superone89的博客

该程序参考《自适应多目标差分进化算法在计及电压稳定性的无功优化中的应用》，以网损和电压偏差为目标，考虑DG无功出力和电容器组，建立多目标无功优化模型，并采用差分进化算法进行求解，在差分进化的寻优机制中嵌入非劣排序和拥挤距离排序以对种群实施选择操作，使算法快速收敛到 Pareto前沿的同时，保证了非劣解的均匀分布；对缩放因子和交叉概率进行自适应修正，避免对参数的反复试探 ，提高了算法的鲁棒性。并在IEEE33节点系统上进行验证。附原文结果图。

经过转换，深度神经网络能够以一种紧凑且高效的方式表示 Q 函数，使得智能体可以在大规模的状态和动作空间中快速学习和决策，极大地拓展了强化学习在复杂现实场景中的应用范围。借助于强化学习框架、Q 学习及 DQN 算法的基础理论，分析经验回放与冻结参数机制对 DQN 性能的提升作用，最终以经济性为导向，实现微能源网的能量管理与优化。强化学习是指从环境状态到动作策略集的学习，以使得动作从环境中获得的累计奖励最大，学习的过程，如下图所示。为了方便大家更好的对照文献学习，整理了一版程序代码复现和文献的具体对应关系图。

ALO 算法核心思想是模拟蚁狮捕猎蚂蚁的狩猎机制以实现全局寻优。蚁狮在捕猎前会在在沙质土中利用其巨大的下颚挖出一个漏斗状的陷阱，并藏在陷阱底部等待猎物到来。ALO 算法通过数值模拟实现蚂蚁和蚁狮之间的相互作用将问题优化:引入蚂蚁的随机游走实现全局搜索，通过轮盘赌策略和精英策略保证种群的多样性和算法的寻优性能。蚁狮相当于优化问题的解，通过猎捕高适应度的蚂蚁实现对近似最优解的更新和保存。由于引入了随机游走、轮盘赌策略及精英策略，使得 ALO 算法成为一种种群多样、寻优性能强、调节参数少、易于实现的搜索技术。

该程序方法复现《改进蚁狮算法的无线传感器网络覆盖优化》两种改进算法模型，即原始ALO算法的基础上添加了两种改进策略：- 改进1：将原先的间断性边界收缩因子变为连续性边界收缩因子，从而增强算法的遍历性- 改进2：将原先均衡的权重系数变为动态权重系数，平衡算法的全局搜索和局部开发能力仿真图中包含改进后的IALO算法与原始ALO算法的比较，可以看出性能提升明显。

主要内容：代码主要做的是一个电动汽车充电站和分布式光伏的选址定容问题，提出了能够计及地理因素和服务半径的２步筛选法，以此来确定充电站的候选站址。以规划期内充电站的建设运行成本、充电途中耗时成本、网损费用以及考虑碳排放流成本之和最小为目标，考虑了相关的约束条件，构造了电动汽车充电站最优规划的数学模型，并采用粒子群算法快速求解！

是通过matlab实现了遗传粒子群、混沌粒子群和基本粒子群的算法的对比，能够看出遗传粒子群具有明显优势，本次进一步更新算法，增加量子遗传算法的对比，可以看一下增加另外一个改进算法之后，最优的算法“花落谁家”？

通过matlab实现了遗传粒子群、混沌粒子群和基本粒子群的算法的对比，能够看出遗传粒子群具有明显优势，本次进一步更新算法，增加量子遗传算法的对比，可以看一下增加另外一个改进算法之后，最优的算法“花落谁家”？量子遗传算法是通过量子计算原理进行改进的遗传算法，将量子的态矢量表达方式改进遗传算法的编码，通过量子逻辑门对遗传算法的染色体进行演化，实现更好的优化效果。量子比特编码方式的特点是可以同时处在两个量子态的叠加态中，将其引入到遗传算法基因表达方面，就可以实现“0”态和“1”态的任意叠加态。

很多同学在发文章时候最犯愁的就是创新点创新点创新点（重要的事情说三遍），对于采用智能算法的模型，可以采用算法改进的方式来达到提高整个文章创新水平的目的，本篇分享一个效果比较好的粒子群三种算法实现代码，并给出测试函数的对比效果，以供有需要的同学学习。本次分享的程序是遗传粒子群、混沌粒子群和基本粒子群的算法实现和效果对比，智能算法的创新以组合创新居多，通过两种或多种方法的优势结合从而实现算法优势叠加或者弥补劣势的目的，在算法寻优性能包括寻优速度、跳出局部最优等方面表现更加突出。

改进惯性权重方法比较常见，不同的非线性函数能够得到不同的优化方法，程序中采用sin函数构造惯性权重的进化曲线，当然大家在编程过程中也可以采用其他非线性函数，如Sigmoid函数（见下图），甚至可以用分段方式提高算法的创新性。

关注该代码的同学应该清楚，这个代码已经免费更新了两版了，修复和增加了一些约束内容，本次增加约束，可别小瞧这么简单的增加约束，相当于蓄电池除了有出力约束、soc约束外，又增加了一个约束，在增加该约束的过程中，容易出现出力越限、等式约束偏差大等问题，本次更新的代码完全实现了该部分功能。

程序是对文章《基于多目标粒子群算法的配电网储能选址定容》的方法复现，具体内容如下：以系统节点电压水平（电网脆弱性）、网络损耗以及储能系统总容量为目标建立了储能选址定容优化模型。求解过程中提出了一种改进多目标粒子群算法(improved multi—objective particle swarm optimizer，IMOPSO)。

程序是对文章《基于多目标粒子群算法的配电网储能选址定容》的方法复现，具体内容如下：以系统节点电压水平（电网脆弱性）、网络损耗以及储能系统总容量为目标建立了储能选址定容优化模型。求解过程中提出了一种改进多目标粒子群算法(improved multi—objective particle swarm optimizer，IMOPSO)。

在常规的电热微网优化中，可以得到蓄电池、外网交互、燃料电池、余热锅炉等设备的功率，但是常规模型已经比较基础了，在发文章或者做毕业论文的时候用太初级，工作量和深度难以满足要求，因此可以考虑不确定变量的鲁棒性、考虑机会约束等，本文用王锐的《含可再生能源的热电联供型微网经济运行优化》为例，分析机会约束规划理论建立模型和编程方法，同时给出常规粒子群PSO和基于CCP理论的粒子群算法上面的区别。

程序针对微电网优化模型进行优化求解，文件夹共包含四部分内容，分别是：原始多目标粒子群、改进多目标粒子群、改进多目标粒子群（勘误）和改进多目标粒子群（多约束模板），满足各位同学对于多目标粒子群算法各类需求。

该程序复现《IHAOAVOA: An improved hybrid aquila optimizer and African vultures optimization algorithm for global optimization problems》，天鹰优化算法（AO）和非洲秃鹫算法（AVOA）各有优势：AO具有强大的全局勘探能力，但其局部开发阶段还不够稳定。另一方面，AVOA具有良好的开发能力，但勘探机制不足。

飞蛾扑火优化算法（Moth-Flame Optimization，MFO）是澳大利亚学者Seyedali Mirjalili于2015年提出的一种受自然生物启发的智能优化算法，该算法的主要灵感来自于飞蛾被称为“横定向”的导航方法。飞蛾在夜间飞行时相对于月亮保持一个固定的角度，这是一种非常有效的远距离直线飞行机制，但是在人造光周围，飞蛾却容易陷入致命的螺旋路径。作者就是模拟了飞蛾的这种特点。假设候选解是飞蛾，问题的变量是飞蛾在空间中的位置。因此，飞蛾可以通过改变位置向量在一维、二维、三维或多维空间中飞行。

多约束多目标粒子群算法优化模板

混沌映射算法是我们在智能算法改进中常用到的方法，本程序充分考虑改进算法应用的便捷性，集成了11种混合映射算法，包括Singer、tent、Logistic、Cubic、chebyshev、Piecewise、sinusoidal、Sine、ICMIC、Circle、Bernoulli，基本涵盖了常用到的全部混合映射算法，并采用两种智能算法——鲸鱼WOA和灰狼GWO算法进行改进示范，得到优化前和优化后的对比结果，该程序可方便更换不同映射算法，通过两种算法示范方便新手学习，改进算法可轻松嫁接于其他智能算法中。

该模型以环境保护成本和运行成本为双目标构建了微电网优化调度模型，模型目标函数和约束条件复现文献《基于改进粒子群算法的微电网多目标优化调度》，程序的特点是采用非支配排序的蜣螂优化算法NSDBO，实现了柴油发电机、蓄电池、微燃机和主网交互等出力情况，程序实现了四种模式下的求解方案，分别指权值折衷解、总成本最低、运行成本最低和环境保护成本最低，程序采用matlab编写，出图效果较好，注释清楚，方便学习！但是，程序仍然存在两个问题，主要是约束引起的，在下一章节进行分析。

该算法也是一种元启发式优化算法，一种新的模拟座头鲸狩猎行为的元启发式优化算法，与其他群优化算法相比的主要区别在于，采用随机或最佳搜索代理来模拟捕猎行为，并使用螺旋来模拟座头鲸的泡泡网攻击机制。

该算法也是一种元启发式优化算法，一种新的模拟座头鲸狩猎行为的元启发式优化算法，与其他群优化算法相比的主要区别在于，采用随机或最佳搜索代理来模拟捕猎行为，并使用螺旋来模拟座头鲸的泡泡网攻击机制。