遗传算法初探——以电力系统有功优化为例（二）

上一篇：https://blog.csdn.net/m0_43401436/article/details/106564397

我自己的代码都差点认不出来了。。。

完整代码如下，安装matpower后可直接运行。注释写得比较清楚，结合上一篇应该能看明白。

clc
clear
%%
mpc=loadcase('case6ww');
bus=mpc.bus;%节点参数
branch=mpc.branch;%支路参数
gen=mpc.gen;%发电机参数
NG=size(gen,1);%发电机数目
%%
pgMax=1*gen(:,9);
pgMin=1*gen(:,10);%机组最大最小出力

gencost=mpc.gencost;%发电机花费参数
costa=gencost(:,5);
costb=gencost(:,6);
costc=gencost(:,7);
%% GA参数
size=30;%种群规模
NP=50;%进化多少代
cost=zeros(1,size);%每个个体的花费
fv=0;%初始最优值的适应函数值取0
D=zeros(NP,4);%用来记录每代的最优解,平均值，最差解,最优解是否为可行解
%% GA Process
%% 种群初始化
pg=(pgMax-pgMin).*rand(NG,size)+pgMin;
pg=[pg;zeros(3,size)];%再加3行，分别是4适应函数值、5是否为可行解、6燃料花费

%% 判断是否为可行解
for i=1:size
    for j=1:NG
        mpc.gen(j,2)=pg(j,i);
    end
    results=runpf(mpc);
    if results.success==1
        if (sum(results.gen(:,2)>=pgMin)==NG)&&(sum(results.gen(:,2)<=pgMax)==NG)%机组出力不越限
            pg(5,i)=1;
            pg(1:NG,i)=results.gen(1:NG,2);%实际计算结果赋值过来
            cost(i)=sum((pg(1:NG,i).^2)'*costa+pg(1:NG,i)'*costb+ones(NG,1)'*costc);%燃料花费
            pg(4,i)=1/cost(i);%适应函数值
            pg(6,i)=cost(i);%燃料花费
        else
            pg(5,i)=0;
            pg(4,i)=0;
        end
    else
        pg(5,i)=0;
        pg(4,i)=0;%非可行解适应函数值为0
    end  
end

%% 进化（包括：个体选择、交叉、变异）
for i=1:NP
    
    %个体选择——锦标赛选择法
    M=zeros(NG+3,size);%用来存储优胜者的中间矩阵
        for j=1:size
            A=randperm(size,2);%随机获取1~N范围的两个数
            if pg(4,A(1))<=pg(4,A(2))%适应度大的保留下来
                M(:,j)=pg(:,A(2));
            else
                M(:,j)=pg(:,A(1));
            end 
        end
        
        pg=M;%直接把优胜者种群作为新种群；或者也可以在竞争过程中把竞争失败的替换成胜利的
        
     %交叉
     proc=0.75;%交叉概率——从所有个体中取75%进行交叉操作
     NC=floor(proc*size);%交叉操作的个体数
     NC=NC-mod(NC,2);%保证是偶数
     tempCross=randperm(size,NC);%执行交叉操作的个体
     pointCross=randperm(NG,1);%随机生成交叉点
     alpha=rand(pointCross,1);
     for k=1:0.5*NC
         pgCross1=alpha.*pg(1:pointCross,2*k-1)+(1-alpha).*pg(1:pointCross,2*k);
         pgCross2=alpha.*pg(1:pointCross,2*k)+(1-alpha).*pg(1:pointCross,2*k-1);
         pg(1:pointCross,2*k-1)=pgCross1;
         pg(1:pointCross,2*k)=pgCross2;
     end
     
     %变异——每次取一定量个体进行变异
     prom=0.05;
     NM=floor(prom*size)+1;%变异个体数
     idM=randperm(size,NM);%变异个体编号
     pointMu=randperm(NG,1);%随机生成变异位置
     tempM=rand(1);%变异方向随机
     for j=idM
         if tempM>0.5
             pg(pointMu,j)=pg(pointMu,j)+0.01*pgMax(pointMu);
         else
             pg(pointMu,j)=pg(pointMu,j)-0.01*pgMax(pointMu);
         end
     end
     
     %判断子代是否可行
    for k=1:size
        
        mpc.gen(1:NG,2)=pg(1:NG,k);
        results=runpf(mpc);
        
        if results.success==1
            if (sum(results.gen(:,2)>=pgMin)==3)&&(sum(results.gen(:,2)<=pgMax)==3)
                pg(5,k)=1;
                pg(1:NG,k)=results.gen(1:NG,2);%实际计算结果赋值过来
                cost(k)=sum((pg(1:NG,k).^2)'*costa+pg(1:NG,k)'*costb+ones(NG,1)'*costc);%燃料花费
                pg(4,k)=1/cost(k);%适应函数值
                pg(6,k)=cost(k);%燃料花费
            else
                pg(5,k)=0;
                pg(4,k)=0;
            end
        else
            pg(5,k)=0;
            pg(4,k)=0;%非可行解适应函数值为0
        end  
    end
    
    %排序获取当前代的结果
    [Q,IX]=sort(pg,2);%sort默认竖着排，1——竖着排；2——横着排
    D(i,1)=Q(4,size);%sort默认升序，所以这是适应函数最大值
    D(i,2)=mean(Q(4,:));%适应函数平均值
    D(i,3)=Q(4,1);%适应函数最小值 
    D(i,4)=pg(5,IX(4,size));%IX(4,size)得到的是最优解在原矩阵E中的索引，5对应的是表示是否为可行解的那一列
    D(i,5)=pg(6,IX(4,size));%最优解燃料花费
    if D(i,1)>fv && D(i,4)==1
        fv=D(i,1);%更新最优解目标函数值
        costopt=1/fv;
        xm=[pg(1:3,IX(4,size));pg(5,IX(4,size))];%最优解对应的自变量值,是否为可行解
    end  
end
%所有代进化完毕
%% 画图
k=1;
for i=1:NP  %各代都画出来
    if D(i,4)==1
        N(k,:)=D(i,:);%如果第i代最优解是可行解，存储改最优解的全部信息，这里的N矩阵是未预先定义的，因为D里面存储的未必都是可行解
        k=k+1;
    end
end

plot(1./N(:,1),'r*');%这里取了个导数，变成了花费，看得更清楚一些，其实实际上直接用燃料花费作为适应度函数还方便一些，花费小的保留下来
legend('最优值');

输出的效果图如下，不是很好看，但大致意思有了，要用的话需要再自己调参数。

$Theend.$