【优化发电】差分进化算法求解单库发电优化问题【含Matlab源码 2253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、差分进化算法简介

如同所有的优化算法一样, 差分进化算法基于种群的进化算法。差分进化算法主要的参数主要有种群规模NP, 解空间的维数D, 缩放因子F和交叉概率Cr。D维矢量XGi=[xGi,1, xGi,2, …, xi, DG], i=1, 2, …, Np, 表示G代第i个个体。变异和交叉操作在每一代中产生新的种群, 然后选择操作实现种群优化。基本差分进化算法过程如下。

1 变异
通过变异操作, 新产生的个体由初始种群中任意选取的个体加上任意选取的两个个体的差分量乘以缩放因子。根据如下所示, 缩放因子我们采用自适应缩放因子, 如公式 (1) 所示。

VG+1i=xGr1+F (xGr2-xGr3) (1)

r1, r2, r3∈{1, 2, …, Np}任意选择且互不相等, 并且和i也不相等。缩放因子F控制着差分量 (xr2G-xr3G) 的大小。

2 交叉
交叉操作用来增加种群多样性, UG+1i,j表示第i个个体交叉个体第j个分量, rand ( ) 表示在[0, 1]区间任取的随机数, Cr是交叉概率, 而条件j=rand (0, D) 是为了确保试验个体中至少有一位是由VG+1i贡献的, 增加试验个体的多样性。交叉时我们采用分组交叉思想, 增强算法的局部搜索能力。

UG+1i,j={VG+1i,[rand()≤CR或j=rand(0,D)]xGi,j,其他   (2)

3 选择
选择操作是为了决定交叉个体是否保留到G+1代。对于最小化问题, 交叉个体UG+1i,j和原始个体通过贪婪策略进行比较, 目标函数更小的个体被保留作为新产生的种群个体。选择操作公式如下所示

这里的f (x) 代表目标函数, XiG+1代表新产生的种群个体。

文中算法改进主要有2方面。算法的参数值在算法开始时已经被设定, 随着迭代次数的改变, 可能不适应种群变化的要求。差分算法的控制参数主要有缩放因子 (F) 和交叉概率 (Cr) 。缩放因子 (F) 的大小决定了算法的收敛速度和种群的多样性, 在进化过程中发挥着重要的作用。选择合适的F能够平衡算法全局搜索和局部搜索。较小的F有助于提高算法的局部搜索能力, 但同时也增加了算法陷入局部最优, 出现早熟的可能性;而较大的F有利于增加种群的多样性, 提高全局寻优能力, 但会降低算法的收敛速度。我们提出了一种自适应的缩放因F, 使缩放因子能够随着迭代次数的改变, 适应当前种群的变化情况, 使得最优解可以保存。颜学峰, 余娟等也提出了自适应差分进化算法[7]748, 主要改进了算法的全局寻优能力。本文提出的自适应的缩放因子可以从以下公式得出
F=0.8[ (Gmax-G+1) /Gmax] (4)
Gmax是种群最大迭代次数, G是种群当前迭代次数。同时为了能够更早的找到最优解, 减少算法的计算量。在交叉过程中, 我们采用种群分组交叉思想。经种群变异产生的子代个体, 通过比较其适应度大小, 适应度更好的个体直接进入选择操作, 而剩下的个体根据交叉概率选择性的进入选择操作。通过分组交叉, 可以大大提高种群搜索到最优解的概率, 同时增加算法的健壮性。

⛄二、部分源代码

%-----------------------参数定义及初始化-------------------------
close all;
clc,clear;
NP=50; %种群个体数量
D=37; %染色体长度，这里有36旬，共37个节点蓄水量
G=2000; %迭代代数
F0=0.5; %缩放因子[0,2],一般取0.5
CR=0.3; %交叉率[0,1],一般取0.3，增大会更快收敛，造成早熟
Inf=10^20; %罚因子
K=8; %水库出力系数

%尾水曲线的三个参数 Zd=aq^2+bq+d
a=0.0000000011101;
b=0.0000836;
d=65.5;

%水库的水位库容曲线
zu=[130 135 140 145 150 155 160 165 170 175 185];
V=[103.3 124.1 147 171.5 196.9 228 262 300.2 344 393 445.7];

%各旬初的最低水位与最高水位
Zmin=[155 155 155 155 155 155 155 155 155 155 145 145 145 145 145 145 145 145 …
145 145 145 145 145 145 145 145 145 145 145 145 145 145 145 145 145 145 155];
Zmax=[175 175 175 175 175 175 175 175 175 175 175 175 175 175 170 155 146.5 146.5 146.5 …
146.5 146.5 146.5 146.5 146.5 146.5 165 165 175 175 175 175 175 175 175 175 175 175];
%内插各旬初的最低蓄水量与最高蓄水量
Vmin=[228,228,228,228,228,228,228,228,228,228,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,171.5,228];
Vmax=[393,393,393,393,393,393,393,393,393,393,393,393,393,393,344,228,179.12,179.12,179.12,179.12,179.12,179.12,179.12,179.12,179.12,300.2,300.2,393,393,393,393,393,393,393,393,393,393];

%各旬入库流量
Q=[5323 5351 4467 3967 4000 4382 4984 5037 4962 6194 7709 5354 6993 11091 12918 14778 15566 17060 …
27816 32798 33851 23446 20049 14796 17779 21637 17266 11754 10443 9019 7725 7244 6161 5424 5471 5250];

%各旬的最小下泄流量
qmin=[6000 6000 6000 6000 6000 6000 6000 6000 6000 6000 6000 6000 5700 5700 5700 5700 5700 5700 …
5700 5700 5700 5700 5700 5700 5700 5700 10000 10000 8000 8000 5700 5700 5700 5700 5700 5700];

%各旬的时段长，h
dt=[240 240 264 240 240 192 240 240 264 240 240 240 240 240 264 240 240 240 …
240 240 264 240 240 264 240 240 240 240 240 264 240 240 240 240 240 240];

Z0=174; %调度期初水位约束
ZT=173; %调度期末水位约束
V0=interp1(zu,V,Z0); %调度期初蓄量约束
VT=interp1(zu,V,ZT); %调度期末蓄量约束

%种群初始化
for i=1:1:NP
x=init(i,x); %生成一个时间序列，满足水位约束
q(i,:)=-(diff(x(i,:)))10^8./(3600dt) + Q; %q为出库流量
end

% 计算目标参数
Vmean=(conv2(x’,[1;1],‘valid’))'/2; %用conv2求相邻旬蓄量平均值
Zu=interp1(V,zu,Vmean); %根据库容曲线内插得到上游水位
Zd=aq.^2+bq+d; %根据尾水曲线公式生成下游水位
N=Kq.(Zu-Zd); %各旬的出力
N(N>Nmax)=Nmax; %出力超过装机容量的旬时段改为装机容量
E=N.dt; %各旬的发电量
Fit=E+Infmin((N-Nmin)/Nmin,0)+Inf*min((q-qmin)./qmin,0); %适应度矩阵
ob=sum(Fit,2); %适应度矩阵每一行的和
trace(1)=max(ob); %记录下适应度最大值

⛄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]周萧,王万良,徐新黎.解决作业车间调度问题的混合差分进化算法[J].轻工机械. 2010,28(05)

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