5.1 引言

在求解多目標優化問題算法中，進化算法是最有效的手段。早在二十世紀七八十年代，已出現多種進化算法，例如 NSGA-II 算法、PAES 算法、SPEA-II 算法[63-64]以及 MOPSO等算法[65]。這些進化算法利用非占優排序、強占優和擁擠距離等策略來保證最優解集靠近 Pareto 前沿，用來保持非劣解集的分布性和算法的收斂性。但是一般情況下，由于出于決策的偏好或求解的需要，決策者只要求獲取偏好區域內的 Pareto 解，而不需要整個的 Pareto 前端解集。這樣的目的，既可以提高效率，減小了數據的大小和求解范圍，同時也可以便于決策者找到真正需要的解。

一般情況下，根據決策方式的不同，在文獻[66]中，作者將基于偏好信息的求解過程大致分為三種：前決策技術(Priori Technique)、后決策技術(Posterior Technique)以及交互決策技術或邊優化邊決策技術(Progressive Technique)。所謂的前決策，就是指先引入決策信息再進行優化，通過迭代，為決策者提供一個最優解。后決策技術是指在先求解最優解集的基礎上，由決策者選擇自己所需要的解。而交互決策技術是指在進化算法運行的過程中，優化計算和引入決策信息二者交互進行。通過這樣互動方式，使決策者的偏好思想很好的和算法進行結合，這樣做可以保證算法的搜索過程可以沿著參考點或參考區域進行。從上面的敘述中可以看出，交互決策技術是一種很好有效的決策技術，而在本文就采用了這種決策技術。

......

結論

隨著時代的發展，人們生活水平的提高，環境問題越來越受到人們的重視。面對我國的霧霾問題如此嚴重，環境污染嚴重影響人們身體健康。因此，如何合理解決火力發電過程中產生環境問題已經成為電力系統的研究熱點。在電力系統控制方面，如何通過合理分配每臺機組的功率來保證經濟和環境成本最低，很多學者已經進行了大量的研究。在本文的論文中也將針對這一問題進行深入探索，將改進的多目標粒子群算法應用到電力系統環境經濟負荷分配中，來解決上面遇到的問題。本文研究的主要內容有：

(1)對粒子群的基本算法進行改進，對參數 w 和 c 的迭代方式進行創新，并通過仿真來驗證此改進方法的可行性，改進了傳統粒子群算法的易于陷入局部最優的缺點;

(2)對多目標粒子群進行改進，算法將參考點作為參考區域的中心，在移動參考點的過程中，動態調整參考區域的大小，增加了選擇壓力，控制了偏好的范圍。另外，本文提出了球扇占優的概念，改進了全局最優粒子的選取，實現對多目標優化的非劣解有效搜索;

(3)最后將改進的多目標粒子群算法應用其中，來求取基于環境成本和經濟成本的多目標問題，為更好的改善環境問題提供了更優越的數據。雖然多目標粒子群算法已經取得了很大的發展，但是它仍然存在很大的不足，比如它容易陷入局部最優的問題仍然存在，所以這種算法仍然需要提高和發展，例如在支配方式上，可以將本文的球形支配換成更優秀的、有效的支配方式;可以將混合引導方式再進行改進，提高收斂的速度;進一步改進最優粒子的選擇效率，使得到的解集更加精確，因此，基于多目標粒子群優化算法電力負荷分配策略還有很長的路要走，不過我相信，在不遠的將來，粒子群算法和電力系統負荷分配的算法一定會更加完善，有著更遠的發展前景并創造出更大的經濟效益。

.........