8.[论文分享] SWEVO 2022 基于无标度网络的差分进化求解光伏模型函数优化和参数估计

标题	Scale-free network-based differential evolution to solve function optimization and parameter estimation of photovoltaic models
作者	Yang Yu, Shangce Gao, MengChu Zhou, Yirui Wang, Zhenyu Lei, Tengfei Zhang, Jiahai Wang
邮箱	gaosc@eng.u-toyama.ac.jp
机构	College of Automation & College of Artificial Intelligence, Nanjing University of Posts and Telecommunications
发表期刊	Swarm and Evolutionary Computation
论文	https://www.sciencedirect.com/science/article/pii/S2210650222001122

Abstract

Some recent research reveals that a topological structure in meta-heuristic algorithms can effectively enhance the interaction of population, and thus improve their performances. Inspired by it, we creatively investigate the effectiveness of using a scale-free network in differential evolution algorithm, and propose a scale-free networkbased differential evolution method. The novelties of this paper include a scale-free network-based population structure and a new mutation operator designed to fully utilize the neighborhood information provided by a scale-free structure. The elite individuals and population at the latest generation are both employed to guide a global optimization process. In this manner, the proposed algorithm owns balanced exploration and exploitation capabilities to alleviate the drawbacks of premature convergence. Experimental and statistical analyses are performed on the CEC ’17 benchmark function suite and the parameter estimation of photovoltaic models. Results demonstrate its superior effectiveness and efficiency in comparison with its competitive peers.

摘要

最近的一些研究表明，元启发式算法中的拓扑结构可以有效地增强种群之间的相互作用，从而提高它们的性能。受此启发，本文创造性地研究了在差分进化算法中使用无标度网络的有效性，并提出了一种基于无标度网的差分进化方法。本文的新颖之处包括一种基于无标度网络的种群结构和一种新的变异算子，该算子旨在充分利用无标度结构提供的邻域信息。最新一代的精英个人和群体都被用来指导全球优化过程。通过这种方式，所提出的算法具有平衡的探索和开发能力，以缓解过早收敛的缺点。对CEC’17基准函数集和光伏模型的参数估计进行了实验和统计分析。结果表明，与竞争对手相比，它具有卓越的有效性和效率。

介绍

差分进化（DE）是一种著名的启发式算法，因为它在解决优化问题方面具有很好的性能。它通常具有元启发式算法的一些特性，如收敛速度快、鲁棒性强。此外，它还专门进行突变操作，以促进个体之间的相互作用。DE在第一届国际进化优化竞赛（第一届ICEO）上取得了成功，成为了实值基准函数的最佳进化算法。从那时起，它就备受关注，并在许多领域表现出了良好的性能。

DE包括种群的初始化、突变、交叉和选择操作。它的交叉算子通常包括两种方案：指数和二项式，后者更常用。同时，DE应用贪婪选择策略，在目标向量和试验向量之间，具有更好适应度的向量进入下一代。突变策略通常在DE中起着重要作用。它可以显著地操纵群体内的信息交换。因此，近年来不断提出的关于DE的改进大多是对其突变算子进行的。下面介绍一些有代表性的工作。

王等人提出了一种具有轮廓预测方法的自动小切口DE，用于解决多峰优化问题。它应用了亲和传播聚类作为一种无参数的自动小生境方法，并成功地省略了预定义参数的步骤。通过稳定的niching结果和较高的求解精度验证了其优化性能。Gao等人提出了一种基于混沌局部搜索的JADE（CJADE-M）。有人提出应用三种混沌局部搜索机制来缓解JADE的过早收敛问题。它们在基准函数集上的性能测试表明，正确有效地实现混沌局部搜索策略可以更好地优化结果。也有人提出了一种有限时域马尔可夫决策过程建模的参数控制方法，以提高DE的适用性。采用强化学习算法作为参数控制器，实现从优化经验中学习。通过这种方式，所提出的算法在优化问题上获得了改进的性能。使用两组突变和交叉算子来生成新的个体，并结合自适应参数控制策略来调整参数设置。所提出的算法在基准函数和实际问题上显示出强大的搜索能力和效率。在SHADE和LSHADE中引入两种突变策略，分别命名为DE/current to ord best/1和DE/ccurrent to ord pbest/1，以提高其性能。DE/current to ord best/1是一种不那么贪婪的突变策略，可以提高DE的探索能力，而DE/ccurrent to ord pbest/1是更贪婪的策略，可以增强开发能力。该杂交框架通过基准测试进行了验证，结果表明，两种突变策略都能有效地提高解决方案的鲁棒性、稳定性和质量。在中，提出了一种称为Hip-DE的DE变体，以分别解决给定突变策略和突变策略的相应参数控制中DE的两个主要弱点。它使用基于平台的阶跃递减方案来调整种群大小，并使用新的参数自适应机制来调整控制参数。此外，Hip-DE将历史种群纳入突变策略，以反映目标的景观。由于上述修改，Hip-DE生成了更准确的控制参数，从而获得了更好的优化性能。

鉴于先前的工作，大多数DE修饰都集中在突变策略和控制参数上。突变策略的适应通常基于控制参数的调整，通常需要多种策略和参数设置。否则，很难实现自适应。此外，当策略的选择或参数的设置不合适时，算法的性能和鲁棒性可能会大大恶化。中的一些发现表明，标度因子的有效范围通常在0.4和1之间，交叉覆盖率在[0.3，0.9]中更好。已经有很多有价值的研究提出了显著的参数自适应方法。类似和一致的工作是必要的，但本文也需要注意在这一领域没有注意到的研究。此外，最近研究中DE性能的改进也表明参数调整的影响是有限的。类似和一致的工作是必要的，但本文也需要注意在这一领域没有注意到的研究。此外，最近研究中DE性能的改进也表明参数调整的影响是有限的。因此，迫切需要找到一个新的研究方向来提高DE的性能。

最近，一些研究报告称，合适的拓扑结构可以极大地增强个体之间的通信，并有效地提高搜索能力。在这里，拓扑结构是指个体在种群中的组织和相互作用规则。在中对为DE开发的拓扑结构进行了全面的综述。据报道，为DE提出的拓扑结构包括两大类：细胞模型和分布式模型。其他一些模型，如层次模型、小世界模型、随机模型、不规则模型和共同进化模型，构成了一个独立于上述两个类别的类别。细胞模型的一个经典结构性质是，一个群体被划分为许多亚群体，通常只由一个个体组成。而分布结构将单一的泛米种群细分为一些同质的岛屿或亚种群。在这里，泛微观结构是一种没有特定组织和互动规则的结构，种群中的个体可以与任何其他个体互动。它是DE中使用的标准总体结构，这种结构不能称为拓扑结构。然而，根据中的工作，已经应用于粒子群优化（PSO）、人工蜂群（ABC）和其他元启发式算法的无标度网络在DE的研究中仍然不存在。

为了验证无标度网络与DE相结合的灵活性和有效性，进行了一些理论研究，Gao等人研究了DE的这种泛微观结构，发现其度的累积分布函数满足累积泊松分布。该研究表明，为DE种群构建拓扑结构是可能的，从而提高其性能。此外，在本文之前的研究中，本文发现与其他分布相比，幂律分布更有利于促进种群交互，并进一步提高算法的性能。因此，本文发现无标度网络具有与DE相结合的巨大潜力。

功率低分布是本文使用无标度网络而不是其他拓扑结构的原因，例如层次结构和小世界网络。形成低功率分布的关键是无标度网络的优先附加[39]。边链接顶点的概率与该顶点的阶数成比例。这表明无标度网络是一个具有幂律分布的自组织结构。无标度网络中的大多数节点（顶点）与其他节点的链接（边）很少，这使得它们对信息交换的交互影响有限。具有许多链路的少数节点在形成网络和领导信息传输方面发挥着重要作用[35]。通过将这种结构合并到DE中，有希望提高解决方案的质量，因为具有更好适应度的个人可以对其他人产生更大的影响，然后在解决方案生成过程中指导整个群体。此外，它可以在不使用额外的突变策略和参数设置的情况下，充分促进种群的相互作用。

受上述工作的启发，本文引入了一种基于无标度网络的差分进化。这种新的DE变体被称为基于无比例网络的DE（SNDE）。这项工作作出了以下贡献：

1. 从现有文献中可以观察到，无标度网络结构的性质在DE的设计中没有得到充分利用。在这项工作中，本文试图构建一个基于无标度网的DE拓扑结构，以增强邻域之间的相互作用。此外，本文使用邻域信息来促进其突变操作；

2. 为了充分利用拓扑结构的优点，设计了一种新的变异算子old pivot/1。它利用上一代的种群和待生成个体的邻域之间的相互作用来提高解决方案的质量。前者可用于帮助SNDE避免过早收敛，而后者可加快解的生成过程；

3. 除了CEC2017基准测试函数外，还对光伏模型进行了参数估计，以展示SNDE的搜索能力、鲁棒性和可扩展性。

方法

Scale-free network

无标度网络在自然界中非常常见。许多社会和生物现象被认为是无标度的，如万维网、航空公司网络、软件依赖图、银行间支付网络和蛋白质-蛋白质相互作用网络[。然而，由于缺乏更严格的数据分析技术，关于无标度网络仍存在一些争论。一些试图揭示其性质的初步研究包括Barab́asi-Albert（BA）模型、两级网络模型和中介驱动的依恋模型。

本文以BA模型为例来说明无标度网络的解生成过程。它是第一个使用优先连接机制生成随机无标度网络的无标度模型。它的网络从m0个节点的初始连接网络开始。其他节点通过连接到现有节点而添加到网络中。两个基本特征，度（k）和平均度（k），通常用于评估网络结构。k是指一个节点与网络中其他节点的连接数。k是在网络中所有节点上平均的k。新节点连接到网络中节点的概率与这些现有节点的程度成比例。度越高的节点对其他节点越有吸引力。这种现象被称为马太效应，即“富人越富”[60]。即服从以下公式：

其中r是一个常数，一般为2，k是节点的度数。

Scale-free network-based differential evolution (SNDE)

由于无标度网络的上述性质，本文提出了一种基于无标度的网络DE。由于Barab́asi-Albert（BA）模型是元启发式算法中使用最广泛的无标度网络模型，因此基于该模型构建了SNDE的种群结构。此外，还利用邻域信息修改了其变异算子。通过这样做，本文希望增强个人之间的互动，并提高DE的解决方案生成效率。

基于m0节点构造了SNDE中的无标度网络。这些节点被称为pivot，因为它们根据优先依赖获得了更高的度k，并且更有可能吸引其他节点。在SNDE中，构建无标度网络包括三个步骤。在第一步中，选择种群中具有更好适应度的前c个个体作为枢轴节点。然后，采用BA模型对具有中枢节点的基本无标度网络进行初始化。在m0个初始互连节点的情况下，其余个体按照其适合度从最好到最坏的顺序分别添加到网络中。建立与存在节点i的连接的概率Pi与它的度ki和其他存在节点:

其中j遍历所有现有节点。通过这种方式，轴心节点的度快速增长，并且它们是网络构建过程中其他节点的第一连接选择。因此，它们可以主导解决方案的生成过程，并将更多的遗传信息传递给他人。

具体而言，SNDE中的修饰包括两点：

下面是算法伪代码：

实验

CEC2017中的所有29个基准函数都被选择来评估SNDE的有效性（CEC2017中F2被排除在外，因为它表现出不稳定的行为，尤其是在更高维度下，以及在Matlab中实现的相同算法的显著性能变化，C）。测试的29个基准函数包括2个单峰函数、7个多峰函数、10个混合函数和10个组合函数。它可以全面地证明算法的性能和鲁棒性。总体大小设置为N=100，并且每个问题运行51次以减少随机误差。函数评估的最大数量MFE=10000D。所有实验都是在配有3.10GHz Intel（R）Core（TM）i5-4440 CPU和8GB RAM的PC上用MATLAB R2018a实现的。

实验结果

总结

在本文中，本文将DE与无标度网络结构相结合，产生了一种称为SNDE的改进变体。与以往将邻域信息应用于DE而只关注增强局部搜索能力的工作不同，新提出的变异算子old pivot/1赋予了SNDE探索和利用的能力。CEC2017基准函数集和PV模型的参数估计验证了SNDE的性能。实验得出的主要结论如下：

（1） DE非常适合与拓扑结构相结合，以优化其信息交互。

（2） SNDE和使用其他交互网络的元启发式算法之间的比较表明，在拓扑结构中，无标度网络是一个很有前途的选择。它的性质使种群中的精英个体在这一代中发挥着重要作用。

（3）在精英个体的指导下，收敛效率得到了保证，而邻域信息防止了目标个体陷入局部最优。因此，SNDE在基准函数和现实世界问题上的性能优于其他竞争算法。

（4） 关于SNDE在光伏模型参数估计方面的性能，SNDE的应用可以进一步扩展到其他相关问题，如微电网能量优化问题等。

本文的工作启示本文在进化算法中不断探索无标度网络的潜力。在本文未来的研究中，本文计划专注于开发无标度网络的性质，并利用它来解决一些工程问题。