（Matlab实现）蚂蚁狮子优化算法在电力系统中的应用

目录

1 知识一网打尽

2 蚂蚁狮子优化算法在电力系统经济调度中的应用 

 3 运行结果

4 Matlab代码实现

1 知识一网打尽

蚂蚁狮子优化算法（完整Matlab代码实现）

多目标蚂蚁狮子优化算法（Matlab代码实现）

粒子群算法求解电力系统环境经济调度+微电网调度（风、光、电动车、柴油机、主网）（Python代码实现）

改进的多目标差分进化算法在电力系统环境经济调度中的应用（Python代码实现）【电气期刊论文复现】

多目标灰太狼算法求解环境经济调度问题（IEEE30)(Matlab实现)

改进粒子群算法求解电力系统经济调度问题（Matlab实现）

多元宇宙算法求解电力系统多目标优化问题（Matlab实现）【电气期刊论文复现】

2 蚂蚁狮子优化算法在电力系统经济调度中的应用 

蚁狮或所谓的涂鸦虫是蚁蛉科家族的成员，属于神经翅目（网翅昆虫）。蚁狮的生命有两个关键阶段：幼虫和成虫。成年期仅持续 3-5 周，用于繁殖。另一方面，生命周期的延长阶段，即幼虫阶段，大部分用于猎杀他们最喜欢的猎物，即蚂蚁。蚁狮幼虫的狩猎行为独特而迷人。如图1所示，是蚂蚁狮子和它的狩猎机制。
                      

它们沿着圆形路径移动，并用它们巨大的下颚扔出沙子，在沙质土壤中形成小的（1-3 英寸长）漏斗形坑，如图2所示，以诱捕蚂蚁。

                    

他们躲在坑底下，等待蚂蚁或小昆虫被困。漏斗形坑的边缘非常锋利，小昆虫无法逃脱，很容易掉到陷阱底部，如图3所示。蚁狮还不断将沙子扔向陷阱的外缘，以阻止猎物的任何逃跑尝试。

                                 

最后，昆虫滑入坑底，被拉到土壤下并被蚁狮吃掉。猎物的残骸被扔到坑外。之后，蚁狮为后续的目标猎物修改坑。蚁狮的饥饿程度越高，它们挖的陷阱就越大。通过这种方式，蚁狮已经进化和调整，以提高它们的生存前景。

详细的数学模型见第一部分的知识一网打尽。

部分代码： 

clc;
clear;
close all;
warning off;

%% 基于MOALO求解具有阀点效应的环境经济调度问题
% 数有 5 列数据分别为燃料成本系数a,b,c和发电机组上下限约束。
% 1.a ($/MW^2) 2. b $/MW 3. c ($) 4.机组下限(MW) 5.机组上限(MW)
%行数表示发电机台数（n）
data=[0.007	7	240	100	500
0.0095	10	200	50	200
0.009	8.5	220	80	300
0.009	11	200	50	150
0.008	10.5	220	50	200
0.0075	12	120	50	120];

%% 网损系数
B=1e-4*[0.14	0.17	0.15	0.19	0.26	0.22
0.17	0.6	0.13	0.16	0.15	0.2
0.15	0.13	0.65	0.17	0.24	0.19
0.19	0.16	0.17	0.71	0.3	0.25
0.26	0.15	0.24	0.3	0.69	0.32
0.22	0.2	0.19	0.25	0.32	0.85
];
%% 负荷需求(MW)
Pd=700;

%% 目标函数
ObjectiveFunction=@eldnba;   %调用目标函数
dim=length(data(:,1));
lb=0;
ub=1;
obj_no=1;

if size(ub,2)==1
    ub=ones(1,dim)*ub;
    lb=ones(1,dim)*lb;
end

%% 初始化蚁狮优化算法参数
max_iter=100;
N=100;
ArchiveMaxSize=100;

Archive_X=zeros(100,dim);
Archive_F=ones(100,obj_no)*inf;

Archive_member_no=0;

r=(ub-lb)/2;
V_max=(ub(1)-lb(1))/10;

Elite_fitness=inf*ones(1,obj_no);
Elite_position=zeros(dim,1);

Ant_Position=initialization(N,dim,ub,lb);
fitness=zeros(N,2);

V=initialization(N,dim,ub,lb);
iter=0;

position_history=zeros(N,max_iter,dim);

for iter=1:max_iter
    
    for i=1:N %首先计算所有的目标值
        Particles_F(i,:)=ObjectiveFunction(Ant_Position(:,i)');
        if dominates(Particles_F(i,:),Elite_fitness)
            Elite_fitness=Particles_F(i,:);
            Elite_position=Ant_Position(:,i);
        end
    end
    
    [Archive_X, Archive_F, Archive_member_no]=UpdateArchive(Archive_X, Archive_F, Ant_Position, Particles_F, Archive_member_no);
    
    if Archive_member_no>ArchiveMaxSize
        Archive_mem_ranks=RankingProcess(Archive_F, ArchiveMaxSize, obj_no);
        [Archive_X, Archive_F, Archive_mem_ranks, Archive_member_no]=HandleFullArchive(Archive_X, Archive_F, Archive_member_no, Archive_mem_ranks, ArchiveMaxSize);
    else
        Archive_mem_ranks=RankingProcess(Archive_F, ArchiveMaxSize, obj_no);
    end
    
    Archive_mem_ranks=RankingProcess(Archive_F, ArchiveMaxSize, obj_no);

    index=RouletteWheelSelection(1./(Archive_mem_ranks+1e-20));
    if index==-1
        index=1;
    end
    Elite_fitness=Archive_F(index,:);
    Elite_position=Archive_X(index,:)';
    
    Random_antlion_fitness=Archive_F(1,:);
    Random_antlion_position=Archive_X(1,:)';
    
    for i=1:N
        
        index=0;
        neighbours_no=0;
        
        RA=Random_walk_around_antlion(dim,max_iter,lb,ub, Random_antlion_position',iter);
        
        [RE]=Random_walk_around_antlion(dim,max_iter,lb,ub, Elite_position',iter);
        
        Ant_Position(:,i)=(RE(iter,:)'+RA(iter,:)')/2;
        
        
        
        Flag4ub=Ant_Position(:,i)>ub';
        Flag4lb=Ant_Position(:,i)<lb';
        Ant_Position(:,i)=(Ant_Position(:,i).*(~(Flag4ub+Flag4lb)))+ub'.*Flag4ub+lb'.*Flag4lb;
       
    end
    display(['在迭代时 ', num2str(iter), '， ', num2str(Archive_member_no), ' 非支配解决方案为']);
 K(iter)=Elite_fitness;
 end
[F P Pl]=eldnba(Elite_position)
plot(K)
grid
title('迭代次数与最佳函数值');
xlabel('迭代次数')
ylabel('函数值')  

 3 运行结果

4 Matlab代码实现