350000000000000;0;0;0.0240000000000000;0.106000000000000;0.0870000000000000;0;0.0350000000000000];

%集中充电站坐标,两个，各区域一个
bcs=[ 937.7296 379.5010;
310.3141 238.4076];
%选址数量
Tn=5;

%% 成本参数
na=4500;
alp=0.1;
b(:,4)=round(alp.b(:,3)./sum(b(:,3)).na);%成本系数
b(23,4)=37;
ns=4;
mui=0.6;
Nchz=round(mui.sum(b(:,4))./ns);
bm=1.0e+003[0.0086,0.0088;1.1734,0.0088;1.1734,0.7412;0.0086,0.7412;0.0086,0.0088];
BL=sqrt(8.21.0e6./((max(bm(:,1))-min(bm(:,1)))(max(bm(:,2))-min(bm(:,2)))));

%% 区域划分
Area1=1.0e+003 *[0.977 1.0860;
0.721 0.0088;
0.634 0.7412;
0.3103 1.1040;
0.6377 1.0860];
Area1=[Area1,1.*ones(size(Area1,1),1)];
Area2=1.0e+003 *[0.0086 0.0088;
0.9377 1.0860;
0.3103 1.7040;
0.0086 0.7412;
0.0086 0.0088];
Area2=[Area2,2.*ones(size(Area2,1),1)];
%区域分界
vv=[Area1;Area2];
for k=1:size(bcs,1)
Ai=find(vv(:,3)==k);
xx=vv(Ai,1);
yy=vv(Ai,2);
kk=convhull(xx,yy);
%in = inpolygon(x,y,xv,yv)%注意xv,yv构成了多边形边界。x,y对应的是单点坐标，判断是否在多边形内。
%返回结果为逻辑logical类型（不是数字类型哦），如果在对应的就返回1，否则为0。
in=inpolygon(b(:,1),b(:,2),xx(kk),yy(kk));
b(in,5)=1;
end
%区域归属
Ep=[];
for i=1:size(bcs,1)
gb=b(b(:,5)==i,:);
Ep=[Ep;[sum(gb(:,4)),round(mui.*sum(gb(:,4))./ns),i]];
end

%% 粒子群算法参数

PopSize=10; %种群数量
MaxIter=350; %最大迭代次数
%学习因子
c1s=2.5; c2s=0.5;
c1e=0.5; c2e=2.5;
w_start=0.9;
w_end=0.4;
Iter=1;

%上下限约束
xmax=1022; xmin=18;
ymax=700; ymin=12;
x = xmin + (xmax-xmin).*rand(Tn,PopSize);
y = ymin + (ymax-ymin).*rand(Tn,PopSize);
%光伏选址
xvmax=33;xvmin=2;
xv=round(xvmin+(xvmax-xvmin).rand(2,PopSize));
%定容
ypmax=0.4;ypmin=0.1;
yp=ypmin+(ypmax-ypmin).rand(7,PopSize);
%% 初始化
X=[x;y;xv;yp];
V=rand(Tn2+9,PopSize);
Vmax=0.1max((xmax-xmin),(ymax-ymin));
inAr1=find(b(:,5)==1);
bb=[b(inAr1,1:2),b(inAr1,4)];
%初始寻优
for pk=1:1:PopSize
[FX(pk),_,,_,,_,,_,,~]=VorCostCDEV(X(1:Tn,pk),X(Tn+1:Tn+5,pk),bb,bcs(1,:),BL,X(:,pk));
end

%输出初始最优
PBest=X;
FPBest=FX;

[Fgbest,r]=min(FX);
Fm(Iter)=Fgbest;
CF=Fgbest;
Best=X(:,r);
FBest(Iter)=Fgbest;

FgNum=0;
%% 粒子群寻优
while (Iter<=MaxIter)
Iter=Iter+1;
w_now=((w_start-w_end)(MaxIter-Iter)/MaxIter)+w_end;
A=repmat(X(:,r),1,PopSize);
R1=rand(Tn2+9,PopSize);
R2=rand(Tn2+9,PopSize);
c1=c1e+(c1s-c1e)(1-acos(-2Iter/(MaxIter+1)+1)/pi);
c2=c2e+(c2s-c2e)(1-acos(-2Iter/(MaxIter+1)+1)/pi);
V=w_nowV+c1R1.(PBest-X)+c2R2.(A-X);
changeRows=V>Vmax;
V(changeRows)=Vmax;
changeRows=V<-Vmax;
V(changeRows)=-Vmax;
X=X+1.0*V;
X(11:12,:)=round(X(11:12,:));
for ti=1:Tn
for ii=1:PopSize
if X(ti,ii)>xmax
X(ti,ii)=xmax;
elseif X(ti,ii)<xmin
X(ti,ii)=xmin;
end
end
end
for ti=Tn+1:Tn+5
for ii=1:PopSize
if X(ti,ii)>ymax
X(ti,ii)=ymax;
elseif X(ti,ii)<ymin
X(ti,ii)=ymin;
end
end
end
for ti=Tn+6:Tn+7
for ii=1:PopSize
if X(ti,ii)>xvmax
X(ti,ii)=xvmax;
elseif X(ti,ii)<xvmin
X(ti,ii)=xvmin;
end
end
end
for ti=Tn+8:Tn+14
for ii=1:PopSize
if X(ti,ii)>ypmax
X(ti,ii)=ypmax;
elseif X(ti,ii)<ypmin
X(ti,ii)=ypmin;
end
end
end
for pk=1:1:PopSize
[FX(pk),_,,_,,_,,_,,~]=VorCostCDEV(X(1:Tn,pk),X(Tn+1:Tn+5,pk),bb,bcs(1,:),BL,X(:,pk));
end
P=FX<FPBest;
FPBest§=FX§;
PBest(:,P)=X(:,P);
[Fgbest,r]=min(FPBest);
Fm(Iter)=Fgbest;

if Fgbest<CF 
    [FBest,gr]=min(FPBest);  
    Best=PBest(:,gr);    
    CF=Fgbest;  
    FgNum=0;
else
    FgNum=FgNum+1; 
end


if FgNum>10    
    SubX=r;
    while SubX==r || SubX==0
        SubX=round(rand*(PopSize));
    end
    r=SubX;
    FgNum=0;
end

end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置