基于自適應多行為模式魚群算法的電能計量設備運維作業(yè)優(yōu)化研究*

張思建，唐若笠，張捷，方彥軍

（1.廣東電網(wǎng)有限責任公司電力科學研究院，廣州510080；2.武漢大學 自動化系，武漢430072）

0 引 言

隨著網(wǎng)絡化、信息化技術在電力行業(yè)的深入推廣，傳統(tǒng)的電能計量設備運維作業(yè)模式早已無法滿足當今的管理需求。在電網(wǎng)企業(yè)日常管理工作中，傳統(tǒng)的電能計量設備運行維護作業(yè)模式存在路徑規(guī)劃不科學，作業(yè)過程耗時長、能耗高，難以實時掌握和調(diào)整運維作業(yè)進度等問題，嚴重影響日常運維效率?？梢?，有必要研究合理、高效的運維作業(yè)優(yōu)化方案，在充分考慮時間、路程、能耗、效率等要素的前提下，通過建立運維作業(yè)路徑優(yōu)化模型，研究相應優(yōu)化算法，進而科學規(guī)劃作業(yè)路徑，降低設備運維成本，提高運維效率［1］。

基于上述分析，本文擬研究基于智能算法的電能計量設備運維作業(yè)優(yōu)化策略。具體地講，首先結合電網(wǎng)企業(yè)實際需求，建立電能計量設備運維作業(yè)優(yōu)化數(shù)學模型；其次，研究并提出一種新的自適應多行為模式魚群算法（Adaptive Multi-Behavior Fish Swarm Algorithm，AMB-FSA），以提升傳統(tǒng)智能算法在求解具有離散、多局部極值等特性的復雜問題時的性能，并通過具體的測試函數(shù)驗證MB-FSA算法的有效性；最后，采用所提出的MB-FSA算法對電能計量設備運維作業(yè)優(yōu)化的實際問題進行求解。

1 電能計量設備運維作業(yè)優(yōu)化模型

根據(jù)電網(wǎng)企業(yè)關于電能計量設備運維作業(yè)相關規(guī)范，每日需對一定數(shù)量且分布于不同位置的計量設備開展運維作業(yè)。傳統(tǒng)的作業(yè)模式采用基于經(jīng)驗的方式人工分配作業(yè)任務并確定行進路線，這一傳統(tǒng)方式早已無法滿足電網(wǎng)企業(yè)低碳、高效的管理要求。

隨著網(wǎng)絡化、信息化技術應用的不斷深入，為提高工作效率，要求電能計量設備運維作業(yè)能夠在綜合考慮時間、路程、能耗的前提下，實現(xiàn)各作業(yè)人員巡檢路徑科學規(guī)劃。具體地講，應根據(jù)每日需要運維任務點的數(shù)量以及出勤作業(yè)人員的數(shù)量和屬性，科學地為每一位作業(yè)人員指派任務；此外，應綜合考慮路程、路況等要素，科學規(guī)劃各作業(yè)人員的行走路線，進而保證以最短的時間和能耗完成全部運維任務。

基于上述分析，考慮若將所有作業(yè)人員行進路線對應的路程與實時路況加權求和后，作為評價運維路徑規(guī)劃方案的目標函數(shù)。假設每日需要運維的任務點數(shù)量為M，建任務列表如式（1）所示：

其中，xi表示任務點編號?？梢姡蝿樟斜韝為1至M的一個排列，運維作業(yè)優(yōu)化的目標也是需要找到一個最優(yōu)排列，使其對應的目標函數(shù)值最小。假設當日有N個作業(yè)人員出勤，可根據(jù)各出勤人員業(yè)務能力的不同為其科學安排任務量，各作業(yè)人員對應的任務量記為 pi（i＝1，2，…，N）。可見，各作業(yè)人員的任務列表依次從式（1）中截取對應部分即可，且長度依次為 pi（i＝1，2，…，N）?？紤]到在實際工作中，所有作業(yè)任務須統(tǒng)一從運維中心出發(fā)，且完成所有任務后須全員返回運維中心，各作業(yè)人員的實際行進路線如圖1所示。

圖1 作業(yè)人員行進路線Fig.1 Route of the operating workers

基于圖1所示的各作業(yè)人員行進路線，考慮到實時路況的要素，通過將路況信息轉化為相應的路況系數(shù)，并乘于對應路徑的路程長度，最為該路徑優(yōu)劣的衡量標準。對于式（1）所示的每一種路徑規(guī)劃方案，以路況系數(shù)為權重將所有作業(yè)人員行走路徑的路程長度加權求和，進而得到的適應度函數(shù)如式（2）所示。式中s0i1表示第i個作業(yè)人員從運維中心至其第一個任務點的路程；ρ0i1表示該路徑對應的路況系數(shù)；s0ip表示第i個作業(yè)人員從其最后一個任務點回到運維中心的路程；ρ0ip表示該路徑對應的路況系數(shù)；與分別表示第i個作業(yè)人員從其第j個任務點至第j+1個任務點的路程與路況系數(shù)；pi表示第i個作業(yè)人員分配所得的任務量。實時路況系數(shù)如表1所示。

表1 實時路況系數(shù)Tab.1 Coefficient to the real time traffic

2 多行為模式的人工魚群算法

2.1 基本人工魚群算法

AFSA采用追尾、聚群和覓食三種行為模式來描述魚群的搜索過程。人工魚個體在解空間中所處的位置即優(yōu)化變量被定義為X＝（X1+X2，…，Xn）。適應度函數(shù)值f（X）被描述為人工魚所處位置X對應的食物濃度。dij＝‖Xi-Xj‖表示兩條人工魚所處位置Xi和Xj之間的距離。Visual和Step為AFSA為每一人工魚個體引入的參數(shù)，分別表示人工魚的視野范圍和最大移動步長。δ表示擁擠度因子。AFSA的三種行為模式依次被定義為：

（1）追尾行為：尋找視野范圍內(nèi)最優(yōu)人工魚個體位置Xbest，如果其周圍不過分擁擠，則向其方向移動一步；否則執(zhí)行覓食行為；

（2）聚群行為：尋找視野范圍內(nèi)所有人工魚個體的中心位置XC，如果其周圍不過分擁擠，則向其方向移動一步；否則執(zhí)行覓食行為；

（3）覓食行為：在視野范圍內(nèi)隨機選取另一個位置Xj，如果其食物濃度優(yōu)于當前位置，則向Xj移動一步，否則重新進行選取和判斷。若反復尋找Trynumber次后仍沒有找到符合移動條件的位置，則停止尋找，在視野范圍內(nèi)隨機跳動一步。

每條人工魚在移動前首先計算“追尾或覓食”以及“聚群或覓食”兩種組合行為模式得到的下一位置的適應度函數(shù)值，并在這二者之間選取較優(yōu)的一種組合行為模式執(zhí)行。算法中模擬一個“公告板”，用于記錄每次迭代得到的最優(yōu)人工魚的位置及其對應的適應度函數(shù)值，當預設的迭代次數(shù)完成后，公告板上的記錄便是魚群算法尋優(yōu)所得到的結果。

2.2 自適應多行為模式的人工魚群算法

AFSA算法對于多局部極值問題的求解具有顯著優(yōu)勢，適用于求解諸如電能計量設備運維作業(yè)優(yōu)化一類的路徑優(yōu)化問題。段其昌等人［3］采用粒子群算法的若干特性對AFSA算法進行改進，并提出了粒子群優(yōu)化魚群算法PSO-FSA。盡管PSO-FSA算法的優(yōu)化精度較AFSA一定程度上得到提升，但由于每一代需要調(diào)用適應度函數(shù)的次數(shù)增加，其算法復雜度也顯著上升。由其對于本文所描述的運維作業(yè)優(yōu)化，其適應度函數(shù)的每一次調(diào)用都需要經(jīng)過“解碼---計算---編碼”的過程，算法主要耗時在于適應度函數(shù)的調(diào)用，故若采用PSO-FSA算法求解該問題，算法耗時必將顯著增加。針對這一問題，本文提出一種自適應多行為模式的人工魚群算法（Adaptive Multi-Behavior Fish Swarm Algorithm，AMB-FSA）：首先，為 AFSA引入“記憶與覓食”以及“交流與覓食”兩種新的組合行為模式；此外，提出一種自適應的動態(tài)行為模式選擇機制，實現(xiàn)對算法對于多種組合行為模式的自適應選擇，以在不顯著增加算法復雜度的前提下進一步提升算法性能。

具體地講，“記憶或覓食”行為是指尋找人工魚個體自身記憶中的最優(yōu)位置Xpbest，若其周圍不過分擁擠，則向其方向移動一步，否則執(zhí)行覓食行為；“交流或覓食”行為是指尋找整個魚群的當前最優(yōu)個體位置Xgbest，若其周圍不過分擁擠，則向其方向移動一步，否則執(zhí)行覓食行為。綜上所述，AMB-FSA算法共包含如下4中組合行為模式：追尾或覓食、聚群或覓食、記憶或覓食、交流或覓食。不同于AFSA算法中依次計算比較各行為模式并擇優(yōu)選取，AMB-FSA算法采用自適應的方式進行，即算法迭代開始時隨機選擇一種行為模式，若該代通過選取的行為模式更新了公告板記錄，則下一代繼續(xù)采用該行為模式，否則重新隨機選取。綜上所述，AMB-FSA算法流程如下所示：

（1）初始化魚群的位置和速度，每條魚記憶中的最優(yōu)位置，公告板記錄的魚群最優(yōu)位置等參數(shù)；

研究發(fā)現(xiàn),實驗組患者治療有效率為96.67%,對照組患者治療有效率為76.67%,實驗組患者治療有效率明顯高于對照組,P<0.05表示統(tǒng)計學有意義。實驗組患者的FVC、FEV、PEF水平明顯優(yōu)于對照組,P<0.05表示統(tǒng)計學有意義。

（2）從4種組合行為模式（聚群或覓食、追尾或覓食、記憶或覓食、交流或覓食）中隨機選取一種；

（3）采用選取的組合行為模式更新所有人工魚個體位置；

（4）比較并更新公告板記錄。若公告板被更新，則進入步驟（5），否則重新隨機選取一種組合行為模式后進入步驟（5）；

（5）是否達到終止條件，若是則返回最優(yōu)解，若否則繼續(xù)執(zhí)行步驟（3）。

2.3 算法仿真分析

為驗證AMB-FSA的算法性能，選取表2所示的標準測試函數(shù)進行仿真實驗，并與PSO-FSA算法進行對比。仿真環(huán)境為 Matlab／R2007b，PSO-FSA與AMB-FSA算法的相關參數(shù)均按文獻［3］進行設置，目標函數(shù)均設置為50維，算法對每一測試函數(shù)都獨立運行50次，前1 000次迭代中各組合行為模式更新公告板記錄的平均次數(shù)如圖2～圖5所示。

由圖2至圖5可以看出，在自適應選擇機制下，4種組合行為模式對于更新公告板記錄的貢獻率相當，但由于每一代僅需計算一種行為模式，即每一人工魚個體的一次迭代僅需一次適應度函數(shù)的調(diào)用，故算法耗時較PSO-FSA算法而言優(yōu)勢顯著。進一步地，將算法終止條件設置為目標函數(shù)的調(diào)用達到最大次數(shù)（Max_FES）1*105，其余參數(shù)設置不變，PSO-FSA與AMB-FSA算法對于表2所列的各測試函數(shù)50次獨立運行的平均優(yōu)化結果如表3所示?？梢?，基于自適應多行為模式的AMB-FSA算法對于各測試函數(shù)的優(yōu)化精度均顯著高于PSO-FSA算法。

表2 標準測試函數(shù)Tab.2 Benchmark test functions

圖2 Sphere函數(shù)公告板更新曲線Fig.2 Board updating curve of Sphere

圖3 Rosenbrock函數(shù)公告板更新曲線Fig.3 Board updating curve of Rosenbrock

圖4 Quadric函數(shù)公告板更新曲線Fig.4 Board updating curve of Quadric

圖5 Ackley函數(shù)公告板更新曲線Fig.5 Board updating curve of Ackley

表3 仿真實驗結果對比Tab.3 Comparison of the experimental simulation results

3 基于AMB-FSA的電能計量設備運維作業(yè)優(yōu)化

3.1 算法編解碼

考慮到AMB-FSA算法采用連續(xù)數(shù)值進行運算，而本文所建立的電能計量設備運維作業(yè)優(yōu)化模型采用離散編碼，故模型與算法之間需要進行合理的數(shù)據(jù)轉換。本文采用對人工魚個體各維度值進行大小排序，并用序列號替代原連續(xù)數(shù)值的方式實現(xiàn)這一轉化。具體地講，將算法優(yōu)化范圍設為［0，1］，在計算AMB-FSA算法中每一人工魚個體的適應度函數(shù)值前，首先對其各維度值按照從小到大的順序進行排列，將每一維度的數(shù)值轉化為相應的序號后，再采用式（2）計算其適應度函數(shù)值。

3.2 數(shù)值仿真實驗

以運維任務點數(shù)量M＝15，當日出勤作業(yè)人員數(shù)量N＝3為例進行數(shù)值仿真實驗。首先，隨機初始化運維中心以及各任務點的位置坐標（如表4所示），計算兩兩之間的路程，并隨機初始化各路徑的路況信息。以式（2）作為目標函數(shù)，采用AMB-FSA算法進行優(yōu)化，種群規(guī)模設置為50，算法終止條件設置為目標函數(shù)的最大調(diào)用次數(shù)達到5*105次。采用窮舉法（所需運算次數(shù)為 A1515＝15！≈1.3×1012次）計算得到全局最優(yōu)適應度函數(shù)值為2.77*102，基于AMBFSA算法的優(yōu)化結果如表5所示?？梢姡珹MB-FSA算法能夠以合理的適應度函數(shù)調(diào)用次數(shù)準確求得全局最優(yōu)解，也驗證了本文所提出的電能計量設備運維作業(yè)數(shù)學模型及基于AMB-FSA的求解算法的有效性。

基于AMB-FSA算法給出的全局最優(yōu)解，經(jīng)解碼操作后可得到各運維人員的任務列表及行走路線，如圖6所示。

表4 運維中心及各任務點坐標Tab.4 Location of the operating and maintaining center and each working point

表5 運維作業(yè)優(yōu)化實驗結果Tab.5 Experimental results of operating and maintain optimization

圖6 基于AMB-FSA算法優(yōu)化的運維人員行進路線Fig.6 Path of each worker optimized by AMB-FSA algorithm

4 結束語

本文針對電能計量設備運維作業(yè)優(yōu)化問題，提出了一種基于智能算法的求解方案。首先，建立了電能計量設備運維作業(yè)優(yōu)化數(shù)學模型；其次，針對人工魚群算法及其主流改進方法存在的問題，引入人工魚個體的多行為模式及其自適應選擇機制，并提出了自適應多行為模式的人工魚群算法AMB-FSA；最后，將AMB-FSA算法應用于求解電能計量設備運維作業(yè)優(yōu)化的實際問題。仿真分析表明，本文所提出的AMBFSA算法較AFSA以及PSO-FSA等算法而言具有更高的優(yōu)化精度和較低的算法復雜度，能夠完成對電能計量設備運維作業(yè)優(yōu)化問題的準確、高效求解。