觅食理论范文

觅食理论范文（精选7篇）

觅食理论 第1篇

随着无线技术的飞速发展, 智能终端设备的广泛普及。移动阅读、移动服务、移动图书馆正逐渐成为图书馆重点关注并应积极推广的服务项目之一。在当今信息化社会中, 满足用户对于信息获取的个性化需求是衡量图书馆工作的重要指标之一。如何更加便捷、精准的为用户提供信息服务, 便是图书馆界应该重点关注的问题。信息觅食理论作为对信息获取过程的研究, 必将会对以信息技术为支撑的移动图书馆服务产生重要影响。本文就信息觅食理论及其拓展理论在移动图书馆领域中所体现的价值进行研究。

1 移动图书馆

(1) 概念

移动图书馆 (Mobile Library) 原意是指"汽车图书馆", 通过汽车等交通工具给距离城镇较远地区的读者提供临时图书馆服务。关于移动图书馆的定义, 国内外学者在具体表述上略有差别。笔者认为, 移动图书馆是在无线技术及其相关协议的支持下, 用户通过无线终端设备 (如手机、PDA、E-BOOK、笔记本电脑等) 进行图书馆信息检索、阅读及资源获取的一种新型的图书馆服务模式, 是数字图书馆电子资源信息服务的补充与拓展。

(2) 移动图书馆的理论基础

从移动互联网角度讲, 目前已经具备了用户、技术和理念三大基础。在用户方面, 智能手机广泛普及, 移动网络用户不断增加。在技术方面, 由于云技术、无线技术及移动终端设备软硬件的充分发展, 促进了移动互联网的蓬勃发展。理念方面, So Lo Mo、Big Data (大数据) , O2O (线上到线下) 等理念也不断推进移动知识服务的创新。

2 信息觅食理论

(一) 觅食理论

觅食理论 (Foraging Theory) 早在19世纪70年代由生物学家和人类学家提出来, 研究动物在觅食过程中的行为和规律。动物在觅食过程中, 会在不同的栖息地之间做出比较和选择。而在进入栖息地以后, 动物还会对栖息地中的各种食物进行筛选, 选择能够给自己提供更多净能量的食物。

(二) 信息觅食理论

信息觅食的重要性, 人们在上个世纪就已经开始关注。Kofi Annan在1997年全球知识大会上指出:"信息鸿沟已经成为了区分有无的新的分界线, 那些觅食到新的路径者持续发展, 而其余者不断落后"。1995年, Pirolli提出信息觅食理论 (Information Foraging Theory, IFT) , 在此之前, PARC (Palo Alto Research Center) 的研究人员对信息觅食理论进行了详细和系统的研究。信息觅食理论最初是受到心理学领域利用生态学方法研究人类收集信息和做出有意义决策的启发而形成的一套理论。信息觅食理论主要应用动物觅食理论的研究方法, 对人类及其技术在社会环境中信息的适应规律进行科学研究。

信息觅食理论的基本模型来源于最优化觅食理论模型, 它们是斑块模型 (Patch Models) 和食谱模型 (Diet Models) 。

(1) 斑块模型

该模型认为在环境中食物的分布是不规律的, 呈现斑块状分布。随着觅食行为在某觅食点内进行, 该区域内的食物数量会不断减少, 导致动物获取的收益越来越少。这时动物就面临一个抉择, 是继续在此获取资源, 还是选择适当的时机结束觅食转向其他觅食点。对应信息觅食, 可以将用户面临的信息环境分为块状模型, 如图书馆网站可以看作是一个信息斑块, 而图书馆网站内的各个信息单元 (如入馆指南、信息查询等) 也可以作为单独的斑块。

(2) 食谱模型

动物的觅食环境是非常复杂的。对于一只猛禽来说, 觅食范围内存在各种不同数量、提供不同能量及不同捕捉难度的猎物, 如老鼠、鸟类、兔子等。该猛禽可能几个小时盘旋在空中或栖息在树枝上, 等待猎物的出现。在这种环境下, 猛禽将要面临一些问题:它应该捕食哪种猎物?哪些种猎物应该被忽略?觅食者需要根据自己食谱的范围来考虑这些问题。

3 信息觅食理论在移动图书馆服务中的价值

信息觅食理论在移动图书馆服务中的价值主要体现在两个方面。一方面是信息搜索, 另一个方面是信息推送。信息觅食理论在信息搜索方面主要应用到了信息线索, 而在信息推送方面则是社会化信息觅食。

(1) 信息线索在信息搜索方面的价值

用户访问移动图书馆的时候, 首先接触的是移动图书馆的门户网站。如何让用户在访问移动图书馆门户网站时能够最大化的获取自己想要的信息?如何把一些重要的信息传递给用户, 让用户第一时间获取到?实现这个目标, 可以将信息线索引入到设计思想中。

信息线索 (Information Scent) , 也称之为信息气味, 是在自然界的信息气味基础上引申出来的。昆虫在觅食时, 会释放出某种化学物质, 向同伴传递一定意义的信息, 使同伴能够沿着信息气味寻找到食物。在人类社会中, 信息线索定义为:在用户获取信息的过程中, 能够引起用户注意并对用户下一步行动具有暗示和指引作用的信息。而在互联网中, 用户在浏览网页时, 页面上的导航、链接等, 就是信息线索的表现形式。指向链接的图片或文字, 也可以看作是该链接内容的信息线索。这些图片或文字在用户获取信息的过程中, 引起用户的关注, 进而对该图片或文字背后所连接的内容产生兴趣, 最终点击该链接进行浏览。

移动图书馆在设计门户网站时, 由于分层信息系统要比分散信息系统更高效, 所以应该将网站的结构设计成分层结构。按照前文所述信息觅食的斑块模型, 网页的构成可以由一些信息块组成。

(2) 社会化信息觅食在信息推送方面的价值

人们在现实生活中, 同时具有自然属性系和社会属性。所谓社会属性是指在实践活动的基础上, 人与人之间发生的各种关系。这其中包括亲属、朋友、同学、同事等社会关系, 这些社会关系形成一个大的网络, 即社会化网络。社会化网络按照其成员的关系强度, 可以分为强关系网络、弱关系网络和混合关系网络。这些社会化关系网络在信息觅食过程中起到不同的作用。

社会化强关系网络中, 成员大都具有相近的人口学背景或经历。这种强关系在现实中有真实的关系基础, 而不仅仅限于线上的虚拟关系。社会化强关系网络中的成员彼此之间具有较高的信任度并且信息共享频繁, 但各组强关系之间信息交流相对较少。建立强关系必须双方都有建立的意愿, 否则, 无法建立。与强关系不同, 社会化弱关系相对更加开放, 社会化性质更加突出。建立社会化弱关系不必双方都有意, 这使得这种关系容易建立, 但不够稳定。成员之间没有现实关系的维系, 对于其他成员的可信度不高。在现实社会网络中, 这两种关系网络不是独立存在的。社会成员同其他成员之间既有强关系, 又有弱关系。是由若干个相互以弱关系连接的强关系组成的, 可称之为混合关系网络。

以时下流行的微信为例, 它就混合了社会化强关系和弱关系。既有系统通过手机内的联系号码给出的"新的朋友"推荐 (强关系) , 也可以通过查找"附近的人"或"摇一摇"来加入现实中没有真正社会关系的成员 (弱关系) 。用户可以通过即时通讯的方式向其想要联系的其他用户发起文字或语音对话, 还可以将一些信息发送到"朋友圈" (如果没有特殊设置, 所以微信用户均可见) 。移动图书馆可以建立自己的微信公众账号 (这对于用户属于强关系, 可信度较高) 并通过该公众账号进行信息推送。发布图书馆的新闻、活动、及新书推介, 已经对移动图书馆加关注的用户将即时收到这些信息。

4 结语

信息觅食理论对于移动图书馆服务大众、提升用户效率与用户体验具有非常重要的作用。向用户提供个性化、专业化、知识化的服务, 为用户提供有力的信息保障与支撑。让用户享受到一种新的服务模式和服务机制, 使其在信息获取及筛选时能够更准确和高效。

参考文献

[1]Annan K.Secretary-Generalof the UNGlobal Knowledge 97 Conference[R], Canada, 1997.

[2]杨阳, 张新民.信息觅食理论的研究进展[J].现代图书情报技术, 2009 (1) :73.

觅食理论 第2篇

随着计算机及网络技术的快速发展,图书馆的业务范围也不断扩大,提供的服务也变得越来越人性化,技术及科技含量越来越高。伴随着移动智能终端的飞速发展,移动APP服务也应运而生。在注重创新的环境下,各大图书馆也提供各种与图书馆业务相关的移动APP服务。方便获取、功能好用成了图书馆提供移动APP服务的一个重要准则。本文就社会化信息觅食理论在图书馆移动APP服务中的应用展开研究。

1 信息觅食理论

1.1 信息觅食理论

信息觅食理论(Information Foraging Theory),是由Pirolli在1995年提出的。它将该理论结合理性选择模型及微观经济学用于预测用户的网络导航行为。1997年,联合国秘书长科菲·安南在全球知识大会上讲话指出,“信息鸿沟已经成为区分有无的新的分界线,那些觅食到新的路径者可持续发展,而余者则不断落后”。信息觅食理论主要用于阐述和模拟人在复杂网络环境下的信息搜索行为,通过建立模型来模拟用户信息搜索的过程,并将获取到的信息效率与用户期望进行对比,用以模拟用户所进行的信息觅食行为。

1.2 社会化信息觅食理论

信息觅食理论主要以个体的信息觅食行为作为研究对象。但信息获取及新的发明和创造,实际上更多的是由多人协作来完成的。多人协作已然成为主要的信息觅食形式。协作不仅可以使信息搜索行为多线并行,更重要的是,个体为了完成觅食目标,可以利用其他协作者提供真实存在的或潜在的资源。这种资源也被称之为“社会资源”(Social Captal)。在信息觅食过程中产生更多的新的想法则是协作的另一个好处。笔者认为,社会化信息觅食是以个体信息觅食为基础,通过对个体具有的社会关系所提供的真实存在或潜在关联的信息进行分析和捕捉的过程。

2 移动APP

2.1 移动APP的概念

移动应用程序(Mobile Application,简称移动APP)就是针对各种移动终端(手机、平板电脑、电子书阅读设备等)连接到互联网的业务或者无线网卡业务而开发的应用程序服务。因其信息定制与推送、迅速便捷、功能丰富等特性日益受到用户欢迎。安装APP应用后,可以通过其便捷地获取原本通过互联网和Web方式提供的资源和服务。

2.2 移动APP特点

(一)服务的便捷性

对于移动网络,一般而言,通过与传统的网络融合,移动APP可以很容易地保持移动通信的优势,并发展到以为用户服务为主。只要网络覆盖,无论用户走到哪里,访问哪家网站,都可以通过移动APP来体验原有的服务,还可通过定制来享受个性化的服务。

(二)增加了用户的参与感

移动APP服务打破了原来的网络服务供应商到用户的形式,创造性地提供了一种网络服务供应商等同于用户的新形式,也就是产品为用户提供了平台,用户参与到其中进行信息交互,为他人提供服务的同时自己也能享受服务。

(三)改变人们的生活

最新生产的产品通常会对人们的生活态度和日常行为产生很大的影响。就如同网上购物的发展改变了人们的购买习惯,基于移动APP的服务深入人们的工作、生活、学习、娱乐中,生活因此发生了很大的改变。这种改变对很多原有人与人、人与事物之间的互动方式产生影响。

3 社会化信息觅食理论在图书馆移动APP服务中的应用

3.1 图书馆提供的移动APP服务

(一)基本信息查询

基本信息查询包括访问图书馆门户网址,对主页中的内容进行浏览。其中包括:图书馆发布的新动态、本馆概括、入馆须知、开馆时间、借阅规则、学术活动及讲座信息等。

(二)OPAC查询

使用户可以用OPAC查询系统对馆藏资源进行检索。了解书刊的内容简介、馆藏分布情况、借阅情况的具体信息。

(三)数据资源的检索及获取

使用户能够访问各种馆藏电子资源,即各类数据库资源。对所需资源进行检索,并方便获取。

(四)参考咨询服务

提供图书馆有关政策、服务等问题的咨询;提供知识性问题咨询;提供移动图书馆、数据资源的介绍与检索的使用方法。通过在线咨询、实时咨询、互动咨询、可视咨询等方式,为用户提供实时、动态、高效、便捷的信息服务。

(五)个人图书馆

用户通过注册账户,取得读者身份认证。用户登陆后可以借助个人图书馆平台进行个人账户的管理,包括当前借阅、借阅历史、预约委托、图书续借、图书荐购、新书通告等。另外,通告个人图书馆还可以收藏、保存上次阅读的书籍。

(六)信息推送服务

将图书馆的动态(闭馆通知、各种活动通知、图书馆新闻等)通过微信或微博平台及时传送给读者,使读者能够随时接收来自图书馆的信息。

3.2 社会化信息觅食理论在移动APP服务中的应用

社会生活中,人与人之间形成各种各样不同的关系,这些社会关系的总和便是社会化网络。社会化网络按照其中成员的关系强度,可以分为强关系网络及弱关系网络和混合关系网络。社会成员之间既有强关系,也有弱关系。是由若干个以弱关系连接的强关系组成的,可称之为混合关系网络。每个人都不会独立于社会之外,不可避免地受其他人的影响,接受来自其他人的信息,根据分析和判断做出自己的选择,并依此支配自己的行为。社会化信息觅食理论在图书馆移动APP服务中的应用主要体现在信息获取和信息推送两个方面。

(一)在信息获取方面的应用

读者在图书馆所进行的活动,除自习外,还涉及浏览图书馆网站、查询图书信息和个人信息、各种数据库的使用及参考咨询。以往读者获取这些方面的信息主要是通过电子阅览室中的电脑访问图书馆网站的主页及各个数据库,这种方式局限性很大,不能做到随时随地访问。而随着各个图书馆wifi全面覆盖,图书馆开始提供越来越多的移动APP服务。其中,图书馆书目查询可以加入书评系统,读者可以对借阅过的图书进行评价,借阅次数及评分越高的书排序越靠前。读者在查询一本书时可以根据其他读者对该书的评价做出判断,是借阅该书还是继续查询其他书目。另外,目前很多数据库也支持移动终端设备,读者通过扫描二维码就可以下载并安装该数据库的移动APP客户端,也可以通过扫描二维码阅读或下载各种资源。这些移动APP会根据读者所进行的查询或下载推荐兴趣相同的读者所获取的其他资源,读者可以依据推荐,查询是否可以为自己所用。

(二)在信息推送方面的应用

传统图书馆的信息发布主要靠张贴纸质通知、在大屏幕上打出消息。如果读者不来图书馆,就看不到这些通知,这给读者带来了很大的不便。目前,很多图书馆都建立了自己的微信公众账号并通过该公众账号进行信息的推送。发布图书馆的活动、新闻、闭馆通知及新书推介,读者通过扫描二维码来关注图书馆,足不出户就可以对图书馆的信息了若指掌,极大的方便了读者。

4 结语

利用移动APP的特性和优点来丰富图书馆的服务是一项复杂的系统工程。在当今开放、共享的信息社会中,如何通过社会化信息觅食理论来完善和创新移动APP服务在图书馆的应用是一个巨大的挑战。应用移动APP服务,构建一个开放、共享、高效、便捷、安全的现代化前沿的图书馆,是一个崭新的设想。因此,应利用已有的移动APP服务或自行开发新的APP服务,结合社会化信息觅食理论,在交流、探索、实践的过程中,不断丰富和完善图书馆的移动APP服务及其功能,从而促使我国图书馆事业不断向前迈进。

摘要：本文介绍了信息觅食理论及社会化信息觅食理论。阐述了移动APP的概念及其特点。研究了图书馆所提供的移动APP服务以及社会化信息觅食理论在图书馆移动APP服务中的应用。

关键词：社会化信息觅食理论,移动APP服务,应用

参考文献

[1]崔宇.群体信息觅食中的干扰效应作用研究[D].北京邮电大学,2012.

[2]杨艳妮,明均仁,张杰.基于Android的移动图书馆APP功能设计与实现[J].图书馆学研究,2015,(7).

[3]符玉霜.移动图书馆环境下国内APP服务研究[J].图书馆论坛,2014,(4).

[4]柯青,王秀峰.Web导航模型综述--信息觅食理论视角[J].知识组织与知识管理,2014,(2).

[5]杨晶晶.基于用户隐性反馈的信息觅食模型研究[D].北京邮电大学,2011.

[6]韩业江.高校移动图书馆APP建设探析[J].现代情报,2014,(11).

“蚂蚁的觅食行为”课外探究 第3篇

一、充分利用学生的好奇心,引导学生主动探究

培根说:“知识是一种快乐,而好奇则是知识的萌芽。”由此可见,好奇心是引导学生主动学习的关键。为了充分激发学生的好奇心,教师可以从教学内容出发,为学生设置一定的悬疑,引导学生对此疑问进行探究。本人在要求学生探究蚂蚁的觅食行为之前,先要学生回顾我们生活中有关蚂蚁的谈论:蚂蚁是大力士,“生怕踩死了路上的蚂蚁”用来嘲笑人走得慢,某同学的字“小得像蚂蚁”,焦虑不安就像“热锅上的蚂蚁”,打防疫针时痛得像让“蚂蚁夹了一下”,无视他人生命就像“捏死一只蚂蚁”……

等同学们兴致未尽的时候,我问同学们是否听说过“力拔山兮气盖世”的英雄项羽,据说他的自杀与蚂蚁相关呢。接着,学生们瞪大眼睛催促我讲述来由:楚汉相争之际,项羽兵败逃到乌江,发现江边无数蚂蚁组成了“霸王自刎乌江”6个大字,霸王项羽见此以为是天意,吓得丧魂落魄,不由仰天长叹:“天之亡我,我何渡为?”乃挥剑自杀而死。但是,他并不知道这是张良利用蚂蚁而设下的圈套。蚂蚁为什么会听张良的话写出那6个大字呢?这就要让我们对蚂蚁的觅食行为进行探讨,才能对张良的聪明才智做出解读。此时,学生们无不兴趣盎然,跃跃欲试。

二、建立合作学习小组

在学习过程中,就算学生拥有了探究的兴趣,对于付出实际行动还是缺乏一定的动力。这就需要教师采取有效措施组织落实。建立合作学习小组就是最好的途径。怎样建立合作学习小组呢?

首先,确立学生级别。全班学生根据自己的知识能力水平,在自愿申报的基础上,经同学参议和教师审定,确立相应的级别。一共五级,由低到高依次为潜艇级、火箭级、宝石级、金钻级和五星级。潜艇级属基本级别,五星级属最优秀的学生。

其次,建立合作学习小组。一个班分成8个学习小组,每组4~6人。而分组时应该从学生的心理承受能力,知识掌握水平、性别、学习兴趣、学习态度等的实际情况出发,进行异质搭配组队,并保证每个小组中包括四个以上级别的学生。同时,力求各组实力相当,以便公平竞争。

三、充分利用学生的好胜心,激励学生主动完成探究

好胜心主要是指勇于竞争,力求上进的一种积极向上的心理品质。人类各类的竞赛或竞争都与好胜心的驱使相关,而青少年的好胜心尤为强烈。教师应该根据学生的学习规律以及心理发展特点,引导学生从竞赛中体验学习的魅力,进而采用适当的教学方式,积极引导学生提高自身的好胜心,进行主动探究学习。因此,本人在建立合作学习小组的同时创新评价机制,开展各小组之间的竞赛,以便调动每一个学生参与课外探究的积极性。新的评价机制内容即“四化”:

一是评价对象实行小组化。即将评价对象有对每个学生的单评转变为对每个小组的组评,进而将对个人的竞争转化为小组之间的竞争。这就使个人荣誉升华为了小组荣誉,有利于培养学生的团队意识,且学生为了获得小组荣誉,必然会主动不提高个人能力,有利于促进学生的进步。

二是评价内容实行综合化。即在对学生知识教育的同时,还要注意提高学生的综合素质。综合素质包括对学生实践能力、探究能力、团结写作能力等各方面的发展。规定凡是提出问题,分析问题或解决问题有独到之处的给予奖分。

三是评价标准实行分层化。即在立足于学生之间的个体差异性,根据学生的学习需求,注重发展学生的原有水平,帮助学生提高自身的独特性。可根据教学的需要,同时考查级别相同而组别不同的同学,优胜者获奖分;尤其鼓励低级别的同学向高级别的挑战,低级别的获胜得双倍奖分。

四是评价的结果实行计分量化,即上述四类评价都以具体分数体现,用表格公示在教室内。不仅每次每天都有得分的记载,每周每月还可进行总结评比。

由于采用了“四化”的评价机制,各小组成员每天都保持一种上进求胜的心态,不仅能培养学生的团队精神,还能激发学生的竞争意识和上进心;还能帮助学习能力较差的学生在小组荣誉中获取更多的机会,提高自身自信心,从而提高整个班集体的学习效果。正是有了上述小组合作为基础的竞争机制作为保障,再加上同学们好奇心和好胜心的驱动,各组成员在长达两周的探究蚂蚁的觅食行为期间,表现异常活跃。比如说,8个小组制订了11个探究方案,因为其中有三个组分别制订了两个方案,他们不愿放弃其中任何一个。结果一组成员又分成两小组分别进行探究,他们似乎是在做着自己喜欢的游戏,而不是在完成老师布置的学习任务。他们敢想敢做,并不拘泥于教材的限制,如教材推荐的器材涉及到的食物是糖,面包,辣椒酱和醋,有一组同学同时使用红糖,白糖,冰糖,蜜糖和水果糖。并发现蚂蚁最喜欢的是蜜糖。另一组同学使用的是猪肉皮,生鱼片,南瓜,冬瓜和芹菜。结果发现蚂蚁避让芹菜。

探究期间,有不少同学在网上搜索或查阅书籍,甚至还有的在半夜起来打着电筒想看看蚂蚁夜里的活动。在课间闲暇时,也常看到三五成群的学生在教室里,墙根边,树底下,或谈论蚂蚁,或观察蚂蚁。

最难忘的是,各组代表汇报探究结果的那一节课。一个女生深情地说道,“说实话,我以前非常讨厌蚂蚁,曾用开水去烫死蚂蚁。现在觉得自己很残忍,每一只小小的蚂蚁都是一条生命啊,为了生存,它们终日忙碌着。尽管它们非常弱小,但它们坚持不懈,团结合作,硬是把那数倍于它们体重的蜘蛛,蚱蜢等搬到了它们的洞穴,它们的团队精神和顽强毅力取深深震撼了我们的心。”

还有一位男生挺神气地往讲台前一站,高声地说,“老师,同学们,今天我要代表我们组揭开‘霸王乌江自刎’的谜底。我们知道蚂蚁很喜欢含糖的甜食,古时的张良就是利用蚂蚁的这一特性,先用一种饴糖构成那6个大字,然后嗅到气味的蚂蚁赶来沿着饴糖而聚,就成了项羽看到的所谓代表天意的大字。”

那节课掌声不断。我也因蚂蚁的精神而感动,但更因学生探究世界的主动性、创造性和学习热情而感动!

我体会最深的是,建立合作学习小组,创建新的评价机制,充分利用学生的求知欲和好胜心,不仅可以激发学生热情,主动地进行课外探究,而且这样的课外探究还能取得令人意想不到的教学成果,那就是学生们越来越热爱生物课了。

摘要：通过对“蚂蚁的觅食行为”课外探究教学的回顾,介绍了怎样利用好奇心激发学生的探究兴趣、怎样建立合作学习小组以及怎样在创新评价机制的基础上利用好胜心激励学生积极主动地完成课外探究活动。

关键词：好奇心,好胜心,合作学习小组,创新评价

参考文献

[1]杨占武.初中生物学实验进行小组合作探究的必要性及注意事项[J].课程教育研究,2014,(12):38.

[2]施飞.试论分层合作教学在初中生物分组实验教学中的实践[J].新课程,2015,(10):115.

[3]廖娥.小组协作探究学习在初中生物教学中的应用研究[J].关爱明天,2014,(04):136.

[4]张军涛.如何在初中生物教学中开展合作学习[J].学周刊,2015,(01):84.

基于觅食算子的粒子群优化算法 第4篇

PSO算法是Kennedy和Eberhart于1995年开发的一种基于群集智能的演化计算技术[1,2], 其思想来源于对鸟群简化社会模型的研究和行为模拟。由于PSO算法流程简单、容易实现、优化性能好, 因此, 从出现至今, 获得了很快的发展, 出现了大量的研究成果, 并在函数优化、神经网络训练、模式分类、模糊系统控制以及其它工程领域得到了广泛的应用。然而, 同其它智能优化算法一样, PSO算法也容易陷入局部极值点, 在进化后期收敛慢、粒子趋于同一化、失去多样性, 优化精度较差。针对这些问题, 许多研究者从不同的方面 (参数设置、粒子多样性、种群结构和算法融合等) 对其进行了改进, 改进后的算法[3,4,5,6,7,8]一定程度上改善了PSO算法的优化性能。

本文将人工鱼群算法中的觅食算子[9]改进后引入到粒子群优化算法中, 提出了一种基于觅食算子的PSO算法, 仿真结果表明, 该算法提高了算法的收敛速度和优化精度, 改善了算法性能。

1基本PSO算法

设一个包含M个粒子的粒子群在D维空间飞行, 粒子群可用如下参数来表示:xi= (xi, 1, xi, 2, , xi, D) 为粒子i在D维空间中的当前位置, vi= (vi, 1, vi, 2, , vi, D) 为粒子i在D维空间中的飞行速度, Pi= (Pi, 1, Pi, 2, , Pi, D) 为粒子i迄今为止搜索到的最优位置, Pg= (Pg, 1, Pg, 2, , Pg, D) 为整个粒子群迄今为止搜索到的最优位置。粒子i在d维子空间中的飞行速度和位置按下式调整[6]。

vid=wvid+c1r1 (pid-xid) +c2r2 (pgd-xid) (1)

xid=xid+vid (2)

式中i=1, 2, M; d=1, 2, , D;w为惯性权重;c1和c2是加速常数;r1和r2是[0, 1]之间的随机数;[vmin , vmax]是粒子运动速度的限制范围。一般情况下, 速度更新公式中的w由最大加权因子wmax线性减小到最小加权因子wmin, 即:

$w{}_t=w{}_{\max }-t\frac{w{}_{\max }-w{}_{\min }}{{\rm T}}$ (4)

其中:t是当前迭代数;T是总的迭代数;wmax=0.9;wmin=0.4。粒子在搜索空间中不断通过自身信息和群体信息确定运动的速度和方向, 向目标点运动。

2基于觅食算子的PSO算法

2.1人工鱼群算法中的觅食算子

人工鱼群算法[9]AFSA (Artificial Fish Swarm Algorithm) 是受鱼群行为的启发, 由国内李晓磊博士于2002年提出的一种基于动物行为的群体智能优化算法, 是行为主义人工智能的一个典型应用。人工鱼群算法通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为, 从而实现寻优。

鱼首先在自己的视野范围内寻找食物, 如果发现食物, 则向食物所在位置游动。觅食行为描述如下:

设人工鱼的当前状态为xi= (xi, 1, xi, 2, , xi, D) , 其中 (i=1, 2, , n) , Yi =f (xi) 为目标函数值;Visual表示人工鱼的感知范围;Step表示人工鱼移动的步长;try_number表示在觅食行为中最大重复尝试次数。

设人工鱼当前状态为Xi, 在其感知范围内随机选择一个状态Xj , 如果在求极小问题中, Yj <Yi (或在求极大问题中, Yi< Yj , 因极大和极小问题可以互相转换, 所以以下均以求极小问题讨论) , 则向该方向前进一步;反之, 再重新随机选择状态Xj, 判断是否满足前进条件;反复几次后, 如果仍不满足前进条件, 则随机移动一步。

2.2改进的觅食算子

在觅食行为中, 人工鱼随机选择一个状态, 如果该状态优于当前位置, 则向该方向前进一步, 这种方式搜索速度慢。为了加快搜索速度, 没有必要向该方向移动一步, 人工鱼可以直接移动到该位置。改进后的觅食算子定义如下:

设人工鱼i的当前状态为xi, 在其感知范围内按式 (5) 随机选择一个状态xj= (xj, 1, xj, 2, , xj, D) , 如果Yj<Yi, 则人工鱼i直接移动到xj状态;反之, 再重新按式 (5) 随机选择状态xj, 判断是否满足前进条件;反复try_number次后, 如果仍不满足前进条件, 则随机移动一步, 即xj= (xj, 1, xj, 2, , xj, D) 按式 (6) 产生, 然后人工鱼i移动到xj状态。

xj, d = xi, d (1 + (2rand () -1) Visual) (5)

xj, d = xi, d (1 + (2rand () -1) Step) (6)

其中, i, j=1, 2, , n;d=1, 2, , D;rand () 为[0, 1]之间的随机数。

文献[9]的研究结果表明, 视野范围较大, 人工鱼的全局搜索能力强并快速收敛;视野范围较小, 人工鱼的局部搜索能力强。步长大, 收敛速度快, 但有时会出现振荡现象;步长小, 收敛速度慢, 但求解精度高。为了较好地平衡全局搜索能力和局部搜索能力, 在改进的觅食算子中视野Visual和步长Step按式 (7) 动态调整。

一般情况下Visaul初值为Xmax/2 (Xmax为搜索范围的最大值) , Step为Visual/8, Visualmin=0.01, Stepmin=0.002, t为当前迭代次数, Tmax为最大迭代次数, 本文s 取值范围为[1]。

2.3基于觅食算子的PSO算法及流程

在基于觅食算子的PSO算法中, 以PSO算法流程为主体流程, 在每次PSO迭代后, 对目前算法找到的全局极值Pg执行小规模的只有觅食算子的人工鱼群算法, 在全局极值Pg附近进行搜索, 然后用找到的较优结果代替全局极值Pg。

在算法运行初期, Step和Visual值较大, 小规模人工鱼群算法以全局极值Pg为中心, 以 (2rand () -1.0) Visual和 (2rand () -1.0) Step为半径进行粗搜索, 有利于算法跳出局部极值, 使小规模人工鱼群算法具有较强的全局寻优能力;随着搜索的进行, Step和Visual按式 (7) 逐渐变小, 小规模人工鱼群算法逐渐演化为局部搜索, 在全局极值Pg附近进行精细搜索, 使小规模人工鱼群算法具有较强的局部寻优能力, 从而提高了算法的优化精度。

算法流程如下:

Step 1 设置群体规模M、w、c1和c2, 最大迭代次数, Visual、Step、try_numbe和执行觅食算子的迭代次数SGen, 初始化所有粒子的初始位置、速度、个体极值和群体最优值。

Step 2 计算每个粒子的适应值。

Step 3 对于每个粒子, 将其适应值与其所经历过的最好位置Pi的适应值进行比较, 如果优于Pi, 则将其作为当前的最好位置。

Step 4 对于每个粒子, 将其适应值与群体所经历过的最好位置Pg的适应值进行比较, 如果优于Pg, 则将其作为群体最优位置。

Step 5 根据方程 (1) 、 (2) 、 (3) 和 (4) 调整更新当前粒子的速度和位置。

Step 6 对Pg执行SGen次只有觅食算子的人工鱼群算法, 若最优结果优于Pg, 则用最优结果代替Pg;否则, Pg保持不变。

Step 7 检查终止条件 (通常为达到预定最大进化次数或足够好的适应值) , 若条件不满足, 则转Step 2;否则输出最优解, 算法终止。

3仿真实验

3.1实验设计

本文以求6个基准测试函数的最小值为例, 进行仿真实验, 测试软件平台为Visual C++和Windows XP, 机器主频为P4 (1.7G) , 内存为512M。

$f{}_1(x)={\displaystyle \sum x}{}_i^2$

$f{}_2(x)=\frac{1}{4000}{\displaystyle \sum _{i=1}^{n}x}{}_i^2-{\displaystyle \prod _{i=1}^n\cos }(\frac{x{}_i}{\sqrt{i}})+1$

$f{}_3(x)={\displaystyle \sum _{i=1}^{n-1}(}100(x{}_{i+1}^2-x{}_i){}^2+(1-x{}_i){}^2)$

$f{}_4(x)={\displaystyle \sum _{i=1}^n(}x{}_i^2-10\cos (2\pi x{}_i)+10)$

$f{}_5(x)={\displaystyle \sum _{i=1}^n(}{\displaystyle \sum _{j=1}^{i}x}{}_i^2)$

$f{}_6(x)=0.5+\frac{\sin {}^2\sqrt{x{}_1{}^2+x{}_2{}^2}-0.5}{[1+0.001(x{}_1{}^2+x{}_2{}^2)]{}^2}$

实验中算法具体参数设置为:种群规模为20, w惯性权值因子按式 (4) 线性递减, 其中wmax=0.9, wmin=0.4, c1=c2=2;SGen=5, try_numbe=5, Visual、Step按式 (7) 动态调整, s=3;各函数优化的参数和目标精度见表1。用基本PSO算法和基于觅食算子的粒子群优化 (PPSO) 算法分别对上述六个测试函数的极小值寻优, 最终测试结果采用独立运行50次后的平均值。

性能评价采用如下方法: (1) 固定进化迭代次数, 评估算法收敛速度和精度; (2) 固定收敛精度目标值, 评估算法达到该精度所需的迭代次数; (3) 与参考文献中的优化性能比较。

3.2实验结果及分析

3.2.1 固定进化迭代次数的收敛速度和精度

固定进化迭代次数为1000, 算法独立运行50次, 实验结果如表2和图1-图6所示。由表2可以看出, PPSO算法的平均优化结果和最优结果明显好于基本PSO算法。图1-图6是函数f1、f2、 f3、f4、 f5和f6采用PSO算法和PPSO算法运行50次后得到的平均值的进化曲线, 每幅图中, 纵坐标用函数平均值的常用对数表示, 横坐标为进化代数, 为了避免函数值为0, 对函数值均加上10-7作为截止值。从图中可以看出, 从500代后, PPSO收敛速度加快, 同时优化精度较高。结果表明PPSO比PSO在收敛精度和收敛速度方面有显著的提高。

3.2.2 固定收敛精度下的进化迭代次数

表3为6个测试函数在指定收敛精度下独立运行50次后的迭代次数 (最大迭代次数为1500) , 其中, 成功率=达到目标精度的运行次数÷总实验次数。由表3可以看出:PSO算法对f1和f5函数达到50%的成功率, 对f2、f3和f6函数分别达到8%、34%和84%的成功率, 对f4达到100%的成功率;PPSO算法对6个测试函数都获得了100%的成功率, 而且PPSO算法对6个测试函数达到目标优化精度的平均迭代次数、最小迭代次数和最大迭代次数都比PSO算法少。以上结果说明PPSO算法的优化效果比PSO算法好。

3.2.3 与参考文献中的优化性能比较

文献[7]将粒子所处区域划分为吸引和排斥区域, 粒子根据自身所处区域调整飞行速度, 提出了基于距离行为模型的微粒群算法BDPSO。文献[8]将粒子群划分为几个子群, 每个子群独立运行PSO算法, 提出了一种改进的粒子群优化算法IPSO。

用PPSO对函数f2、f3和f4进行测试, 维数分别设置为10、20和30, 相应的循环迭代次数分别设置为1000次、1500次和2000次, 其它参数同上。对每个函数进行50次实验, 计算算法找到的函数平均最优值, 并与文献[7,8]的优化结果进行比较, 实验结果见表4。

从表4可以看出, PPSO算法搜索到的平局最优值远远优于文献[7,8] (文献[7,8]中, 函数f2、f3和f4的搜索范围分别为[-600, 600]、 [-30, 30] 和[-5.12, 5.12], f3和f4的搜索范围要比本文小) 给出的PSO、BDPSO[7]和IPSO[8]的优化结果, 说明PPSO具有较高的优化性能。

4结论

本文将PSO和人工鱼群算法中的觅食算子相结合, 提出了一种基于觅食算子的粒子群优化算法。该算法利用只有觅食算子的小规模人工鱼群算法对每次迭代后的全局极值进行优化, 不仅保持了基本粒子群优化算法简单容易实现的优点, 而且提高了算法在解空间的探索能力和收敛精度, 克服了基本粒子群优化算法容易陷入局部极值点的缺陷。仿真结果表明, 该算法具有较高的优化性能。

参考文献

[1]Kenned J, Eberhart R.ParticleSwarm Optimization[C]//IEEE Int’l.Conf.on Neural Networks, Perth, Australia 1995:1942-1948.

[2]Eberhart R, Kennedy J.A new optimizer using particle swarm theory[C]//Proc of the 16th International symposium on Micro Machine andHuman Science.Nagoya, Japan:IEEE, 1995:39-43.

[3]Natsuki Higasshi, Hitoshi I.Particle swarm optimization with Gaussianmutation[C]//Proceedings of the Congress on Evolutionary Computa-tion, 2003:72-79.

[4]胡建秀, 曾建潮.具有随机惯性权重的PSO算法[J].计算机仿真, 2006, 27 (2) :164-167.

[5]王波, 王灿林, 董云龙.基于D-S的粒子群算法[J].计算机仿真, 2007, 24 (2) :162-14.

[6]吴启迪, 汪镭.智能微粒群算法研究及应用[M].南京:江苏教育出版社, 2005:15-18.

[7]王辉, 钱锋.一种基于距离行为模型的改进微粒群算法[J].计算机工程与应用, 2007, 43 (30) :30-32.

[8]Yan Jiang, Tiesong Hu, Chongchao Huang, et al.An improved particleswarm optimization algorithm[J].Applied Mathematics and Computa-tion, 2007, 193 (1) :231-239.

觅食理论 第5篇

无功优化是无功功率合理分布, 提高功率因数, 保证电压质量的重要环节。如何在满足系统无功功率平衡和电网安全约束的前提下, 通过合理调节发电机机端电压、变压器分接头以及投切无功补偿设备, 实现网损最小化且保持良好的电压水平[1]是本文的研究内容。

针对粒子群算法 (PSO) 群种多样性低、寻优速度慢、易陷入局部最优等缺点[2,3], 本文提出了细菌觅食差分粒子群算法 (DEBFO) , 并首次运用于无功优化问题。本文通过Matlab仿真软件, 针对IEEE14节点测试系统进行了编程、仿真工作, 并与粒子群算法 (PSO) 、混合差分粒子群算法[4,5] (DEPSO) 进行了对比分析, 结果表明DEBFO能更加有效解决电力系统无功优化的问题。

1 无功优化的数学模型

1.1 目标函数

以系统有功网损最小为无功优化数学模型, 采用罚函数的形式处理[6]。目标函数如下:

其中, Ploss、Vi, lim、Qi, lim可分别表示为以下形式:

式中, Ploss为系统的有功网损;λV、λQ分别为PQ节点电压和发电机无功出力的越限惩罚因子;NPQ、NG分别为PQ节点总数与发电机节点总数;N为系统总节点数;Gij、δij分别为节点i, j之间的电导值和电压相角差;Vi、Qi分别为节点i的电压幅值和无功出力。

1.2 等式约束

式中, Pi, Qi分别为节点i注入的有功功率和无功功率;Bij为节点i, j之间的电纳值;N0为除平衡节点外的总节点数。

1.3 不等式约束

(1) 控制变量约束

(2) 状态变量约束

式中, NG、NT和NC分别为可调发电机数目、可调变压器数目和无功补偿装置的节点数;VGi、Ti和Qci分别为发电机的机端电压、可调变压器变比和补偿电容器容量;QGi、Vdi分别为发电机无功出力和PQ节点电压。

2 细菌觅食差分粒子群算法 (DEBFO) 在无功优化中的应用

2.1 PSO算法的模型与参数

PSO算法在解空间 (D维) 中初始化N个粒子, 这N个粒子组成一个群体。对于种群中的第i (i=1, 2, , N) 个粒子, 位置与速度分别表示为xij (i=1, 2, , N;j=1, 2, , D) 和vij (i=1, 2, , N;j=1, 2, , D) 。第t次搜索过程中粒子i找到的个体最佳位置记作Pbesti= (Pi1, Pi2, , Pi D) , 整个粒子群目前所发现的最好位置记作Gbest= (Gbest1, Gbest2, , Gbest D) 。在每次迭代中, 第i个粒子的第j维速度与位置更新公式如式 (8) - (10) 所示[6]:

式中, t为迭代次数;c1和c2是学习因子;r1和r2为[0, 1]之间的随机数;w是惯性权重;k、kmax分别为当前迭代次数和最大迭代次数。

2.2 DE算法的模型与参数

差分算法分为三个步骤:变异、交叉、选择[7]。

(1) 变异

对于每个目标向量xi, M, 从种群中选取3个互不相同的个体向量在进化过程中根据式 (11) 产生变异向量mi, M:

(2) 交叉

式中, rand∈[0, 1]为均匀分布的随机数;CR大小预先确定, 通常为[0, 1];randn (i) ∈[1, 2, , D]为随机选择的维数变量, 以保证至少有一维变量由变异向量贡献。

(3) 选择

采用一对一的“贪婪”思想选择操作。试验个体zi, M的适应度小于目标个体xi, M适应度时, zi, M被选做子代, 替换原来的xi, M, 否则xi, M被保留到下一代。进入下一代种群中, 如式 (13) 。

式中, fitness为适应度函数, 上面的适应度函数是针对最小化问题的。

2.3 细菌觅食差分粒子群算法 (DEBFO) 的算法

细菌觅食优化算法[8,9]是近几年新的研究热点, 趋化算子使细菌朝着适应区方向移动, 繁殖算子使得解空间朝着最优的方向搜寻, 迁徙算子减少了细菌陷入局部最优解的可能性, 增强了全局寻优能力, 使算法具有较好的收敛性和稳定性。因此, 细菌觅食算法为电力系统无功优化的研究提供了新的途径。

细菌觅食差分粒子群算法 (DEBFO) 主要分为三个步骤:趋化、繁殖、迁徙。其中趋化操作包括差分操作。

(1) 趋化

细菌向食物源区域聚集并躲避有害区域的行为在算法中称为细菌的趋化算子, 用粒子群的更新公式 (8) - (10) 来代替趋化算子, 把粒子的更新位置看成细菌的前进步长, 把粒子的飞行速度看成细菌的更新方向, 这样可以避免计算细菌个体间距带来的复杂性和细菌前进方向随机性的问题。DE的变异操作公式 (11) 有利于增强全局寻优能力, 保证种群的多样性, 交叉操作公式 (12) 可以加快局部寻优能力, 加快收敛速度, 选择操作公式 (13) 可筛选出最优解。

(2) 繁殖

细菌的繁殖过程遵循“适者生存, 不适者淘汰”的自然准则。表现为离食物源 (最优值) 近的半数细菌繁殖自己, 其他半数细菌死亡, 以保证种群向食物源 (最优值) 逼近。具体操作如下:

(3) 迁徙

细菌生活的区域可能会发生剧烈变化, 导致细菌死亡或迁徙到一个新的适合的生活区域, 称为细菌的迁徙算子。表现为某些细菌以一定的概率死亡并随机产生新位置的细菌, 这样在不破坏当前最优解结构的情况下, 增加了细菌到达最优解的概率, 增加了跳出局部最优解的可能性, 具体操作如下:

其中, 执行迁徙算子的概率为Pe。

这三个步骤使得群体的更新朝着最优解的方向, 通过在解空间中多次更新来寻求全局最优解。

2.4 DEBFO在无功优化中的应用

2.4.1 DEBFO在电力系统无功优化中主要操作步骤

(1) 初始化细菌群体, 细菌种群大小N、控制变量的个数D;初始化细菌的位置xij;设定最大速度Vmax、学习因子C1、C2、惯性权重上下线wmax、wmin、最大迭代次数kmax、变异因子F的值、交叉概率因子CR、趋化算子次数Nc、繁殖算子次数Nre、迁徙算子次数Ned、执行迁徙算子的概率Pe等。

(2) 调用牛顿拉夫逊潮流迭代程序, 按照目标函数式 (1) 得到网损值Ploss, 记住每个粒子所对应的网损值。

(3) 计算并评判每一个细菌的网损值, 更新细菌群体中个体极值Pbesti和全局极值Gbest。

(4) 执行趋化算子Nc次, 按照公式 (8) - (10) 进行更新, 且要限制更新的位置和速度, 避免越限和速度太快。

(5) 按照公式 (11) - (13) 进行差分操作。

(6) 趋化算子执行完毕后, 记住细菌最好的位置并且执行繁殖算子。执行繁殖算子Nre次。把细菌个体执行趋化算子后的网损值按照由低到高的顺序排列, 网损值较高的N/2细菌个体死亡, 网损值较低的N/2细菌保留, 记为xigood。xigood按公式 (14) 繁殖成两组细菌。繁殖后的细菌与繁殖前的细菌具有相同的特性, 包括位置、适应度值等。繁殖后细菌种群数目为N, 再进行趋化操作。

(7) 繁殖算子全部执行完毕后, 执行Ned次迁徙操作。对每只待迁徙的细菌, 按公式 (15) 执行, 之后再进行趋化操作。

(8) 重复步骤 (4) - (7) , 到达规定的迭代次数后, 输出无功优化结果。

2.4.2 DEBFO算法的电力系统无功优化流程图

DEBFO算法的电力系统无功优化流程图如图1所示。

3 算例分析

IEEE-14系统共有14个节点, 20条支路, 5台发电机, 3台可调变压器, 以及1个并联补偿电容节点。5台发电机的节点编号为1, 2, 3, 6, 8, 其中节点1为平衡节点, 其余节点为PV节点;系统其他节点为PQ节点;节点9为并联电容器安装点;支路参数以及各种变量约束参见文献[10]。发电机机端电压范围为[0.95, 1.10];可调变压器的变比范围为[0.90, 1.10], 调节步长为1.25% (17档) ;并联电容器的调节范围为[0, 0.50], 调节步长为0.05, 基准功率为100MVA。

为验证所提出DEBFO算法的有效性, 分别与PSO算法、DEPSO算法进行比较。PSO与DEPSO的最大迭代次数为30, 设置趋化算子次数Nc=5、繁殖算子次数Nre=3、迁徙算子次数Ned=2, 这样算法共计循环了Nc*Nre*Ned=30次, 方便与前两种算法的结果进行对比。

不同算法优化结果对比表以及IEEE 14节点系统优化后各控制变量的值分别如表1-2所示, 三种算法的收敛曲线如图2所示, 优化前后各节点电压的分布情况如图3所示。

从表1可以看出, DEBFO算法所求的网损最小, 网损由初始的0.138570p.u降至0.122727p.u, 网损下降率为11.433%, 与DEPSO算法相比较, DEBFO算法使有功网损减少了0.001327p.u., 即有功网损减少了132.7千瓦。这对电力系统无功优化的意义重大, 有功网损的减少意味着功率因数的提高。

由图2可以看出, DEBFO曲线相比其他曲线, 收敛速度快、稳定性强, 同时使网损达到更小。这是因为趋化操作时增加了DE操作, 在优化开始时变异算子提高了局部搜索能力, 交叉算子可提高了局部搜索能力, 再加上繁殖操作使得群种朝着最优方向逼近, 使得算法收敛速度变快, 迁徙算子使得细菌跳出局部最优解, 很快找到了全局最优解。

由图3可以看出, 经DEBFO算法优化后电压水平明显提高, 分布更加合理, 因此DEBFO算法可以使系统保持良好的电压水平。

4 结束语

本文提出了细菌觅食差分粒子群算法 (DEBFO) , 并首次将其应用于IEEE 14节点的无功优化问题。通过与其他算法对比分析, DEBFO可以朝着最优解的方向更新种群, 收敛速度快, 跳出局部最优解的能力强, 鲁棒性强。因此, DEBFO能更有效地求解电力系统无功优化的问题, 以实现网损最小化, 改善功率因数, 保持良好电压水平, 提高电能质量目的。

参考文献

[1]赵树本, 张伏生, 钟继友, 等.自适应差分进化算法在电力系统无功优化中的应用[J].电网技术, 2010, 34 (6) :169-174.

[2]张文, 刘玉田.自适应粒子群优化算法及其在无功优化中的应用[J].电网技术, 2006, 30 (8) :19-24.

[3]赵娜, 张伏生, 魏平, 等.基于改进多粒子群算法的电力系统无功优化[J].西安交通大学学报, 2006, 40 (4) :463-467.

[4]Wei Xu, Gu Xing-sheng.A hybrid particle swarm optimization approach with prior crossover differential evolution[C].2009 World Summit on Genetic and Evolutionary Computation (2009 GEC Summit) , Shanghai, China, 2009:671-677.

[5]曾学强, 刘志刚, 符伟杰, 等.改进差分进化算法在电力系统无功优化中的应用[J].电网技术, 2012, 36 (2) :121-125.

[6]Kennedy J, Eberhart R.Particle swarm optimization[C].Proceedings of IEEE International Conference on Neural Networks, Perth, Australia, 1995 (4) :l942-1948.

[7]许文超, 郭伟.电力系统无功优化的模型及算法综述[J].电力系统及其自动化学报, 2004, 15 (1) :100-104.

[8]A Abraham, et al.Analysis of reproduction operator in bacterial foraging optimization algorithm[C].Proceedings of 2008 IEEE Conference on Evolutionary Computation, New York:IEEE, 2008:1476-1493.

[9]周雅兰.细菌觅食优化算法的研究与应用[J].计算机工程与应用, 2010, 46 (20) :16-21.

觅食理论 第6篇

梯级水库联合调度是一个多约束、高维度、非线性的优化问题, 动态规划[1]等传统优化方法随着问题维度的上升会出现“维数灾”等问题, 应用受到限制。随着现代人工智能研究的迅速发展, 智能优化算法被广泛应用于求解水库调度问题[2,3,4]。

细菌觅食算法[5,6] (Bacterial Foraging Algorithm, BFA) 是由K.M.Passino于2002年根据大肠杠菌在觅食过程中体现出的智能行为, 经过人工抽象而提出的一种智能随机搜索算法。算法虽然起步较晚, 但是应用比较广泛[7,8,9,10]。尽管BFA算法在求解低维优化问题时具有较好的搜索性能, 但是随着问题维数的上升和复杂程度的加大, 步长和驱散概率固定不变使算法在后期进化能力下降, 容易陷入局部最优解。针对该问题, 笔者提出自适应步长策略, 通过动态调整步长, 使趋向操作能够不断调整并适应算法的进化程度。文章提出自适应驱散概率策略, 避免BFA算法固定驱散概率带来的优质解流失问题, 确保算法在后期不但保有较好种群多样性而且具有稳定的收敛能力。

2 数学模型

文章以梯级水电站调度期内的总发电量最大作为目标函数, 建立梯级水库群联合调度模型如下:

2.1 目标函数

式中, E为梯级电站在调度期内的总发电量;Ni, t为i电站在第t时段的出力;iA为i电站的综合出力系数;Qi, t为i电站在第t时段的平均发电流量;Hi, t为i电站在第t时段的平均发电水头;N为梯级电站数量;T为调度期的总时段数;Δt为单个时段长度。

2.2 约束条件

式中, ZLi, t、ZUi, t分别为i电站在第t时段的最低水位值和最高水位值;QLi, t、QUi, t分别为i电站在第t时段的最小流量值和最大流量值;NLi, t、NUi, t分别为i电站在第t时段的最小出力值和最大出力值;Vi, t-1、Vi, t为i水库第t时段初、末时刻的蓄水量;Ii, t为i电站在第t时段的平均入库流量;qi, t为i电站在第t时段的弃水流量。

3 基本细菌觅食算法

BFA算法模拟细菌觅食中一边感应周边事物浓度变化一边进行趋近或者远离的机制, 分别设计了趋向、聚集、复制和驱散四种行为。

3.1 趋向操作

趋向行为是模拟大肠杆菌依靠鞭毛旋转方式表现出的两种不同的位置移动方式, 分别为翻转和游动。翻转是指寻找新的方向, 游动是指保持方向不变的前进。具体操作如下:首先朝某随机方向游动一个单位步长, 如果新位置的适应值比之前增加, 则继续沿着该方向游动;如果新位置的适应值比之前降低, 则进行旋转操作, 朝另一个随即方向游动。当达到最大尝试次数后, 停止趋向操作。细菌趋向操作表示如式 (7) 所示:

式中, θi (j, k, l) 为第i个细菌的位置, 其中j、k、l分别表示细菌个体完成趋向、复制和驱散的次数;C (i) 为第i个细菌进行游动的步长;Δ (i) 为分量在[-1, 1]之间的随机向量。

3.2 聚集操作

细菌群落在觅食过程中, 会通过调整细胞与细胞之间的引力和斥力, 从而使细菌在具有聚集特性的情况下又保持各自相对独立的位置。引力使细菌聚集在一起, 而斥力使得细菌分散在相对独立的位置上获取食物。细菌觅食算法模拟上述行为, 数学表达式如下:

式中, 为细菌群落;JCC (θ, P (j, k, l) ) 为细菌群落之间传递信号的影响值;da为引力深度;aw引力宽度;dr为斥力高度;rw为斥力宽度。

在趋向循环中加入聚集操作后, 第个细菌的适应值应叠加传递信号影响值, 具体计算公式如下:

3.3 复制操作

在细菌群落进化到一定程度后, 根据“优胜劣汰”理论, 部分觅食能力较弱的细菌会被自然淘汰。同时, 细菌群落会通过繁殖来保证种群规模的稳定。BFA算法以复制操作来模拟细菌群落的这种生物现象。

对于确定的k、l以及每个细菌i=1, 2, , S, 定义细菌i的能量函数为:

通过细菌的能量函数值来衡量细菌的觅食能力。Jienergy越大, 说明细菌i的觅食能力越强;反之, 细菌i的觅食能力越弱。将细菌按其能量Jienergy从大到小进行排列, 淘汰掉后一半能量较小的细菌个体, 然后将前一半能量较大的细菌群落中的每个个体均复制, 从而生成与原细菌群落规模一直的新的具有较强觅食能力的细菌群落。

3.4 驱散操作

在算法经过若干代复制后, 细菌以给定的概率进行驱散操作, 被选中的细菌会随机重新分配到新的位置。即:若细菌群落中的某个细菌个体满足驱散发生的概率, 则这个个体失去原有觅食位置, 在解空间中随机选中一个新位置, 由此形成了一个崭新个体。

4 细菌觅食算法改进措施和实施步骤

4.1 自适应趋向步长

趋向操作使BFA算法具有局部搜索能力, 但是固定的步长又使算法存在一定缺陷:首先, 步长的大小不易确定。步长太大, 虽然算法收敛速度较快, 但是搜索的跳跃性太大, 算法不易找到最优解。步长太小, 算法虽然局部搜索精度较高, 但算法的寻优过程将非常漫长。

针对该问题, 文献[11]等提出采用自适应调整步长的方式进行改进。该方法取细菌个体的步长等于周围临近个体中最大距离和最小距离的平均值与随机数的乘积。但是, 这种调整方式仅仅依赖最大距离和最小距离两个细菌个体信息, 步长调整的导向作用不明显。因此, 文章综合考虑细菌个体的觅食能力 (能量函数) 和最大、最小距离个体对细菌个体的影响, 并将上述参数进行耦合, 提出步长调整参数A, 如式 (11) 所示。

式中, Ji为第i个细菌的适应值;Xmax、Xmin为变量的边界值。

自适应调整算法在运行过程中的趋向步长, 从而达到局部搜索和全局寻优的平衡。步长自适应调整如式 (12) 所示。

式中, Iteri、Itermax分别为迭代次数和最大迭代次数。

4.2 自适应驱散概率

BFA算法中的驱散操作以一个固定的概率P将细菌群体中的部分个体进行重新位置分配, 借此改善细菌群落的种群多样性。但是, 对于那些位置靠近全局最优值的优秀个体而言, 驱散操作很可能使其丢失原有位置, 被驱散至较差的一个新位置。

因此, 文章提出一个自适应驱散概率Pself, 所有细菌个体均按照式 (13) 的动态概率进行自适应驱散。

式中, Jienergy、Jmaxenergy、Jminenergy分别为细菌的能量值、能量上限、能量下限。

4.3 自适应细菌觅食算法求解步骤

综上所述, 对于最小化的优化问题, 自适应BFA算法的执行步骤如下:

第1步:参数初始化。

第2步:初始化细菌个体的位置。在待求解问题可行域内生成随机的初始解, 并根据细菌个体位置计算个体的适应值。

第3步:驱散循环、复制循环、趋向循环。

第4步:执行趋向操作。按式 (11) 、 (12) 自适应调整趋向步长, 当适应值上升时, 保持游动方向, 当适应值下降时, 进行旋转, 重新选定方向。若达到趋向操作次数上限, 则跳出趋向循环, 并执行第5步。

第5步:执行复制操作。

第6步:执行驱散操作。按式 (13) 所示动态概率进行自适应驱散。

第7步:判断算法是否满足收敛条件, 若收敛, 则输出结果并结束;若不满足收敛条件, 则返回第3步。

5 实例应用

为检验本位提出的改进细菌觅食算法的有效性, 将算法应用于乌江梯级水库的优化调度。梯级各水库的拓扑结构概化图如图1所示, 水库基本参数如表1所示。

以月为调度时段, 采用1985年5月至1986年4月 (平水年) 实测月径流资料作为输入条件, 4个水库的入库径流/区间入流如图2所示。

分别采用BFA算法和改进BFA算法对该梯级进行优化计算。算法参数设置如下:细菌总数S=200;趋向次数为50;复制次数为3、驱散次数为2;初始游动步长C取值为0.001D (D为优化区间宽度) ;驱散概率P取值为0.25。

模拟计算结果如表2所示。

对比表2中发电量结果可见, 改进BFA算法得到的梯级发电量大于BFA算法。但是对于洪家渡电站来说, 改进BFA算法所得发电量反而有所下降。其原因在于, 洪家渡作为龙头电站, 加大下泄补充了下游电站的发电流量, 虽然自身发电量有所下降, 但是梯级整体发电量却得到了提高。这正是由于梯级水电站群联合调度发挥了各个水库之间的水量补偿作用。

改进BFA算法优化得到的各水库时段控制水位和时段发电量过程如图3所示。其中, 由于索风营水库为日调节电站, 在模拟计算时候只考虑利用其水头发电, 在此不再给出其控制水位过程和各时段发电量。

各水库库区没有大的城镇或重要的建筑物, 下游也无防洪要求, 所以没有特殊的防洪限制水位, 汛期允许蓄水至正常高水位。观察图3中各水库的水位过程和发电量过程可见, 各水库在汛期进行蓄水, 抬高水库发电水头, 随后尽量维持高水头进行发电。洪家渡作为龙头水库, 在后期加大下泄流量补充下游水库发电流量, 从而达到提高梯级水库整体发电量的目的。

6 结论

为解决BFA算法固定趋向步长和固定驱散概率所带来的缺陷, 笔者采取自适应调整趋向步长的策略, 随着搜索的不断深入, 趋向步长逐渐变小, 算法得以在更精细的范围内进行搜索。同时, 笔者提出驱散概率的自适应调整, 将细菌进行驱散的概率的大小与其具有的能量对应, 在保证种群多样性的基础上, 进一步避免了优秀个体的流失。通过将改进细菌觅食算法应用于乌江梯级水库群发电联合调度, 验证了改进BFA算法的可行性和有效性。对比模拟计算结果, 说明改进的BFA算法性能优于标准BFA算法, 更适于求解梯级水库优化调度问题。

摘要：细菌觅食算法在求解水库优化调度问题时, 以固定的步长进行趋向操作, 同时以固定概率对细菌个体进行随机驱散操作, 虽然可以一定程度上增加种群多样性, 但是在进化后期容易使优秀的个体流失, 影响算法的寻优质量。针对该问题, 文章提出步长自适应调整和驱散概率自适应调整两项改进策略, 根据算法进化程度和细菌个体的能量值动态调整趋向操作的步长和驱散操作的概率, 使算法进化过程中尽量保证种群多样性的基础上, 提高细菌个体的觅食能力, 进一步促进算法达到局部搜索和全局优化之间的平衡。将改进的细菌觅食算法应用于乌江梯级水库群的联合优化调度问题, 模拟结果表明:改进细菌觅食算法具有较强的全局寻优能力, 适合求解梯级水库联合优化调度问题。

关键词：优化问题,细菌觅食算法,自适应

参考文献

[1]梅亚东, 熊莹, 陈立华.梯级水库综合利用调度的动态规划方法研究[J].水力发电学报, 2007, 26 (2) :1-4.

[2]李崇浩, 纪昌明, 缪益平.基于微粒群算法的梯级水电厂短期优化调度研究[J].水力发电学报, 2006, 25 (2) :94-98.

[3]马光文, 王黎.遗传算法在水电站优化调度中的应用[J].水科学进展, 1997, 8 (3) :275-280.

[4]郑慧涛, 梅亚东, 胡挺, 等.双层交互混合差分进化算法在水库群优化调度中的应用[J].水力发电学报, 2013, 2 (1) :54-62.

[5]Dong Hwa Kim, Ajith Abraham, Jae Hoon Cho.A hybrid genetic algorithm and bacterial foraging approach for global optimization[J].Information Sciences, 2007, 177:3918-3937.

[6]Swagatam Das, Arijit Biswas, Sambarta Dasgupta.Bacterial Foraging optimization algorithm:theoretical foundations, analysis, and applications[J].Foundations of Computer, 2009, 3:23-55.

[7]王雪松, 程玉虎, 郝名林.基于细菌觅食行为的分布估计算法在预测控制中的应用[J].电子学报, 2010, (2) :333-339.

[8]马溪原, 吴耀文, 方华亮, 孙元章.采用改进细菌觅食算法的风/光/储混合微电网电源优化配置[J].中国电机工程学报, 2011, 31 (25) :17-25.

[9]李丹, 唐普英.基于细菌觅食的盲源分离算法研究[J].通信技术, 2011, 44 (12) :150-152.

[10]崔静静, 孙延明, 车兰秀.改进细菌觅食算法求解车间作业调度问题[J].计算机应用研究, 2011, 28 (9) :3324-3326.

觅食理论 第7篇

电力系统含风电场无功优化是一个非线性优化的复杂问题, 具有多目标、多约束、多控制变量的特点[1]。目前主要算法分为传统和智能算法两类, 传统算法求解时会出现离散变量的归整、多峰多极值和网损大[2]的问题。智能算法如粒子群算法虽然网损较低, 但易陷入局部最优[3]。针对目前算法在求解无功优化时网损大和易陷入局部最优的问题, 提出了一种细菌觅食优化算法。

细菌觅食优化算法 (Bacteria Foraging OptimizationnAlgorithm, BFOA) 是一种新型的仿生类算法, 该算法具有群体智能算法并行搜索、易跳出局部最优解等优点[4]。本文充分考虑异步风力发电机的潮流计算模型, 以网络损耗最小为目标函数, 采用细菌觅食优化算法解决含风电场电力系统的无功优化问题。

1 风力发电机数学模型和功率特性

1.1 异步风力发电机模型

以异步风力发电机为例, 其等效电路图如图1所示[5]。

该图忽略了定子绕组和励磁绕组, 其中, x1为定子漏抗;x2为转子漏抗;xm为激磁电抗;xe为机端并联电容器电抗;r2为转子电阻;U为机端电压;s为转差率

即

其中, P为有功功率;Q为无功功率。从式 (3) 可以看出只要在输出功率不变, 异步风力发电机的无功功率随着节点电压变化而变化。

1.2 风力发电机的功率特性

有功功率PW与风速v之间的函数关系可近似描述为[6]

式 (4) 中, vli、vlr、vlo为切入风速、额定风速和切出风速;k1、k2、k3为风机的功率特性参数, 其中k2=-k1vli, 一般情况下, k3取值为0, Pe为风力发电机的额定功率。

2 计及风电机组的无功优化数学模型

建立无功优化模型的目的是系统在满足运行约束条件下, 通过调整无功补偿设备容量、发电机的极端电压、有载调压变压比等, 调整系统无功潮流分布, 保持节点电压水平达到系统的有功网损最小的目的[7]。

2.1 目标函数

考虑到节点电压和发电机无功的约束条件, 所以在其数学模型中, 将节点电压及发电机无功出力越限表述成罚函数[8]的形式。因此得出无功优化的数学模型为

其中

式 (8) 中, λV0、λQ0为罚因子的初始值, Iter为迭代次数。

2.2 约束条件

2.2.1 等式约束条件

无功优化的等式约束方程即潮流约束方程, 如式 (9) 所示

其中, Pi为发电机在节点i处的注入有功功率;Qi为注入无功功率;Ui、Uj分别表示节点i和j的电压;PGi、QGi分别为节点i处发电机的有功和无功出力;Pli、Qli分别为节点i处所带负荷的有功、无功负荷;Bij、Gij、δ分别为节点i和j之间的的电纳、电导及相角差;j∈i表示与节点i相连的节点集。

2.2.2 不等式约束条件

约束如式 (10) 所示。

其中, UGi、QGi、Tti、CCi、Vdi分别为发电机的端电压、发电机无功出力、有载调压变压器分接头的位置、容性无功补偿容量和节点电压幅值;NG、NT、NC、NL分别为发电机个数、有载调压变压器的个数、无功补偿的节点数和负荷的节点数。

2.3 风电机组的处理

含风电场的无功优化[9]在本质上和普通电网无功优化是相同的, 在潮流计算过程中, 只需要将风电场等效为一台发电机, 母线等效为一个节点即可[10]。由于风电场的无功功率和有功功率是变化的, 因此将其等效为PQ节点进行处理。

3 细菌觅食优化算法

细菌觅食算法[11]是一种模拟Escherichia coli大肠杆菌在人体肠道内吞噬食物行为的新型仿生智能算法。该算法主要用来解决非梯度优化问题和不可微目标函数。由于其较强的全局搜索能力和易跳出局部极值等这些优势, 近年来被广泛应用到各个领域。

3.1 细菌觅食优化算法计算步骤

BFOA包括趋化、繁殖和迁徙[12]3个步骤:

(1) 趋化。此过程是每个细菌通过游动和翻转来实现的, 即根据其表面鞭毛转动实现。细菌以预定义方向移动的运动模式称为游动, 以未定义方向移动的运动模式称为翻转, 每个细菌在其整个生命周期中都是在这两个模式之间交替。细菌每翻转一次代表一个随机方向的步长单位, 用φj表示。此时产生的步长单位将被用来确定移动方向, 如式 (15) 所示

其中, θj (j, k, l) 为细菌i在第j次趋向、第k次繁殖、第l次迁徙这3个操作之后的空间向量;C (i, j) 表示细菌i在第j次趋化操作后在随机方向上的步长。

(2) 繁殖。这个阶段遵循“优胜劣汰, 适者生存”原则[13]。部分觅食能力差的细菌将被淘汰掉, 剩余的细菌将进行个体繁殖, 从而维持种群规模。评定细菌是否健康的计算公式为

其中, Jihealth为第i个细菌的健康度;Nc为趋化阶段的最大次数。

(3) 迁徙。细菌很容易会受到周围环境的影响, 例如:食物的消耗、温度的改变、水的冲洗, 这些影响能够导致全体细菌死亡迁徙到其他的区域[14]。这样有可能破坏趋化阶段, 但当细菌被迁徙到优良的食物源区域时也有可能有助于趋化阶段。迁徙阶段有助于减少细菌陷入局部最优的可能性。

3.2基于BFOA的含风电场无功优化计算

(1) 建立风机模型, 给定风速, 计算出风机的有功功率;进一步计算出风力发电机吸收的无功功率、风电场出口的无功功率及风电场无功补偿容量。 (2) 建立无功优化目标函数及约束方程式。 (3) 初始化细菌种群, 包括种群规模N、控制变量数D, 设定趋化算子次数NC、繁殖算子次数Nre、迁徙算子次数Ned和最大迭代次数kmax。 (4) 调用牛顿拉夫逊潮流迭代程序进行潮流计算, 记住每一个粒子的网损值。 (5) 执行趋化算子NC次, 如果达到kmax, 算法继续, 否则跳转至步骤 (4) 。 (6) 记住细菌的最佳位置并且执行繁殖算子Nre次。 (7) 执行完繁殖算子后, 进行迁徙算子Ned次。 (8) 重复进行 (5) ~ (7) , 达到最大迭代次数后, 输出结果。

4 算例分析

将细菌觅食算法应用到含有风电的无功优化中, 研究表明是有效的, 为体现其优越性, 本文对IEEE-30系统进行优化计算得出结果。

IEEE-30节点系统有4台可调节变压器、2个无功补偿点以及6台发电机。图4为IEEE-30的系统结构图。

将9节点设为风电场接入点, 该节点接入100台600 MW的风力发电机。风力发电机的额定电压为0.69 V, 额定风速为13.5 mm/s, 切入风速为3 m/s, 切出风速为20 m/s, 另外, 其空气密度为1.224 5 kg/m3, 扫掠面积1 840 m2。风电机组的运行参数为:定子阻抗x1为0.076 20Ω;励磁支路电抗xm为3.447 97Ω;转子电阻R2为0.007 59Ω;转子漏电抗x2为0.232 89Ω。表1为不同风速风电场的潮流分布。

如表1所示, 风速增加风电场的有功功率也会增加, 会造成吸收的无功功率也会增加。通过对表1不同风速的潮流分布的综合考虑, 采用风速为15 m/s。

在初始条件相同的条件下, 针对含有风电场的IEEE-30电力系统, 分别采用传统方法、粒子群和细菌觅食方法进行无功优化计算, 得出的结果进行比较。种群的数量设为100, 迭代次数为50, 最大迭代次数设为100。优化曲线如图5所示。

如图4所示, 传统算法虽然能够较好的减小网损但是其收敛性和计算时间较差;PSO虽然在收敛性和计算时间上效果较好, 但容易出现早熟现象;显然, 相比传统算法和PSO算法, BFOA在收敛性、计算时间和全局搜索方面都表现其优越性。

如表2所示, 在初始状态相同的情况下, BFOA算法的有功网损为0.053 6 pu, 下降率为36.98%。无功优化的结果要小于传统算法和粒子群算法, 且各节点的电压幅值都达到合格状态, 进一步证实了BFOA算法的有效收敛性和精确性。

5 结束语

本文提出将细菌觅食优化算法应用于求解含风电场的无功优化问题中。建立了以网络损耗最小为目标值的无功优化数学模型, 研究了新型仿生算法的仿生机制和原理, 通过仿真实验结果表明, 相比于传统算法和粒子群算法, 细菌觅食优化算法在收敛时间上较短, 优化得到的网损结果较小和易跳出局部最优解。证明了基于细菌觅食优化算法求解含风电场的无功优化问题的可行性和实用性。

摘要：针对风电场并网运行后网络损耗大和收敛性差的问题, 提出一种细菌觅食优化算法。在建立含风力发电机组的无功优化数学模型基础上, 将细菌觅食优化算法应用到含风电场的无功优化问题中。以IEEE-30节点进行测试算例, 分别采用传统算法、粒子群算法和细菌觅食算法优化, 得到网损下降率为30.29%、28.70%和36.98%。实验及分析表明, 该算法效率高、全局搜索能力强、易跳出局部极值, 为含风电场的无功优化提供了一种新方法。