基于混沌迁移及无参数变异差分进化算法的舰船电力系统网络重构.pdf

【正文】 舰船电力系统是复杂且至关重要的基础设施，其网络重构旨在确保系统的稳定性和可靠性。面对复杂的电力网络配置和故障恢复需求，传统的优化方法往往难以应对。本文提出了一种创新的解决方案，即基于混沌迁移及无参数变异的差分进化算法，用于舰船电力系统的网络重构。 差分进化算法（Differential Evolution, DE）是一种强大的全局优化工具，常用于解决多目标优化问题。然而，DE在寻找最优解的过程中易陷入早熟现象，即过早收敛到局部最优解，而忽视了搜索空间的其他可能解。针对这一问题，作者引入了混沌迁移的概念，通过混沌序列引导个体迁移，利用混沌的遍历性和随机性，促进不同子种群之间的信息高效交换，从而避免早熟，提高全局搜索能力。 混沌迁移是一种借鉴混沌理论的并行进化策略。混沌系统具有高度的敏感依赖性和复杂的动态特性，这使得种群中的个体在混沌序列的引导下进行迁移，能够在搜索空间中进行更广泛且非线性的探索，有助于找到全局最优解。将原有的单一种群分为多个子种群，每个子种群独立演化，再通过混沌序列引导的迁移实现种群间的交流，增强了算法的探索能力和适应性。 在电力系统网络重构问题中，通常采用0-1编码方式表示网络状态，但这种编码在解码过程中可能会丢失部分信息。为了解决这一问题，文章提出了无参数变异算子。这种变异算子摒弃了传统DE算法中依赖特定参数的变异策略，简化了算法结构，降低了计算复杂性，同时保持了算法的有效性。无参数变异算子能在保持算法简洁的同时，适应网络重构的特性，减少因信息丢失导致的优化效果下降。 此外，混沌序列也被用于种群的初始化，使得初始种群分布更具随机性和多样性，有助于算法跳出局部最优。Pareto选择策略的应用进一步优化了算法性能，它基于多目标优化的Pareto最优解概念，能够平衡多个目标之间的冲突，提高重构效率和故障恢复方案的质量。 通过仿真实验，作者验证了改进后的算法在舰船电力系统网络重构中的优越性。实验结果表明，改进算法能够提供更好的故障恢复方案，有效地解决了DE在求解电力系统网络重构时可能出现的早熟问题，提高了网络重构的效率和质量。 本文提出的混沌迁移与无参数变异相结合的差分进化算法为舰船电力系统的网络重构提供了新的优化手段。这种算法不仅克服了DE算法的早熟问题，还通过无参数变异简化了算法结构，增强了算法在复杂网络重构问题上的适用性，对于提升舰船电力系统的安全性和可靠性具有重要意义。