5.1 引言

在求解多目標(biāo)優(yōu)化問題算法中，進化算法是最有效的手段。早在二十世紀(jì)七八十年代，已出現(xiàn)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(yōu)排序、強占優(yōu)和擁擠距離等策略來保證最優(yōu)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(qū)域內(nèi)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(shù)據(jù)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(jù)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(shù)(Priori Technique)、后決策技術(shù)(Posterior Technique)以及交互決策技術(shù)或邊優(yōu)化邊決策技術(shù)(Progressive Technique)。所謂的前決策，就是指先引入決策信息再進行優(yōu)化，通過迭代，為決策者提供一個最優(yōu)解。后決策技術(shù)是指在先求解最優(yōu)解集的基礎(chǔ)上，由決策者選擇自己所需要的解。而交互決策技術(shù)是指在進化算法運行的過程中，優(yōu)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(jié)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(qū)域進行。從上面的敘述中可以看出，交互決策技術(shù)是一種很好有效的決策技術(shù)，而在本文就采用了這種決策技術(shù)。

......

結(jié)論

隨著時代的發(fā)展，人們生活水平的提高，環(huán)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(yán)重，環(huán)境污染嚴(yán)重影響人們身體健康。因此，如何合理解決火力發(fā)電過程中產(chǎn)生環(huán)境問題已經(jīng)成為電力系統(tǒng)的研究熱點。在電力系統(tǒng)控制方面，如何通過合理分配每臺機組的功率來保證經(jīng)濟和環(huán)境成本最低，很多學(xué)者已經(jīng)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(biāo)粒子群算法應(yīng)用到電力系統(tǒng)環(huán)境經(jīng)濟負荷分配中，來解決上面遇到的問題。本文研究的主要內(nèi)容有：

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

(2)對多目標(biāo)粒子群進行改進，算法將參考點作為參考區(qū)域的中心，在移動參考點的過程中，動態(tài)調(diào)整參考區(qū)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(yōu)的概念，改進了全局最優(yōu)粒子的選取，實現(xiàn)對多目標(biāo)優(yōu)化的非劣解有效搜索;

(3)最后將改進的多目標(biāo)粒子群算法應(yīng)用其中，來求取基于環(huán)境成本和經(jīng)濟成本的多目標(biāo)問題，為更好的改善環(huán)境問題提供了更優(yōu)越的數(shù)據(jù)。雖然多目標(biāo)粒子群算法已經(jīng)取得了很大的發(fā)展，但是它仍然存在很大的不足，比如它容易陷入局部最優(yōu)的問題仍然存在，所以這種算法仍然需要提高和發(fā)展，例如在支配方式上，可以將本文的球形支配換成更優(yōu)秀的、有效的支配方式;可以將混合引導(dǎo)方式再進行改進，提高收斂的速度;進一步改進最優(yōu)粒子的選擇效率，使得到的解集更加精確，因此，基于多目標(biāo)粒子群優(yōu)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(tǒng)負荷分配的算法一定會更加完善，有著更遠的發(fā)展前景并創(chuàng)造出更大的經(jīng)濟效益。

.........