[发明专利]基于改进智能算法的天然气环状管网布局优化方法

权利要求书

1.基于改进智能算法的天然气环状管网布局优化方法，其特征在于，步骤如下：

(1)首先，应用免疫算法优化节点，确定算法中的参数：种群规模M，气源节点个数L’，记忆库容量R，迭代次数MAXGEN，算法迭代次数设置为100次；

(2)将被优化的节点各取一个随机数，然后选取其中最大的前L’个节点作为初始气源节点，即初始抗体群，根据式(1)产生初始抗体群，即确定的初始气源节点的位置：

a_i＝MAX(rand(1,N)) 1≤i≤L’     (1)

一共产生M组抗体，其中a_i表示确定的每组中的第i个抗体，N表示被优化的管网节点的总个数；

(3)确定初始抗体后，通过式(2)分别计算每组中第i个抗体与抗原的亲和度A_i，抗体代表每组中选中的气源节点，抗原代表除气源节点之外的其他燃气节点，亲和度代表其他燃气节点与气源节点之间的距离之和：

以抗体与抗原的距离作为亲和度A_i好坏的评判标准，距离之和越小，A_i的值越大，每个抗原选择离自己最近的抗体，并且根据具体实例设置一个距离限制条件，当距离大于限制条件时，对违反距离约束的解给予惩罚，即对超过距离限制的这一部分解进行处理，使得距离之和放大化，亲和度A_i变得更小；

其中，N表示被优化的管网节点的总个数，M_a表示到某一节点a的距离小于限制条件的备选抗体的集合，表示从节点a到离它最近的抗体i的距离，其中表示各节点与气源节点的分配关系，当其为1时，节点a附属于抗体i，否则Z_ai＝0；分母中的第二项表示对违反距离约束的解给予惩罚，C根据具体实例取一个正数；

(4)通过式(3)计算抗体的浓度，即群体中M组抗体中相似抗体所占的比例：

其中C_i表示抗体的浓度，L为抗体的长度，k_i,s表示在一次迭代中产生的抗体i和抗体s中相同的位数，令预先设定一个阈值T，用来表示不同抗体中相同位数所占的比例，若S_i,sT，则S_i,s＝1，否则S_i,s＝0；

(5)通过式(4)可以得出一次迭代过后每组抗体的期望繁殖概率：

更新记忆库时，根据记忆库的容量，首先将与抗原亲和度最高的若干个体存入记忆库中，再按照期望繁殖概率将剩余群体中概率较高的优秀个体存入记忆库中，并形成父代群体；其中P为期望繁殖概率，α为常数；

(6)根据每组抗体的期望繁殖概率的大小，按照轮盘赌机制进行选择操作，并对选择的抗体进行单点交叉操作和随机选择变异位进行变异操作，再从记忆库中取出个体，一起构成新的一代群体；

(7)返回第(3)步，直至满足最大迭代次数MAXGEN时结束，输出结果作为已知气源节点的输入，并进行管网气源节点路径优化；

(8)在气源节点确定的基础之上，通过蜂群算法实现气源节点之间连接方式的布局优化，设置算法中的参数，即初始化蜂群：进行寻优的蜜蜂总数NB，采蜜蜂、观察蜂各NB/2，最大搜索次数Limit，迭代次数cycle，最大迭代次数MCN，标志向量lim＝0，记录每一次迭代过程中采蜜蜂和观察蜂的搜索次数；

(9)首先所有蜂均为观察蜂，蜜蜂并按照如下公式(5)随机产生NB个可能路径，每个路径均代表气源节点之间的一种连接方式；并根据公式(6)计算出各自路径对应的总长度；

x(i')＝lb+rand(1,L')*(ub-lb) 1≤i’≤NB    (5)

其中L’为气源节点个数，lb表示1行NC列元素为零的矩阵，ub表示1行NC列元素为1的矩阵，得到x(i’)就是一个L’*L’的方阵，若方阵中某一值为1，则代表对应的两个节点之间存在路径；

其中a_j表示第i’条路径中第j个节点的坐标；

(10)得到的各自路径长度即为对应的适应度函数值，并根据函数值大小进行排序，在适应度较好的一半中选择十分之七，在适应度较差的一半中选择十分之三，将两者合并作为采蜜蜂的蜜源，这样可以保证在提高寻优速度的同时，使蜜源具有多样性，剩余的适应度值对应的蜜蜂成为观察蜂；

(11)每只采蜜蜂通过分段搜索算子来搜索新蜜源，将各自寻找的路径可以看做是一个蜜源，路径上不同位置的变化可以看做是邻域搜索范围，将路径随机分为n个区间，n＜L，n的大小会影响算法整体的运算时间，所以会根据具体问题取值；每一区间上通过公式(7)改变某一个节点进行邻域搜索，分别计算出n次改变中每次产生的路径对应的适应度值，并通过公式(8)比较，选择最好的结果作为该蜜蜂搜索到的新蜜源；

x(q)_new.j＝x(q)_old.j(k)+rand(-1，1，size(j))*((x(q)_old.j(k))-x_k(k))j∈(1，n)，k＝rand([ab]，1)      (7)

x(q)_new＝best(x(q)_new.j) j∈(1，n)      (8)

x(q)_new、x(q)_old分别表示第q只采蜜蜂变换前后对应的新蜜源和旧蜜源，k表示在第j个区间内随机取对应的节点的位置，a、b分别表示第j个区间的上限和下限，x_k表示第k只蜜蜂对应的路径；

(12)根据公式(9)贪婪准则判断，如果新的蜜源适应度值优于旧的蜜源适应度值，则进行替换，否则根据公式(10)进行判断是否替换，如果公式(10)成立，则进行替换，否则蜜源保持不变；

x(q)＝x(q)_new fit(q)_new＜fit(q)_old    (9)

x(q)_new，x(q)_old分别表示第q只采蜜蜂对应的新蜜源和旧蜜源；fit(q)_new、fit(q)_old分别表示对应的适应度值大小；其中d表示新旧蜜源的适应度值的差，设R的初始值为50，每进行一次迭代，R的值进行一次更新，R＝R*0.5；

(13)每只观察蜂在采蜜蜂得到的较优路径的基础上，根据公式(11)再次进行领域搜索，并根据式(9)和式(10)判断是否替换蜜源，此时更新标志向量lim＝lim+1；

x(q)_new＝x(q)_old(m)+rand(-1，1，size(m))*((x(q)_old(m))-x_m(m))        (11)

其中m＝rand(1，L’)表示随机的某一个节点序号，x(q)_new，x(q)_old分别表示第q只采蜜蜂变换前后对应的新蜜源和旧蜜源，x_m表示第m只蜜蜂对应的路径；

(14)如果limLimit，返回步骤(11)；保存得到的fit(i)中的最优值以及与之对应的路线，更新迭代次数cycle＝cycle+1，如果cycleMCN，返回步骤(11)，否则结束。