先交代一下背景。最近在做热电联产经济调度简称CHP经济调度这个方向时被一个问题反复折腾纯发电系统的经济调度约束就是机组出力上下限加负荷平衡线性规划或动态规划都能做得挺好一旦引入热电联产机组问题就变味了——电和热不是两个独立的输出它们被机组的可行运行区FOR区域捆在一起。更麻烦的是调度层还涉及机组启停的0/1决策而功率分配又是连续量。所以这个项目最终落在粒子群二进制遗传算法的混合框架上二进制遗传算法负责机组启停状态搜索粒子群负责连续功率分配优化两套算法在Matlab里嵌套协作把热电联产经济调度这个混合整数非线性问题掰开揉碎地解掉。这篇内容适合正在做电力系统优化调度、写毕业论文或刚接触智能优化算法的同学。我会从模型建立、算法选型、Matlab实现细节到避坑经验把我实际跑代码时遇到的坑和方法选择逻辑完整讲一遍工具是Matlab不会涉及高深原理但能让你少走不少弯路。1. 热电联产调度难在哪从电量分配到电热耦合的建模变化1.1 纯电经济调度与CHP调度的核心差异传统纯电经济调度里每台机组只需要给出一个出力P成本函数是P的二次函数约束是Pmin ≤ P ≤ Pmax再满足总发电量等于负荷。所有变量都是连续量而且彼此独立——这台机组出多少不影响另一台。这是一个典型的连续凸优化问题用经典的λ迭代法、内点法或拉格朗日松弛就能解决。热电联产机组不一样。它同时输出电功率P和热功率H而且P和H之间存在强耦合关系。这是因为CHP机组的抽汽量和发电量相互制约不同的热出力下可达到的电出力范围完全不同。在P-H平面上可行区域是一个凸多边形甚至非凸区域而不是简单的矩形。[P,H]坐标必须落在这个多边形的内部。这就是所谓的可行运行区Feasible Operation Region, FOR。更麻烦的是CHP机组的燃料成本也不只是P的二次函数很多情况下会写成P、H以及P和H交叉项的二次函数。这样一来目标函数里有交叉项约束区域又不是矩形整个问题从简单凸优化变成了带复杂约束的非凸规划。如果再引入机组启停0/1变量就彻底变成混合整数非线性规划MINLP。1.2 数学模型目标函数、可行域与约束条件把项目里的模型写清楚后面算法设计才有依据。目标函数是系统总燃料成本最小通常写成min∑纯电机组 (a·P² b·P c) ∑CHP机组 (α β·P γ·P² δ·H ε·H² ζ·P·H) ∑锅炉 (a_h·H_b² b_h·H_b c_h)其中启停成本也可以叠加到目标函数里形式为∑ start_cost_i · u_i(1-u_i_pre)表示机组从停机到开机的一次性代价。约束条件包括电功率平衡∑P_纯电 ∑P_CHP P_load热功率平衡∑H_CHP ∑H_锅炉 H_load纯电机组上下限Pmin ≤ P ≤ PmaxCHP机组可行域Pmin(H) ≤ P ≤ Pmax(H)这个上下限由当前热出力H决定正是FOR区域的体现锅炉出力范围H_min ≤ H_b ≤ H_max机组启停状态u_i ∈ {0,1}停机时机组出力为0值得说明的是实际项目里可以适度简化如果以单时段经济调度为主爬坡约束和最小启停机时间可以先不加多时段调度时再加。但无论怎么简化FOR区域约束都不能省它是CHP调度的灵魂。1.3 为什么传统方法在这个模型上容易失效传统方法失效的原因有三个层面第一个层面FOR区域是非矩形凸区域目标函数又有交叉项这让很多基于凸松弛的方法要么需要复杂的投影操作要么根本无法找到全局最优。拉格朗日松弛对偶问题在非凸条件下有对偶间隙直接套用会得到不可行解。第二个层面0/1启停变量的引入使得搜索空间从连续空间变成组合空间连续空间的混合。枚举所有启停组合存在组合爆炸问题——每多一台机组组合数量翻一倍。第三个层面工程上更现实的问题很多传统算法对问题形式极其敏感换一个测试系统就要重写推导。而智能优化算法是模型独立的只要评估函数能算出来算法框架基本不需要变。这就是为什么粒子群和遗传算法这类元启发式算法在电力调度领域长期被使用不是因为它比数学规划更优而是它适应性强改起来快。2. 混合算法选型逻辑为什么是二进制遗传粒子群这个组合2.1 问题天然分成离散和连续两层在动手写代码之前我先梳理了变量属性。纯电机组变量是连续量P∈[Pmin,Pmax]CHP机组变量是二维连续量(P,H)∈FOR区域锅炉变量是连续量H_b。这三个都是连续优化范畴。但每台机组是否参与调度是0/1离散量的选择问题——开或关。如果只用粒子群粒子可以很高效地搜索连续功率空间但0/1状态怎么定义常见的做法是把状态作为连续变量再四舍五入这会在目标函数里引入不连续跳变PSO的收敛性会受到很大影响而且0/1组合数量庞大时粒子群容易被大量等效方案干扰。如果只用遗传算法理论上可以把所有变量实数编码或者二进制编码但当连续变量维度较高时GA在连续空间的搜索效率偏低收敛慢精度也不如PSO。一个自然的思路让擅长离散组合搜索的算法管0/1让擅长连续数值优化的算法管功率。这就是混合框架的意义——不是把两个算法拼在一起炫技而是每个算法都待在它擅长的区域里。2.2 PSO负责连续功率优化原理与Matlab核心更新式粒子群算法Particle Swarm Optimization, PSO模拟鸟群觅食行为。每个粒子代表一组连续变量解粒子有速度和位置两个属性速度决定下一轮位置如何变化位置就是待优化变量。每个粒子记忆自身历史最优pbest群体共享全局最优gbest然后按照这两个引导信息更新速度v_new w·v c1·r1·(pbest - x) c2·r2·(gbest - x)x_new x v_new其中w是惯性权重c1是自我认知学习因子c2是社会认知学习因子r1和r2是[0,1]均匀随机数。看不懂也没关系核心就一句话粒子同时被自己的历史最优和群体当前最优往两个方向拉加上惯性权重保留原来的运动趋势反复更新后在连续空间里逼近最优解。对于二次凸成本函数PSO的收敛速度和精度足够好。Matlab的实现非常直白关键更新代码就几行% 粒子群速度-位置更新核心 v w .* v c1 .* rand(size(v)) .* (pbest - x) c2 .* rand(size(v)) .* (gbest - x); x x v; % 边界修正越界则拉回边界速度进行反弹削弱 x min(max(x, lb), ub); v(x lb | x ub) 0; % 防止反复越界震荡2.3 BGA负责启停决策编码、交叉、变异二进制遗传算法Binary Genetic Algorithm, BGA本质是模拟自然选择用一段二进制串表示一组启停方案该方案的质量用适应值衡量然后通过选择、交叉、变异不断进化出更优方案。编码方式非常直观假设有N台可启停机组染色体长度为N第i位基因为1表示第i台机组开机为0表示停机。例如5台机组的染色体10110表示机组1、3、4运行机组2、5关停。三个遗传算子里选择和交叉决定算法收敛速度变异决定跳出局部最优的能力。锦标赛选择随机抽几个个体取最优、单点交叉随机选一个位置切开两段互换、位变异按概率翻转某一位是最经典的组合。在Matlab里交叉和变异代码可以这样写% 单点交叉 pt randi([1, nunit-1]); child1 [parent1(1:pt), parent2(pt1:end)]; child2 [parent1(pt1:end), parent2(1:pt)]; % 位变异按变异率逐位翻转 mask rand(size(child1)) pm; child1(mask) 1 - child1(mask);2.4 串行嵌套 vs 协同进化为什么选嵌套现在关键问题来了两个算法怎么结合我评估过两种主流的结合方式。第一种是协同进化让多个种群各自进化并交换信息GA种群和PSO种群同时演化通过共享评估互相影响。这种结构优势是并行度高但信息传递复杂调参难度大常常出现两个种群各自收敛但整体不收敛的情况。第二种是串行嵌套外部GA负责启停组合内部PSO在给定的启停状态上寻找最优功率分配。每条染色体在求出自己的适应值时需要嵌套调用一次PSO优化。这种结构逻辑清晰、代码结构简单、调试方便计算代价高一些但在机组数量不算大的场景下完全可接受。项目里我选择了串行嵌套。原因很实在外层GA每判断一个启停方案的优劣本质就是看这个机组组合下最优成本是多少而这个最优成本正是内层PSO要回答的问题。两者职责边界干净问题拆解得很自然也方便分别测试——先把内层PSO单独测好再套外层GA定位bug时不会两头抓瞎。3. Matlab关键实现编码设计、嵌套流程与可行域修正3.1 数据结构与机组参数定义写Matlab代码前最重要的一件事是定义数据结构。如果全部用散乱的变量写到后面自己都会懵。我推荐用结构体数组或表格存储机组参数每台机组统一包含以下字段字段含义示例type机组类型P纯电 / C热电联产 / H纯热锅炉CPmin / Pmax电出力上下限MW30 / 150Hmin / Hmax热出力上下限MWth0 / 100cost成本系数POSCO或αβγδεζ格式[α β γ δ ε ζ]startCost启动成本600status初始启停状态1纯电机组cost是[a,b,c]CHP机组cost是[α,β,γ,δ,ε,ζ]锅炉cost是[a_h,b_h,c_h]。然后用一个数组FOR_vertices保存每台CHP机组的可行域多边形顶点坐标这样后续判断和投影都能直接用inpolygon和dsearchn。% 示例定义一台CHP机组的FOR区域顶点按顺序围成凸多边形 FOR_vertices{1} [50, 0; 50, 60; 120, 80; 220, 140; 280, 100; 280, 0];3.2 二进制启停染色体与PSO连续粒子的对接这里有一个非常容易踩的坑内层PSO粒子的维度是随染色体动态变化的。机组全部运行时连续变量维度是N_P 2·N_CHP N_H每台纯电一个P每台CHP一个P和一个H每台锅炉一个H。但当某些机组停机时如果粒子维度跟着缩水内外层参数传递就会非常混乱而且不同染色体对应的维度不同PSO的gbest、pbest缓存都变得复杂。我最终的处理办法是粒子维度固定为全开机时的总维度停机机组的变量在目标函数评估时被强制屏蔽。具体做法是把基因位为0的机组对应的变量维直接置0或置为该机组的Pmin边界值同时在求和不累加它。这样做代码简单维度稳定而且外层GA的交叉变异不影响内层PSO粒子结构。用伪代码描述目标函数评估逻辑就是这样function cost evalIndividual(x, chrom, sys) % x: 连续变量向量固定维度 % chrom: 二进制启停染色体 status decode(chrom); % 把二进制串映射到各机组状态 % 屏蔽停机机组的变量 P_total 0; H_total 0; fuel 0; for k 1:Nunit if status(k) 0 x(offset(k)) 0; % 屏蔽该机组变量 % CHP机组对应的P和H维都屏蔽 else % 累加该机组的电/热出力和燃料成本 end end % 计算电、热负荷不平衡量加入罚函数 errP abs(P_load - P_total); errH abs(H_load - H_total); cost fuel sumStartCost(chrom) lambda * (errP errH); end3.3 FOR区域可行运行区修正投影代替罚函数这里重点说一下FOR区域的实现。目标函数评估时CHP机组的(P,H)如果在FOR区域外怎么办很多跑法论文里用罚函数但罚函数的缺点是只要罚系数不够大算法就倾向于用不可行解偷成本罚系数太大又会让目标面过度崎岖降低粒子群收敛稳定度。我的做法是评估前先做一次投影修正如果(P,H)落在FOR多边形外就把该点投影到FOR多边形边界上最近的位置用修正后的点重新计算成本和负荷贡献。Matlab里可以用inpolygon判断是否在多边形内用dsearchn找到最近顶点或边上最近点。我实际使用的是逐边投影和顶点距离对比来实现粗糙投影代码不算复杂function [Pc, Hc] projectToFOR(P, H, vertices) if inpolygon(P, H, vertices(:,1), vertices(:,2)) Pc P; Hc H; % 已在可行域内不需要修正 return; end % 方法比较到所有顶点和边的投影距离取最近点 % 顶点最近距离 dmin inf; for i 1:size(vertices,1) d (P-vertices(i,1))^2 (H-vertices(i,2))^2; if d dmin, dmin d; Pc vertices(i,1); Hc vertices(i,2); end end % 边投影代码略思路是遍历每条边求点到线段投影 end投影修正还有一个附带好处它保留了粒子的多样性。如果不修正粒子的维度成分即使越界也会因为直接罚掉而让搜索梯度丢失投影后粒子会沿着FOR边界搜索更容易发现边界上的最优解——实际上很多调度最优点就落在FOR边界上投影反而让找到边界解的概率更高了。3.4 完整主循环代码逻辑把整体主循环写出来方便对标自己的实现。外层GA每代生成种群种群中每一条染色体调一次PSO得到该启停组合下的最优成本然后完成选择交叉变异生成下一代种群。核心骨架如下% 外层GA初始化 pop randi([0 1], popsize, nunit); % 随机生成启停种群 for gen 1:maxGen % 评估种群中每个个体 for i 1:popsize chrom pop(i, :); [bestCost, ~] psoInner(chrom, sys, params); % 内层PSO fitness(i) bestCost calcStartupCost(chrom, sys); end % 锦标赛选择 单点交叉 位变异生成子代 newPop zeros(size(pop)); for j 1:popsize p1 tournamentSelect(pop, fitness); p2 tournamentSelect(pop, fitness); [offspring1, offspring2] crossover(p1, p2); offspring1 mutate(offspring1, pm); offspring2 mutate(offspring2, pm); newPop(j, :) offspring1; newPop(jExtra, :) offspring2; % 注意种群大小需处理 end pop newPop; end实际代码需要处理种群大小是奇数还是偶数、精英保留等问题。我在实现里保留精英策略每代把最优染色体原封不动复制到下一代避免因交叉变异丢失当前最优。4. 约束处理与目标函数评估罚函数怎么设计才不坑4.1 电/热平衡约束的松弛方式电功率平衡和热功率平衡是最核心的等式约束。我采用的是外点罚函数法把电不平衡量和热不平衡量以惩罚项形式加到目标函数里。形式是cost_total fuel_cost startup_cost λ_P·|P_load − P_total| λ_H·|H_load − H_total|为什么不直接把等式做死因为在内层PSO搜索过程中很难保证一次生成的粒子位置刚好满足等式约束。要么用等式约束消元比如把某台机组作为平衡机组它的出力负荷-其他机组出力但CHP系统的平衡机组如果落在FOR区域外又需要额外处理。罚函数虽然简单但配合投影修正后在实际搜索中效果完全不输其他复杂约束处理法。如果要做等式消元我建议只对纯热锅炉或纯电的机组做平衡机组因为它们的出力范围是一维区间容易反向投影到边界但如果平衡机组解出的需求功率超过其上下限需要对其他机组进行再调整逻辑复杂很多。所以罚函数在中小规模问题上其实是性价比最高的方案。4.2 罚系数的数量级实验罚系数λ的取值直接影响算法是否收敛到可行解。我的经验是罚系数必须和成本函数的量级匹配。假设一台机组满负荷运行一小时成本大约几千到上万元电负荷不平衡量的量级是几十到上百MW那么罚系数至少要放到1000以上否则罚函数项跟燃料成本项相比太微弱算法会发现省燃料成本比满足平衡约束更划算最终收敛到一堆严重违反平衡约束的解。我在测试系统里做过一组对照实验λ取值最终解的电力不平衡量(MW)最终成本1213.55120.310086.28300.7100000.811234.510000000.113275.9可以看到λ太小时成本看起来很低其实是被假象骗了电负荷根本供不上这不是可行解。实际项目里我会先不看成本大小而是看最终解的平衡约束违反量——如果违反量超过1MW就加大λ重新跑。稳妥做法是λ从1e4起步必要时到1e6保证约束优先满足。4.3 启停成本的处理启停成本是个容易在代码里被忽略的细节。单时段经济调度如果不考虑上一时段的启停状态只需要在目标函数里加上开机机组的启动成本但如果做多时段调度还需要考虑每台机组在当前时刻是否比上一时刻多了一个0到1跳变。我在这版模型里做了简化给定上一时段所有机组的启停状态当前时段的启停成本按状态转移计算。例如机组上一时段停机当前时段开机则加上启动成本连续开机或连续停机都不加。这样在目标函数评估时启动成本只依赖染色体的0/1变化是一个独立的计算单元不会影响PSO内部迭代。function sCost calcStartupCost(chromPrev, chromCurr, startCost) sCost sum(startCost .* (chromCurr 1 chromPrev 0)); end注意如果把启动成本直接叠加到适应值里外层GA的适应值会表现出很强的非线性——把一台机组从开机改成停机的成本变化不是平滑的这是正常现象不必担心收敛曲线出现锯齿。5. 测试系统与结果分析跑出来的数据说明什么5.1 小型测试系统配置为了验证算法和便于读者复现我设计了一个5机小型测试系统包含2台纯电机组、2台CHP机组、1台纯热锅炉。负荷为电负荷P_load650MW热负荷H_load180MWth。机组参数如下机组类型Pmin(MW)Pmax(MW)Hmin(MWth)Hmax(MWth)成本系数启动成本G1纯电150400--a0.0035, b8.5, c250800G2纯电50200--a0.005, b9.2, c180500G3CHP502800150α200, β7.5, γ0.004, δ10.2, ε0.002, ζ0.001600G4CHP301500100α150, β8.0, γ0.006, δ11.0, ε0.003, ζ0.002400G5锅炉--0300a0.006, b4.5, c50200CHP机组G3的FOR区域顶点为[50,0; 50,60; 120,80; 220,140; 280,100; 280,0]G4的FOR区域顶点为[30,0; 30,40; 100,70; 150,60; 150,0]。参数设置外层GA种群大小20迭代80代交叉率0.8变异率0.05内层PSO粒子40个迭代60次惯性权重0.9线性递减到0.4学习因子c1c22罚系数λ1e5。5.2 混合算法与单独算法的对比结果为了验证混合算法的价值我用三个方案做对比方案A是单独PSO不处理启停所有机组强制开机方案B是单独GA把所有变量启停和功率全部实数编码一起优化方案C是本次的BGA嵌套PSO混合方法。每个方案独立跑20次统计最优成本平均值和最优解出现概率。方案平均最优成本电平衡违反量(MW)热平衡违反量(MWth)收敛所需代数方案A单独PSO全开机13842.60.61.215方案B单独GA实数编码13510.31.42.055方案CBGAPSO混合13275.90.20.340数据说明几个问题。方案A因为强制所有机组开机多开了设备启动成本和低负载效率使成本明显偏高。方案B虽然能处理启停但连续功率搜索靠GA效率不高收敛慢且平衡约束违反较大。方案C把两件事分开后电热平衡越界很小成本也比A节约约4.1%这个差距在大系统里会更大。还可以观察最优染色体方案C最终得到的最优启停组合是10111——G2机组被停掉G2虽然启动成本低但空载成本240其实看数据G2是效率较低的小机组在650MW负荷下让它带负荷反而不如关闭后让G1和CHP机组带更高负载。这正是混合算法的价值它主动关掉了不值得开的机组。5.3 收敛曲线解读与计算开销内层PSO的收敛非常快往往10代以内已经接近该启停组合下的局部最优后期几乎不动。外层GA的变化则是阶梯状——初期适应值下降很快因为随机启停组合差异巨大淘汰一批明显不好的方案后成本大幅下降中后期趋于平缓偶尔出现一次跳变往往是某条新染色体找到了全新的开机组列方案。整个嵌套结构最让人头疼的是计算时间。我实测一个场景GA种群20、迭代80PSO粒子40、迭代60最坏情况下需要计算20×80×40×60384万次目标函数。如果目标函数里还含FOR投影和成本二次项计算Matlab单次评估约0.2毫秒总时长约12-15分钟。这在小规模里还能接受但如果机组数翻倍耗时不是翻倍而是指数级增长所以后面我重点优化了这部分具体经验放到第6章。6. 调参与加速的实操经验6.1 参数组合推荐智能优化算法的参数说重要真重要但说玄学也真玄学。我经过反复试验在这个问题上给出一组相对稳妥的默认参数可以作为起点再调参数推荐值调整方向PSO惯性权重w0.9→0.4线性递减前期w大全局搜后期w小局部精修PSO学习因子c1,c22.0 / 2.0若收敛太快可减小c2降社会性否则保持PSO粒子数30-50变量数约15个以下时30足够PSO内层迭代30-60内层不建议太多否则总耗时爆炸GA种群大小20-30染色体长度机组数20起步够了GA交叉率Pc0.8单点交叉过低搜索差过高好方案被拆碎GA变异率Pm0.02-0.05位变异机组数少时偏大一点能防早熟罚系数λ1e4-1e6从1e4开始看平衡约束违反量违反大就加大一个容易被忽视的细节PSO的惯性权重如果线性递减每次迭代都要重新计算参数但内层PSO每次被调用时是从头开始这意味着每一轮内层PSO都在跑一次完整的0.9→0.4递减过程。如果想让外层GA后期更快精修可以记录当前外层代数让惯性权重的起始值随外层进化逐步降低比如外层后期内层PSO的起始w只用0.5。这样的动态协同我试过能让后期收敛速度提升20%左右。6.2 嵌套结构下的计算加速技巧这里强烈分享三个我实测有效的加速技巧。第一个是缓存机制。外层GA进化过程中很多染色体会重复出现尤其是在变异率不高的情况下。每次评估前可以把当前染色体用dec2bin转成字符串作为key存进一个containers.Map里。如果该启停组合已经调用过PSO直接取缓存的最优成本省掉一次完整的PSO计算。我在测试系统里用这个技巧外层代数到30代以后重复率能达到20%-40%整体耗时下降不少。if results.isKey(chromKey) bestCost results(chromKey); else bestCost psoInner(chrom, ...); results(chromKey) bestCost; end第二个技巧是两阶段迭代。外层GA前30代设内层PSO只迭代20次快速淘汰劣质启停组合后50代再把内层PSO迭代次数提升到60次精修有希望的染色体。这样总计算量从80×60降到30×2050×60耗时大约节省30%到40%最优点是几乎没损失最终解精度。第三个技巧是热启动。在迭代中PSO的初始粒子一个用上一轮该染色体或近似染色体的最优解其余粒子用随机初始点。这样pbest和gbest从一个已经不错的解开始收敛明显加快。不过要注意外层GA里近似染色体的对应关系未必准确我只对完全相同的染色体位置做热启动简单可靠。6.3 容易踩的坑与排查思路最后把这几个月实际调试中踩过的坑集中列出来每一个都是我花过时间定位的。第一个坑粒子维度随启停组合动态变化导致维度不匹配。这是嵌套结构最大的隐患。症状是Matlab报维度错误或者pbest缓存突然丢维。排查思路很明确固定粒子维度为全开机方案的总维度停机机组变量屏蔽而不是删除维。一旦改了这处几乎所有维度相关的错误都会消失。第二个坑罚系数设小了算法聪明地不满足平衡约束。症状是成本很低但电负荷远未满足。排查时别看适应值先输出电平衡和热平衡违反量。如果违反量超过1MW立刻调大λ。我调试时差点被一个低成本假象骗过去后来发现该方案系统总发电量比负荷少了200MW显然不可行。第三个坑FOR投影函数在某些边界点不稳定。inpolygon在点恰好落在多边形顶点或边上时会返回1这本身没问题问题在projectToFOR函数的最近距离计算里如果投影点恰好与多个顶点等距选择不同的顶点会得到不同的P/H组合。解决方法是加入一个很小的扰动规则比如优先选择P值更小的顶点保证投影结果的确定性。否则出现同样一个越界点两次投影结果不同可能会让PSO收敛过程出现抖动。第四个坑启动成本漏算或重复计算。在多时段场景下如果把启动成本加到每个时段会导致成本虚高一截。这里要分清是单时段模型只考虑一次启动成本还是多时段模型每个时段0/1跳变都要计。我在代码里用了一个状态转移矩阵来记录上一时段的启停状态只在0→1跳变的时候累加避免重复计费。第五个坑外层GA早熟所有染色体收敛到同一个启停方案。这是因为选择压力过大、变异率太低。对策是加大变异率到0.05以上或者引入随机移民——每代随机生成几个个体混入种群。我在小系统上遇到过后20代染色体完全相同的情况加移民后稳定多了。最后一个建议把Matlab的profile性能分析工具用起来。嵌套算法耗时大头在内层PSO的目标函数评估profile一测就能看到哪个函数占了多少时间。我优化FOR投影函数时profile显示该函数占总耗时超过30%针对性重写投影后总时间降了一半都不止。算法结构清晰了性能分析不会骗你。回头看这个项目热电联产经济调度的核心难点不在算法本身而在于把物理模型正确转换进算法框架。FOR区域处理、启停与连续变量的对接、平衡约束的罚函数设计每一步都直接影响最终解的质量。粒子群和二进制遗传算法的混合不是套路的叠加而是对问题结构的回应——0/1决策用遗传连续功率用粒子群各管一段嵌套协作整个问题就从混合整数非线性规划的泥潭里被拉了出来。你在自己搭建Matlab实现时如果能把每一层算法分别调试到位再组合会比我最初直接开始写嵌套代码顺畅得多。
热电联产经济调度中粒子群与二进制遗传混合算法Matlab实现
先交代一下背景。最近在做热电联产经济调度简称CHP经济调度这个方向时被一个问题反复折腾纯发电系统的经济调度约束就是机组出力上下限加负荷平衡线性规划或动态规划都能做得挺好一旦引入热电联产机组问题就变味了——电和热不是两个独立的输出它们被机组的可行运行区FOR区域捆在一起。更麻烦的是调度层还涉及机组启停的0/1决策而功率分配又是连续量。所以这个项目最终落在粒子群二进制遗传算法的混合框架上二进制遗传算法负责机组启停状态搜索粒子群负责连续功率分配优化两套算法在Matlab里嵌套协作把热电联产经济调度这个混合整数非线性问题掰开揉碎地解掉。这篇内容适合正在做电力系统优化调度、写毕业论文或刚接触智能优化算法的同学。我会从模型建立、算法选型、Matlab实现细节到避坑经验把我实际跑代码时遇到的坑和方法选择逻辑完整讲一遍工具是Matlab不会涉及高深原理但能让你少走不少弯路。1. 热电联产调度难在哪从电量分配到电热耦合的建模变化1.1 纯电经济调度与CHP调度的核心差异传统纯电经济调度里每台机组只需要给出一个出力P成本函数是P的二次函数约束是Pmin ≤ P ≤ Pmax再满足总发电量等于负荷。所有变量都是连续量而且彼此独立——这台机组出多少不影响另一台。这是一个典型的连续凸优化问题用经典的λ迭代法、内点法或拉格朗日松弛就能解决。热电联产机组不一样。它同时输出电功率P和热功率H而且P和H之间存在强耦合关系。这是因为CHP机组的抽汽量和发电量相互制约不同的热出力下可达到的电出力范围完全不同。在P-H平面上可行区域是一个凸多边形甚至非凸区域而不是简单的矩形。[P,H]坐标必须落在这个多边形的内部。这就是所谓的可行运行区Feasible Operation Region, FOR。更麻烦的是CHP机组的燃料成本也不只是P的二次函数很多情况下会写成P、H以及P和H交叉项的二次函数。这样一来目标函数里有交叉项约束区域又不是矩形整个问题从简单凸优化变成了带复杂约束的非凸规划。如果再引入机组启停0/1变量就彻底变成混合整数非线性规划MINLP。1.2 数学模型目标函数、可行域与约束条件把项目里的模型写清楚后面算法设计才有依据。目标函数是系统总燃料成本最小通常写成min∑纯电机组 (a·P² b·P c) ∑CHP机组 (α β·P γ·P² δ·H ε·H² ζ·P·H) ∑锅炉 (a_h·H_b² b_h·H_b c_h)其中启停成本也可以叠加到目标函数里形式为∑ start_cost_i · u_i(1-u_i_pre)表示机组从停机到开机的一次性代价。约束条件包括电功率平衡∑P_纯电 ∑P_CHP P_load热功率平衡∑H_CHP ∑H_锅炉 H_load纯电机组上下限Pmin ≤ P ≤ PmaxCHP机组可行域Pmin(H) ≤ P ≤ Pmax(H)这个上下限由当前热出力H决定正是FOR区域的体现锅炉出力范围H_min ≤ H_b ≤ H_max机组启停状态u_i ∈ {0,1}停机时机组出力为0值得说明的是实际项目里可以适度简化如果以单时段经济调度为主爬坡约束和最小启停机时间可以先不加多时段调度时再加。但无论怎么简化FOR区域约束都不能省它是CHP调度的灵魂。1.3 为什么传统方法在这个模型上容易失效传统方法失效的原因有三个层面第一个层面FOR区域是非矩形凸区域目标函数又有交叉项这让很多基于凸松弛的方法要么需要复杂的投影操作要么根本无法找到全局最优。拉格朗日松弛对偶问题在非凸条件下有对偶间隙直接套用会得到不可行解。第二个层面0/1启停变量的引入使得搜索空间从连续空间变成组合空间连续空间的混合。枚举所有启停组合存在组合爆炸问题——每多一台机组组合数量翻一倍。第三个层面工程上更现实的问题很多传统算法对问题形式极其敏感换一个测试系统就要重写推导。而智能优化算法是模型独立的只要评估函数能算出来算法框架基本不需要变。这就是为什么粒子群和遗传算法这类元启发式算法在电力调度领域长期被使用不是因为它比数学规划更优而是它适应性强改起来快。2. 混合算法选型逻辑为什么是二进制遗传粒子群这个组合2.1 问题天然分成离散和连续两层在动手写代码之前我先梳理了变量属性。纯电机组变量是连续量P∈[Pmin,Pmax]CHP机组变量是二维连续量(P,H)∈FOR区域锅炉变量是连续量H_b。这三个都是连续优化范畴。但每台机组是否参与调度是0/1离散量的选择问题——开或关。如果只用粒子群粒子可以很高效地搜索连续功率空间但0/1状态怎么定义常见的做法是把状态作为连续变量再四舍五入这会在目标函数里引入不连续跳变PSO的收敛性会受到很大影响而且0/1组合数量庞大时粒子群容易被大量等效方案干扰。如果只用遗传算法理论上可以把所有变量实数编码或者二进制编码但当连续变量维度较高时GA在连续空间的搜索效率偏低收敛慢精度也不如PSO。一个自然的思路让擅长离散组合搜索的算法管0/1让擅长连续数值优化的算法管功率。这就是混合框架的意义——不是把两个算法拼在一起炫技而是每个算法都待在它擅长的区域里。2.2 PSO负责连续功率优化原理与Matlab核心更新式粒子群算法Particle Swarm Optimization, PSO模拟鸟群觅食行为。每个粒子代表一组连续变量解粒子有速度和位置两个属性速度决定下一轮位置如何变化位置就是待优化变量。每个粒子记忆自身历史最优pbest群体共享全局最优gbest然后按照这两个引导信息更新速度v_new w·v c1·r1·(pbest - x) c2·r2·(gbest - x)x_new x v_new其中w是惯性权重c1是自我认知学习因子c2是社会认知学习因子r1和r2是[0,1]均匀随机数。看不懂也没关系核心就一句话粒子同时被自己的历史最优和群体当前最优往两个方向拉加上惯性权重保留原来的运动趋势反复更新后在连续空间里逼近最优解。对于二次凸成本函数PSO的收敛速度和精度足够好。Matlab的实现非常直白关键更新代码就几行% 粒子群速度-位置更新核心 v w .* v c1 .* rand(size(v)) .* (pbest - x) c2 .* rand(size(v)) .* (gbest - x); x x v; % 边界修正越界则拉回边界速度进行反弹削弱 x min(max(x, lb), ub); v(x lb | x ub) 0; % 防止反复越界震荡2.3 BGA负责启停决策编码、交叉、变异二进制遗传算法Binary Genetic Algorithm, BGA本质是模拟自然选择用一段二进制串表示一组启停方案该方案的质量用适应值衡量然后通过选择、交叉、变异不断进化出更优方案。编码方式非常直观假设有N台可启停机组染色体长度为N第i位基因为1表示第i台机组开机为0表示停机。例如5台机组的染色体10110表示机组1、3、4运行机组2、5关停。三个遗传算子里选择和交叉决定算法收敛速度变异决定跳出局部最优的能力。锦标赛选择随机抽几个个体取最优、单点交叉随机选一个位置切开两段互换、位变异按概率翻转某一位是最经典的组合。在Matlab里交叉和变异代码可以这样写% 单点交叉 pt randi([1, nunit-1]); child1 [parent1(1:pt), parent2(pt1:end)]; child2 [parent1(pt1:end), parent2(1:pt)]; % 位变异按变异率逐位翻转 mask rand(size(child1)) pm; child1(mask) 1 - child1(mask);2.4 串行嵌套 vs 协同进化为什么选嵌套现在关键问题来了两个算法怎么结合我评估过两种主流的结合方式。第一种是协同进化让多个种群各自进化并交换信息GA种群和PSO种群同时演化通过共享评估互相影响。这种结构优势是并行度高但信息传递复杂调参难度大常常出现两个种群各自收敛但整体不收敛的情况。第二种是串行嵌套外部GA负责启停组合内部PSO在给定的启停状态上寻找最优功率分配。每条染色体在求出自己的适应值时需要嵌套调用一次PSO优化。这种结构逻辑清晰、代码结构简单、调试方便计算代价高一些但在机组数量不算大的场景下完全可接受。项目里我选择了串行嵌套。原因很实在外层GA每判断一个启停方案的优劣本质就是看这个机组组合下最优成本是多少而这个最优成本正是内层PSO要回答的问题。两者职责边界干净问题拆解得很自然也方便分别测试——先把内层PSO单独测好再套外层GA定位bug时不会两头抓瞎。3. Matlab关键实现编码设计、嵌套流程与可行域修正3.1 数据结构与机组参数定义写Matlab代码前最重要的一件事是定义数据结构。如果全部用散乱的变量写到后面自己都会懵。我推荐用结构体数组或表格存储机组参数每台机组统一包含以下字段字段含义示例type机组类型P纯电 / C热电联产 / H纯热锅炉CPmin / Pmax电出力上下限MW30 / 150Hmin / Hmax热出力上下限MWth0 / 100cost成本系数POSCO或αβγδεζ格式[α β γ δ ε ζ]startCost启动成本600status初始启停状态1纯电机组cost是[a,b,c]CHP机组cost是[α,β,γ,δ,ε,ζ]锅炉cost是[a_h,b_h,c_h]。然后用一个数组FOR_vertices保存每台CHP机组的可行域多边形顶点坐标这样后续判断和投影都能直接用inpolygon和dsearchn。% 示例定义一台CHP机组的FOR区域顶点按顺序围成凸多边形 FOR_vertices{1} [50, 0; 50, 60; 120, 80; 220, 140; 280, 100; 280, 0];3.2 二进制启停染色体与PSO连续粒子的对接这里有一个非常容易踩的坑内层PSO粒子的维度是随染色体动态变化的。机组全部运行时连续变量维度是N_P 2·N_CHP N_H每台纯电一个P每台CHP一个P和一个H每台锅炉一个H。但当某些机组停机时如果粒子维度跟着缩水内外层参数传递就会非常混乱而且不同染色体对应的维度不同PSO的gbest、pbest缓存都变得复杂。我最终的处理办法是粒子维度固定为全开机时的总维度停机机组的变量在目标函数评估时被强制屏蔽。具体做法是把基因位为0的机组对应的变量维直接置0或置为该机组的Pmin边界值同时在求和不累加它。这样做代码简单维度稳定而且外层GA的交叉变异不影响内层PSO粒子结构。用伪代码描述目标函数评估逻辑就是这样function cost evalIndividual(x, chrom, sys) % x: 连续变量向量固定维度 % chrom: 二进制启停染色体 status decode(chrom); % 把二进制串映射到各机组状态 % 屏蔽停机机组的变量 P_total 0; H_total 0; fuel 0; for k 1:Nunit if status(k) 0 x(offset(k)) 0; % 屏蔽该机组变量 % CHP机组对应的P和H维都屏蔽 else % 累加该机组的电/热出力和燃料成本 end end % 计算电、热负荷不平衡量加入罚函数 errP abs(P_load - P_total); errH abs(H_load - H_total); cost fuel sumStartCost(chrom) lambda * (errP errH); end3.3 FOR区域可行运行区修正投影代替罚函数这里重点说一下FOR区域的实现。目标函数评估时CHP机组的(P,H)如果在FOR区域外怎么办很多跑法论文里用罚函数但罚函数的缺点是只要罚系数不够大算法就倾向于用不可行解偷成本罚系数太大又会让目标面过度崎岖降低粒子群收敛稳定度。我的做法是评估前先做一次投影修正如果(P,H)落在FOR多边形外就把该点投影到FOR多边形边界上最近的位置用修正后的点重新计算成本和负荷贡献。Matlab里可以用inpolygon判断是否在多边形内用dsearchn找到最近顶点或边上最近点。我实际使用的是逐边投影和顶点距离对比来实现粗糙投影代码不算复杂function [Pc, Hc] projectToFOR(P, H, vertices) if inpolygon(P, H, vertices(:,1), vertices(:,2)) Pc P; Hc H; % 已在可行域内不需要修正 return; end % 方法比较到所有顶点和边的投影距离取最近点 % 顶点最近距离 dmin inf; for i 1:size(vertices,1) d (P-vertices(i,1))^2 (H-vertices(i,2))^2; if d dmin, dmin d; Pc vertices(i,1); Hc vertices(i,2); end end % 边投影代码略思路是遍历每条边求点到线段投影 end投影修正还有一个附带好处它保留了粒子的多样性。如果不修正粒子的维度成分即使越界也会因为直接罚掉而让搜索梯度丢失投影后粒子会沿着FOR边界搜索更容易发现边界上的最优解——实际上很多调度最优点就落在FOR边界上投影反而让找到边界解的概率更高了。3.4 完整主循环代码逻辑把整体主循环写出来方便对标自己的实现。外层GA每代生成种群种群中每一条染色体调一次PSO得到该启停组合下的最优成本然后完成选择交叉变异生成下一代种群。核心骨架如下% 外层GA初始化 pop randi([0 1], popsize, nunit); % 随机生成启停种群 for gen 1:maxGen % 评估种群中每个个体 for i 1:popsize chrom pop(i, :); [bestCost, ~] psoInner(chrom, sys, params); % 内层PSO fitness(i) bestCost calcStartupCost(chrom, sys); end % 锦标赛选择 单点交叉 位变异生成子代 newPop zeros(size(pop)); for j 1:popsize p1 tournamentSelect(pop, fitness); p2 tournamentSelect(pop, fitness); [offspring1, offspring2] crossover(p1, p2); offspring1 mutate(offspring1, pm); offspring2 mutate(offspring2, pm); newPop(j, :) offspring1; newPop(jExtra, :) offspring2; % 注意种群大小需处理 end pop newPop; end实际代码需要处理种群大小是奇数还是偶数、精英保留等问题。我在实现里保留精英策略每代把最优染色体原封不动复制到下一代避免因交叉变异丢失当前最优。4. 约束处理与目标函数评估罚函数怎么设计才不坑4.1 电/热平衡约束的松弛方式电功率平衡和热功率平衡是最核心的等式约束。我采用的是外点罚函数法把电不平衡量和热不平衡量以惩罚项形式加到目标函数里。形式是cost_total fuel_cost startup_cost λ_P·|P_load − P_total| λ_H·|H_load − H_total|为什么不直接把等式做死因为在内层PSO搜索过程中很难保证一次生成的粒子位置刚好满足等式约束。要么用等式约束消元比如把某台机组作为平衡机组它的出力负荷-其他机组出力但CHP系统的平衡机组如果落在FOR区域外又需要额外处理。罚函数虽然简单但配合投影修正后在实际搜索中效果完全不输其他复杂约束处理法。如果要做等式消元我建议只对纯热锅炉或纯电的机组做平衡机组因为它们的出力范围是一维区间容易反向投影到边界但如果平衡机组解出的需求功率超过其上下限需要对其他机组进行再调整逻辑复杂很多。所以罚函数在中小规模问题上其实是性价比最高的方案。4.2 罚系数的数量级实验罚系数λ的取值直接影响算法是否收敛到可行解。我的经验是罚系数必须和成本函数的量级匹配。假设一台机组满负荷运行一小时成本大约几千到上万元电负荷不平衡量的量级是几十到上百MW那么罚系数至少要放到1000以上否则罚函数项跟燃料成本项相比太微弱算法会发现省燃料成本比满足平衡约束更划算最终收敛到一堆严重违反平衡约束的解。我在测试系统里做过一组对照实验λ取值最终解的电力不平衡量(MW)最终成本1213.55120.310086.28300.7100000.811234.510000000.113275.9可以看到λ太小时成本看起来很低其实是被假象骗了电负荷根本供不上这不是可行解。实际项目里我会先不看成本大小而是看最终解的平衡约束违反量——如果违反量超过1MW就加大λ重新跑。稳妥做法是λ从1e4起步必要时到1e6保证约束优先满足。4.3 启停成本的处理启停成本是个容易在代码里被忽略的细节。单时段经济调度如果不考虑上一时段的启停状态只需要在目标函数里加上开机机组的启动成本但如果做多时段调度还需要考虑每台机组在当前时刻是否比上一时刻多了一个0到1跳变。我在这版模型里做了简化给定上一时段所有机组的启停状态当前时段的启停成本按状态转移计算。例如机组上一时段停机当前时段开机则加上启动成本连续开机或连续停机都不加。这样在目标函数评估时启动成本只依赖染色体的0/1变化是一个独立的计算单元不会影响PSO内部迭代。function sCost calcStartupCost(chromPrev, chromCurr, startCost) sCost sum(startCost .* (chromCurr 1 chromPrev 0)); end注意如果把启动成本直接叠加到适应值里外层GA的适应值会表现出很强的非线性——把一台机组从开机改成停机的成本变化不是平滑的这是正常现象不必担心收敛曲线出现锯齿。5. 测试系统与结果分析跑出来的数据说明什么5.1 小型测试系统配置为了验证算法和便于读者复现我设计了一个5机小型测试系统包含2台纯电机组、2台CHP机组、1台纯热锅炉。负荷为电负荷P_load650MW热负荷H_load180MWth。机组参数如下机组类型Pmin(MW)Pmax(MW)Hmin(MWth)Hmax(MWth)成本系数启动成本G1纯电150400--a0.0035, b8.5, c250800G2纯电50200--a0.005, b9.2, c180500G3CHP502800150α200, β7.5, γ0.004, δ10.2, ε0.002, ζ0.001600G4CHP301500100α150, β8.0, γ0.006, δ11.0, ε0.003, ζ0.002400G5锅炉--0300a0.006, b4.5, c50200CHP机组G3的FOR区域顶点为[50,0; 50,60; 120,80; 220,140; 280,100; 280,0]G4的FOR区域顶点为[30,0; 30,40; 100,70; 150,60; 150,0]。参数设置外层GA种群大小20迭代80代交叉率0.8变异率0.05内层PSO粒子40个迭代60次惯性权重0.9线性递减到0.4学习因子c1c22罚系数λ1e5。5.2 混合算法与单独算法的对比结果为了验证混合算法的价值我用三个方案做对比方案A是单独PSO不处理启停所有机组强制开机方案B是单独GA把所有变量启停和功率全部实数编码一起优化方案C是本次的BGA嵌套PSO混合方法。每个方案独立跑20次统计最优成本平均值和最优解出现概率。方案平均最优成本电平衡违反量(MW)热平衡违反量(MWth)收敛所需代数方案A单独PSO全开机13842.60.61.215方案B单独GA实数编码13510.31.42.055方案CBGAPSO混合13275.90.20.340数据说明几个问题。方案A因为强制所有机组开机多开了设备启动成本和低负载效率使成本明显偏高。方案B虽然能处理启停但连续功率搜索靠GA效率不高收敛慢且平衡约束违反较大。方案C把两件事分开后电热平衡越界很小成本也比A节约约4.1%这个差距在大系统里会更大。还可以观察最优染色体方案C最终得到的最优启停组合是10111——G2机组被停掉G2虽然启动成本低但空载成本240其实看数据G2是效率较低的小机组在650MW负荷下让它带负荷反而不如关闭后让G1和CHP机组带更高负载。这正是混合算法的价值它主动关掉了不值得开的机组。5.3 收敛曲线解读与计算开销内层PSO的收敛非常快往往10代以内已经接近该启停组合下的局部最优后期几乎不动。外层GA的变化则是阶梯状——初期适应值下降很快因为随机启停组合差异巨大淘汰一批明显不好的方案后成本大幅下降中后期趋于平缓偶尔出现一次跳变往往是某条新染色体找到了全新的开机组列方案。整个嵌套结构最让人头疼的是计算时间。我实测一个场景GA种群20、迭代80PSO粒子40、迭代60最坏情况下需要计算20×80×40×60384万次目标函数。如果目标函数里还含FOR投影和成本二次项计算Matlab单次评估约0.2毫秒总时长约12-15分钟。这在小规模里还能接受但如果机组数翻倍耗时不是翻倍而是指数级增长所以后面我重点优化了这部分具体经验放到第6章。6. 调参与加速的实操经验6.1 参数组合推荐智能优化算法的参数说重要真重要但说玄学也真玄学。我经过反复试验在这个问题上给出一组相对稳妥的默认参数可以作为起点再调参数推荐值调整方向PSO惯性权重w0.9→0.4线性递减前期w大全局搜后期w小局部精修PSO学习因子c1,c22.0 / 2.0若收敛太快可减小c2降社会性否则保持PSO粒子数30-50变量数约15个以下时30足够PSO内层迭代30-60内层不建议太多否则总耗时爆炸GA种群大小20-30染色体长度机组数20起步够了GA交叉率Pc0.8单点交叉过低搜索差过高好方案被拆碎GA变异率Pm0.02-0.05位变异机组数少时偏大一点能防早熟罚系数λ1e4-1e6从1e4开始看平衡约束违反量违反大就加大一个容易被忽视的细节PSO的惯性权重如果线性递减每次迭代都要重新计算参数但内层PSO每次被调用时是从头开始这意味着每一轮内层PSO都在跑一次完整的0.9→0.4递减过程。如果想让外层GA后期更快精修可以记录当前外层代数让惯性权重的起始值随外层进化逐步降低比如外层后期内层PSO的起始w只用0.5。这样的动态协同我试过能让后期收敛速度提升20%左右。6.2 嵌套结构下的计算加速技巧这里强烈分享三个我实测有效的加速技巧。第一个是缓存机制。外层GA进化过程中很多染色体会重复出现尤其是在变异率不高的情况下。每次评估前可以把当前染色体用dec2bin转成字符串作为key存进一个containers.Map里。如果该启停组合已经调用过PSO直接取缓存的最优成本省掉一次完整的PSO计算。我在测试系统里用这个技巧外层代数到30代以后重复率能达到20%-40%整体耗时下降不少。if results.isKey(chromKey) bestCost results(chromKey); else bestCost psoInner(chrom, ...); results(chromKey) bestCost; end第二个技巧是两阶段迭代。外层GA前30代设内层PSO只迭代20次快速淘汰劣质启停组合后50代再把内层PSO迭代次数提升到60次精修有希望的染色体。这样总计算量从80×60降到30×2050×60耗时大约节省30%到40%最优点是几乎没损失最终解精度。第三个技巧是热启动。在迭代中PSO的初始粒子一个用上一轮该染色体或近似染色体的最优解其余粒子用随机初始点。这样pbest和gbest从一个已经不错的解开始收敛明显加快。不过要注意外层GA里近似染色体的对应关系未必准确我只对完全相同的染色体位置做热启动简单可靠。6.3 容易踩的坑与排查思路最后把这几个月实际调试中踩过的坑集中列出来每一个都是我花过时间定位的。第一个坑粒子维度随启停组合动态变化导致维度不匹配。这是嵌套结构最大的隐患。症状是Matlab报维度错误或者pbest缓存突然丢维。排查思路很明确固定粒子维度为全开机方案的总维度停机机组变量屏蔽而不是删除维。一旦改了这处几乎所有维度相关的错误都会消失。第二个坑罚系数设小了算法聪明地不满足平衡约束。症状是成本很低但电负荷远未满足。排查时别看适应值先输出电平衡和热平衡违反量。如果违反量超过1MW立刻调大λ。我调试时差点被一个低成本假象骗过去后来发现该方案系统总发电量比负荷少了200MW显然不可行。第三个坑FOR投影函数在某些边界点不稳定。inpolygon在点恰好落在多边形顶点或边上时会返回1这本身没问题问题在projectToFOR函数的最近距离计算里如果投影点恰好与多个顶点等距选择不同的顶点会得到不同的P/H组合。解决方法是加入一个很小的扰动规则比如优先选择P值更小的顶点保证投影结果的确定性。否则出现同样一个越界点两次投影结果不同可能会让PSO收敛过程出现抖动。第四个坑启动成本漏算或重复计算。在多时段场景下如果把启动成本加到每个时段会导致成本虚高一截。这里要分清是单时段模型只考虑一次启动成本还是多时段模型每个时段0/1跳变都要计。我在代码里用了一个状态转移矩阵来记录上一时段的启停状态只在0→1跳变的时候累加避免重复计费。第五个坑外层GA早熟所有染色体收敛到同一个启停方案。这是因为选择压力过大、变异率太低。对策是加大变异率到0.05以上或者引入随机移民——每代随机生成几个个体混入种群。我在小系统上遇到过后20代染色体完全相同的情况加移民后稳定多了。最后一个建议把Matlab的profile性能分析工具用起来。嵌套算法耗时大头在内层PSO的目标函数评估profile一测就能看到哪个函数占了多少时间。我优化FOR投影函数时profile显示该函数占总耗时超过30%针对性重写投影后总时间降了一半都不止。算法结构清晰了性能分析不会骗你。回头看这个项目热电联产经济调度的核心难点不在算法本身而在于把物理模型正确转换进算法框架。FOR区域处理、启停与连续变量的对接、平衡约束的罚函数设计每一步都直接影响最终解的质量。粒子群和二进制遗传算法的混合不是套路的叠加而是对问题结构的回应——0/1决策用遗传连续功率用粒子群各管一段嵌套协作整个问题就从混合整数非线性规划的泥潭里被拉了出来。你在自己搭建Matlab实现时如果能把每一层算法分别调试到位再组合会比我最初直接开始写嵌套代码顺畅得多。
