本文针对电力系统中的最优潮流(OPF)提出了一种多配置单元多目标蜂算法(M(2)OBA)。 提出的M(2)OBA通过将外部存档,全面学习,贪婪选择,拥挤距离和合作搜索策略相结合,将原始的人工蜂群(ABC)算法扩展到多目标合作模式。 我们的算法使用帕累托优势的概念和全面的学习机制来确定蜜蜂的飞行方向,并基于贪婪的选择和行距距离策略在外部档案中维护非主导的解矢量。 通过合作搜索方法,通过构建菌落级交互拓扑和信息交换策略,单种群ABC已扩展到交互多蜂巢模型。 具有六个数学基准函数,M(2)OBA被证明比三个成功的多目标优化器(即快速非支配排序遗传算法(NSGA-II),多目标粒子群优化器(MOPSO) ),以及用于解决复杂的多目标优化问题的多目标ABC(MOABC)。 然后,将M2OBA用于解决以成本,损失和排放影响为目标函数的实际OPF问题。 提出了30总线IEEE测试系统,以说明所提出算法的应用。 仿真结果也与NSGA-II,MOPSO和MOABC进行了比较,以说明该方法的有效性和鲁棒性。 (C)2014 Elsevier Ltd.保留所有权利。