[发明专利]基于智能算法和环境约束下的变电站工程多目标优化方法

权利要求书

1.一种基于智能算法和环境约束下的变电站工程多目标优化方法，其特征是，包括有以下步骤：

S1、建立以变电站工程项目的工期T、成本C、质量Q为目标的优化目标模型；

S2、引入环境指标构建环境E和工期T的优化目标模型，采用灰度关联法生成关于环境指标的工程优先级链；

S3、基于资源约束，构建环境指标的数学模型；

S4、采用SOA算法求解，获取所需结果。

2.根据权利要求1所述的基于智能算法和环境约束下的变电站工程多目标优化方法，其特征是，步骤S1中具体的优化目标模型为：

3.根据权利要求2所述的基于智能算法和环境约束下的变电站工程多目标优化方法，其特征是，步骤S2具体为：

对各工程关于环境指标的要求高低进行评估；

根据灰度关联分析法求出各工程优先级，得出各个工程的优先级链；

根据指标权重排序后，建立有关环境影响的优化目标模型

其中，E表示总工程项目对环境的影响比例系数；d表示施工范围与居民聚集区的距离水平；F表示工程施工的噪声污染标准；e_j表示子工程j对周围环境产生的污染指数；R表示最优资源分配；

其中，u_j表示关键路径上的子工程j资源消耗水平；k_j表示根据优先级排序后子工程j在链π上的位置；H_j表示子工程j的所分配的人力资源；η为恶化因子。

4.根据权利要求3所述的基于智能算法和环境约束下的变电站工程多目标优化方法，其特征是，步骤S3具体包括有：

预先选定工程的人力资源最大系数

其中，G表示最大人力资源比例系数，B表示关键路径上子工程的集合；

由于E中只有R与H_j有关，与H_j无关，所以在约束条件下，把P_j看做一个不变的量，此时求E最小，即求R最小；

基于约束条件下，目标函数为：

在时，目标函数R取得最小；

根据目标函数求取环境指标的数学模型。

5.根据权利要求4所述的基于智能算法和环境约束下的变电站工程多目标优化方法，其特征是，根据目标函数求取环境指标的数学模型具体为：

转换目标函数的求取，转变为R在满足约束条件时的条件极值；

采用Lagrange乘子法去解决，其Lagrange函数为：

其中λ(λ≥0)为Lagrange乘子；

对H_[j]，λ求偏导数，并令导函数为0，可得：

进而依次可得：

更新资源消耗水平：

获得最终资源总量为：

可得环境指标的数学模型为：

将环境目标函数加入，建立工期-成本-质量-环境四目标的优化模型：

6.根据权利要求5所述的基于智能算法和环境约束下的变电站工程多目标优化方法，其特征是，步骤S4具体包括有：

SOA使用一组随机解作为初始种群，假设在n维空间搜索空间中有m个个体，第i个个体的位置表示为

第t+1次迭代时个体第k维位置分量的更新为

其中，x_rand^k(t)为第t次迭代时随机个体的第k维位置分量；x_best^k(t)为第t次迭代时种群中最优个体的第k维位置分量；Iteration为最大迭代次数；a为常数；r₂为[0,2π]之间的随机数，r₃为[0,1]之间随机数

通过r₁、r₂、r₃来平衡优化过程中的全局搜索和局部开发；迭代开始时可更好地进行全局搜索；随着r₁的减小，个体的位置变化量小，算法进行局部开发；r₃的大小决定了个体在下一次迭代位置移动的起点，当r₃的取值在[0,0.5)时，对随机个体的位置进行修改获得下一个位置，可覆盖更广的搜索区域；当r₃取值在[0.5,1]时，对最优个体的位置进行修改获得下一个位置，可完成在最优个体附近的局部开发。