基于蒙特卡洛循环的电价模型最优化仿真

1.问题描述：

 

dT     = 1;
cc     = xx;
Hours  = 24;
N      = 10;%先按10个仿真，你自己测试的时候，改为2000，但是仿真及其缓慢
S      = 15;
%充电开始时间概率密度函数
miue = 17.6;
dete = 3.4;
Pet  = [7.7+(25.6-7.7)*rand(1,N)];
 
f1=@(t) 1./dete./sqrt(2*pi).*exp(-(t-miue).^2./2./dete.^2);
f2=@(t) 1./dete./sqrt(2*pi).*exp(-(t+24-miue).^2./2./dete.^2);
tt=linspace(1,24,1000);%蒙特卡洛循环

ff=f1(tt).*(tt<=miue-12)+f2(tt).*(tt>miue-12);%根据公式计算概率密度
ss=trapz(tt,ff);   %计算整个区间概率密度的积分
 
%日行驶里程概率密度函数
miul = 5.15;
detl = 0.88;
ff0  = @(l) 1./l./detl./sqrt(2*pi).*exp(-(log(l)-miul).^2./2./detl.^2);
ll0  = linspace(1,1000,1000);%蒙特卡洛循环

2.部分程序：

 

clc;
clear;
close all;
warning off;
addpath 'func\'

 

dim   = 24; %变量数量         
Lmin =  0.5;
Lmax =  1.5;
c1    = 1.2;         %学习因子1
c2    = 1.2;         %学习因子2
w     = 0.5;         %惯性权重
Iters = 30;         %最大迭代次数
Num   = 500;           

%初始化种群的个体(可以在这里限定位置和速度的范围)
x     = Lmin + (Lmax-Lmin)*rand(Num,dim);  %随机初始化位置
v     = Lmin + (Lmax-Lmin)*rand(Num,dim);  %随机初始化速度
y     = [];

%先计算各个粒子的适应度，并初始化Pi和Pg
for i=1:Num
    i
    [p(i)]  = func_F(x(i,:));
    y(i,:)= x(i,:);
end
%全局最优
pg = x(1,:);             

for i=2:Num
    i
    [pa(i)] = func_F(x(i,:));
    pb(i) = func_F(pg);
    if pa(i) < pb(i)
       pg=x(i,:);
    end
end

for t=1:Iters
    t
    for i=1:Num
        v(i,:) = w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:));
        x(i,:) = x(i,:)+v(i,:);
        [pa(i)] = func_F(x(i,:));
        if pa(i)<p(i)
           p(i)  = pa(i);
           y(i,:)= x(i,:);
        end

        [pb(i)] = func_F(pg);
        if p(i)<pb(i)
           pg=y(i,:);
        end
        
        for jj = 1:dim
            if pg(jj)>=Lmax|pg(jj)<=Lmin;
               pg(jj)=0.8 + randn/4;
            end
        end
    [Pbest(i)] = func_F(pg);    
    end
    Fs(t)=mean(Pbest);
end

figure;
plot(Fs);
xlabel('PSO迭代次数');
ylabel('fitness');
grid on

pg
 

 

3.仿真结论：

A-02-73