买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北师范大学

摘要：充电站选址定容问题在城市规划中具有重要意义。传统的优化方法在面对该问题时往往效率低下，因此本发明致力于提出一种改进的灰狼优化器来解决这一挑战，针对传统的灰狼优化算法容易陷入局部最优和收敛速度慢的问题，提出了一种改进的灰狼优化器IEMGWO。首先，在基本的灰狼优化算法基础上，引入了一种新的非线性调整收敛因子的策略，提高全局搜索的能力；其次，提出了新的位置更新策略，此策略融合了三种独特的方法，每种方法通过引入一个不同分配机制的权重公式，让个体同时从全局最优位置和个体最优位置学习，选择最优的策略来更新个体的位置。实验结果表明，改进的灰狼优化器在充电站选址定容问题上相较于其他算法具有显著的优势。

主权项：1.一种基于改进灰狼优化器的电动汽车充电站选址定容方法，其特征在于包括下述步骤：定义：IEMGWO全称为ImprovedEnhancedMulti-strategyGreyWolfOptimizer，即改进的灰狼优化器，本发明采用了多重策略，通过结合多样化的搜索机制与创新的更新规则，显著提升了灰狼优化算法GWO在搜索效率和收敛速度方面的性能。首先，在基本的灰狼优化算法基础上，引入了一种新的非线性调整收敛因子a的策略，有助于跳出局部最优解，提高全局搜索的能力；然后，本发明中又提出了一种新的位置更新策略，此策略融合了三种独特的方法，每种方法通过引入一个不同分配机制的权重公式，让个体同时从全局最优位置和个体最优位置学习。之后进一步通过这些方法更新灰狼个体的位置，生成三个候选解，并通过计算每个解的适应度值，选择最优的解来更新个体的位置，以此来找到所有充电站的最佳位置，最后每个充电站的容量由所服务的所有需求点的需求量总和决定。步骤1：对充电站选址定容问题进行建模；假设已知用户需求点的位置集合I＝{x1,x2,x3,......,xn}和所有需求点的需求量集合D＝{d1,d2,d3,......,dn}，且综合考虑各方面因素确定所建充电站总数为P，在充电站数量一定的前提下，在这个区域内选取合适位置并分配适当容量的充电站，以满足电动车用户的充电需求每个需求点分配给距离其最近的充电站，使得所有用户需求点到达其所属充电站的距离总和最小。定义决策变量如下： 其中，Xi的值代表是否在第i个需求点附近建设充电站，建设则值为1，否则为0，Yij为1表示第j个充电站为第i个需求点服务，否则为0。所建充电站总数为P，一个需求点只能分配给一个充电站，该充电站必须被建立。因此满足以下约束条件： 其中，一个需求点只能分配给一个充电站，因此对于任何一个需求点i，其Yij的总和始终为1。每个充电站的容量用以下公式计算： 其中，di表示第i个需求点的需求量，Yij为1表示第j个充电站为第i个需求点服务，否则为0。用distxi,pj表示第i个需求点到充电站j的距离。综上所述，充电站选址定容问题的目标函数可以表示为： 步骤2：引入非线性收敛因子；非线性收敛因子可以根据算法的迭代进程动态调整搜索步长，使得算法在接近最优解时能够进行更精细的搜索，从而提高收敛精度，为了增强算法的全局搜索能力和局部搜索能力，在迭代过程中引入非线性收敛因子，随着迭代次数的增加从2开始减小逐渐趋近于0，计算公式如下：at+1＝max0.01,2e-0.1at×1+0.3cosat其中，t是当前的迭代次数，当t＝1时，a的值为2，引入非线性收敛因子调整自适应权重系数A以增强算法的全局搜索能力和局部搜索能力，计算公式如下：A＝2at·r-at其中，t是当前的迭代次数，r是在[0,1]之间的随机数，|A|≥1代表灰狼进行全局搜索，|A|＜1表示灰狼进行局部搜索。a是非线性收敛因子，如下式所示：步骤3：引入带权重的位置更新公式；灰狼优化算法在解决复杂优化问题时易陷入局部极值，即出现早熟收敛的现象。为解决上述问题，本发明对位置更新公式进行了改进，利用三种不同的计算方法，生成三个候选解，再分别计算出三个候选解的适应度值，选取适应度值最优的作为最终解，以此确定ω个体的最终位置。其他灰狼个体的位置根据α狼、β狼和δ狼的位置进行更新。更新公式如下：X1＝Xα-A1·|C1·Xα-X|X2＝Xβ-A2·|C2·Xβ-X|X3＝Xδ-A3·|C3·Xδ-X|其中，X1，X2和X3分别表示受α层狼群、β层狼群、δ层狼群影响，Xα，Xβ和Xδ分别表示α狼、β狼和δ狼的位置，X是灰狼个体当前位置，A1，A2和A3为自适应权重系数，C1，C2和C3为随机向量，计算公式如下：C＝2r其中，r是在[0,1]之间的随机数。本发明利用三种不同的计算方法，生成三个候选解，再分别计算出三个候选解的适应度值，选取适应度值最优的作为最终解，以此确定ω个体的最终位置。第一个候选解是让个体同时从全局最优位置和个体历史最优位置进行学习，并引入权重公式，计算公式如下： D＝1-w·r3·Xα-Xt+1-r3·X1-Xt其中，t为当前迭代次数，r3为[0,1]之间的随机数，w表示惯性权重，从初始值w1线性递减到最终值w2，计算如下：w＝w1-w1-w2×r4+0.1×r5第二个候选解是给X1，X2和X3分别分配了不同的权重，以引导狼群向最优解方向进化引入了动态权重策略，并利用改进的步长欧式距离计算比例权重，r4和r5为[0,1]之间的随机数，计算公式如下： 其中，t为当前迭代次数，T是总的迭代次数，三部分的权重利用以下公式计算，其中ε∈[0,0.01]： 第三个候选解是从群体中随机选取个体与当前个体进行差分搜索，同时对个体的记忆公式进行改进，使其能够记忆自身进化过程中的最优解，r1，r2和r3为[0,1]之间的随机数，计算公式如下： 将三个候选解分别代入目标函数进行计算，选取适应度值最优的作为ω个体的最终位置，计算公式如下： 步骤4：基于改进灰狼优化器的训练框架；在充电站选址定容问题中，所有充电站的不同位置组合可以看作多个不同的规划方案。因此，本发明采用融合了多种策略的灰狼优化算法，增强了传统灰狼优化算法的全局搜索能力和收敛速度，每一只灰狼代表了一种不同的充电站放置方案，用改进灰狼优化器解决充电站选址定容问题的具体步骤如下：步骤4.1：获取用户需求点的具体位置以及相应的充电需求量，确定要建设的充电站数量；步骤4.2：群体初始化；首先，随机生成一定数量的灰狼个体作为初始种群。每个灰狼个体可以表示为一个可能的充电站选址及其对应的容量配置方案。这些个体的位置和状态将根据目标函数的值进行不断更新，以逐步寻找最优解；步骤4.3：目标函数定义；充电桩选址定容问题是在一定的区域内找到所有充电站放置的最优位置并分配合适的容量，使其在满足用户需求的情况下使得所有用户需求点到达其所属充电站的距离总和最小，将该问题转化为一个适应度函数，可表示为xi表示第i个需求点的位置，pj表示第j个充电站，distxi,pj表示第i个需求点到充电站j的距离，Yij为1表示第j个充电站为第i个需求点服务，否则为0；步骤4.4：位置更新；其他灰狼个体的位置根据α狼、β狼和δ狼的位置进行更新，结合三种不同策略的位置更新公式进行计算，将生成三个候选解分别代入目标函数进行计算，选取适应度值最优的作为ω个体的最终位置，计算公式如下： 其中，F代表目标函数，X1t+1，X2t+1和X3t+1分别代表生成的三个候选解，最终得到Xpt+1为灰狼个体的最终位置，也代表一个充电站的规划方案。步骤4.5：更新α狼、β狼和δ狼；根据适应度值，选择当前种群中适应度值最优的三个灰狼个体，分别作为α狼、β狼和δ狼。α狼表示当前种群中最优的解决方案，β狼和δ狼分别为次优和第三优的解决方案。步骤4.6：判断终止条件；判断是否达到最大迭代次数或者适应度值不再显著提升，若达到则输出当前最优解，即最佳充电站选址方案；否则返回步骤4.3，继续迭代。步骤4.7：确定充电站的容量；当确定了所有充电站的位置，然后为每个需求点分配最近的充电站，每个充电站的容量确定为所服务需求点的需求量总和。计算公式如下： 其中，di表示第i个需求点的需求量，Yij为1表示第j个充电站为第i个需求点服务，否则为0。用distxi,pj表示第i个需求点到充电站j的距离。步骤4.8：结果输出；输出最终的充电站选址及容量配置方案，绘制出需求点和充电站的分配连线图。

全文数据：

权利要求：

百度查询： 西北师范大学 一种基于改进灰狼优化器的电动汽车充电站选址定容方法