基于改進(jìn)黏菌算法的配電網(wǎng)重構(gòu)研究

高金蘭, 王良禹, 宋 爽

(東北石油大學(xué) 電氣信息工程學(xué)院, 黑龍江 大慶 163318)

0 引 言

配電網(wǎng)重構(gòu)實(shí)質(zhì)是通過調(diào)整開關(guān)的開斷組合實(shí)現(xiàn)減少損耗, 平衡負(fù)載, 提高供電優(yōu)質(zhì)性、 安全性、 可靠性和經(jīng)濟(jì)性等目標(biāo)的配網(wǎng)規(guī)劃方法[1]。配電網(wǎng)保持輻射性和連通性的拓?fù)浣Y(jié)構(gòu)是求解配電網(wǎng)重構(gòu)問題的前提條件, 在此基礎(chǔ)上, 配電網(wǎng)還需滿足諸多約束, 如設(shè)備容量以及節(jié)點(diǎn)電壓等。隨著現(xiàn)代網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)展, 重構(gòu)問題也變得越來越復(fù)雜。目前, 求解配電網(wǎng)重構(gòu)的方法大致分為數(shù)學(xué)優(yōu)化算法[2]、 啟發(fā)式方法[3-4]和智能優(yōu)化算法[5-8]3類, 其中智能優(yōu)化算法在求解非線性規(guī)劃問題上具有優(yōu)異表現(xiàn), 因此被廣泛使用。

徐淵[9]將布谷鳥和粒子群算法相結(jié)合應(yīng)用于配電網(wǎng)重構(gòu)問題中, 提高了粒子群算法的全局搜索能力； 董張卓等[10]首先建立配電網(wǎng)的連接模型, 再通過映射規(guī)則, 建立起重構(gòu)和簡化圖, 同時(shí)給出重構(gòu)圖中樹支的概率, 得到重構(gòu)圖的最小生成樹。王威等[11]提出一種通過網(wǎng)絡(luò)輻射結(jié)構(gòu)確定最優(yōu)解的方法, 首先通過生成樹確定可行的參考解, 將開關(guān)必閉合的原則與Minty算法相結(jié)合, 使生成樹的數(shù)量大幅減少； 黃弦超等[12]首先通過回支關(guān)聯(lián)矩陣, 使配電網(wǎng)始終保持輻射狀拓?fù)渚W(wǎng)絡(luò), 然后根據(jù)最優(yōu)流算法生成最優(yōu)解以提升尋優(yōu)效率。然而, 上述方法在保證配電網(wǎng)輻射運(yùn)行方面仍存在不足, 如在計(jì)算含有大量開關(guān)的復(fù)雜配電網(wǎng)時(shí)仍存在大量不可行解, 計(jì)算時(shí)間不能滿足需求； 同時(shí), 在算法優(yōu)化方面僅在傳統(tǒng)算法上進(jìn)行某一方面的優(yōu)化, 不能同時(shí)兼顧算法的收斂速度和全局收斂能力。

黏菌算法(SMA： Slime Mould Algorithm)[13]是一種源于黏菌捕食行為的智能優(yōu)化算法, 該算法具有較好的收斂精度和穩(wěn)定性, 因此已被廣泛應(yīng)用于優(yōu)化應(yīng)用領(lǐng)域, 但其缺點(diǎn)是在初始種群基數(shù)龐大時(shí)收斂速度較慢, 且容易得到區(qū)域最優(yōu)解。因此, 筆者提出了一種基于改進(jìn)黏菌算法的配電網(wǎng)多目標(biāo)重構(gòu)策略。首先, 從配電網(wǎng)的運(yùn)行效益和負(fù)荷均衡度兩個(gè)角度出發(fā), 建立以有功損耗及網(wǎng)絡(luò)負(fù)載平衡指數(shù)最小為目標(biāo)的配電網(wǎng)重構(gòu)模型； 其次, 針對(duì)黏菌算法(SMA)收斂速度慢、 易得到區(qū)域最優(yōu)解等問題, 在黏菌算法中設(shè)置閾值并引入高斯擾動(dòng), 加快收斂速度與精度, 引入折射反向?qū)W習(xí)策略, 解決黏菌算法在中后期容易陷入局部最優(yōu)的問題； 同時(shí), 為提高黏菌算法的搜索效率, 避免大量不可行解的存在, 將Prim算法與連續(xù)支路交換算法結(jié)合, 對(duì)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行優(yōu)化, 以此作為黏菌算法的初始種群。IEEE33、 118節(jié)點(diǎn)系統(tǒng)仿真結(jié)果表明, 該方法能以更短的計(jì)算時(shí)間均衡網(wǎng)絡(luò)負(fù)載, 有效降低有功功率損耗。

1 配電網(wǎng)重構(gòu)模型

1.1 多目標(biāo)函數(shù)

筆者選擇以降低網(wǎng)絡(luò)總有功損耗和均衡負(fù)荷[8]為優(yōu)化目標(biāo)。

(1)

2) 網(wǎng)絡(luò)負(fù)載平衡指數(shù)Lindex

(2)

3) 綜合目標(biāo)函數(shù)。對(duì)上述目標(biāo)函數(shù)進(jìn)行歸一化處理并構(gòu)建目標(biāo)函數(shù), 則有

(3)

其中Ploss-0和Lindex-0分別為配電網(wǎng)重構(gòu)前的有功網(wǎng)損和網(wǎng)絡(luò)負(fù)載平衡指數(shù)；ω1和ω2分別為上述兩個(gè)指標(biāo)的權(quán)重系數(shù)。為保證所得解的多樣性, 采用將權(quán)重隨機(jī)分配的方式,ωi為0～1范圍內(nèi)的隨機(jī)生成數(shù), 且ω1+ω2=1。

1.2 約束條件

1) 潮流約束, 需滿足

(4)

其中Pi和Qi分別為節(jié)點(diǎn)i注入的有功和無功功率；Pdi和Qdi分別為節(jié)點(diǎn)i負(fù)荷的有功和無功功率；Glj、Blj、δlj分別為節(jié)點(diǎn)i、j之間的電導(dǎo)、 電納和相角差；m為網(wǎng)絡(luò)中的節(jié)點(diǎn)總數(shù)；Ui、Uj分別為節(jié)點(diǎn)i、j處的電壓幅值。

2) 節(jié)點(diǎn)電壓約束, 需滿足

Uimin≤Ui≤Uimax

(5)

其中Ui、Uimin、Uimax分別為節(jié)點(diǎn)i處的實(shí)際電壓及其上下限。

3) 支路容量約束, 需滿足

|Sk|≤Skmax

(6)

其中Sk為支路k中流過的功率,Skmax為支路k中允許流過的最大功率。

4) 網(wǎng)絡(luò)拓?fù)浼s束。重構(gòu)過程中配電網(wǎng)必須保持輻射且連通, 不能存在環(huán)路及孤島。

2 改進(jìn)黏菌算法

2.1 標(biāo)準(zhǔn)黏菌算法

標(biāo)準(zhǔn)黏菌算法的數(shù)學(xué)模型為

(7)

其中t為當(dāng)前迭代次數(shù),Ub與Lb為搜索區(qū)域的上下界,r和r1為均勻分布在[0,1]之間的隨機(jī)數(shù),z為自定義參數(shù),Xb(t)為目前適應(yīng)度最優(yōu)的個(gè)體位置, 控制參數(shù)vb為[-a,a]之間的隨機(jī)數(shù), 反饋因子vc為從1～0線性遞減的參數(shù),Xrand1(t)與Xrand2(t)為兩個(gè)隨機(jī)個(gè)體位置,W為黏菌的權(quán)重系數(shù), 控制參數(shù)p、 參數(shù)a與權(quán)重系數(shù)W的更新公式為

p=tanh|S(i)-DF|

(8)

(9)

(10)

SIndex(i)=sort(S)

(11)

其中i∈1,2,3,…,N,N為種群數(shù)量,S(i)為當(dāng)前個(gè)體適應(yīng)度值,DF為所有迭代中的最佳適應(yīng)度值。r為均勻分布于[-a,a]的隨機(jī)數(shù),tmax為最大迭代次數(shù)。式(11)對(duì)適應(yīng)度值進(jìn)行排序,SIndex(i)為排序后的適應(yīng)度值序列, 表示氣味指數(shù),C為種群中適應(yīng)度排在前一半個(gè)體,O為剩下的個(gè)體,bF為當(dāng)前迭代獲取的最佳適應(yīng)度值,wF為當(dāng)前迭代最差適應(yīng)度值。

2.2 改進(jìn)黏菌算法

SMA具有多種搜索模式, 適應(yīng)度較好的黏菌個(gè)體集中在最優(yōu)位置附近, 適應(yīng)度較差的個(gè)體進(jìn)行全局搜索, 當(dāng)隨機(jī)數(shù)小于z時(shí), 黏菌進(jìn)行隨機(jī)初始化。但在迭代后期,vb的振蕩效果明顯下降, 使計(jì)算不能有效地跳出局部最優(yōu), 而且SMA利用參數(shù)vc實(shí)現(xiàn)收縮機(jī)制, 但這種機(jī)制比較薄弱, 容易陷入局部最優(yōu), 同時(shí), SMA也存在收斂速度較慢的問題。為解決以上問題, 對(duì)SMA算法進(jìn)行了如下改進(jìn)。

2.2.1 引入折射反向?qū)W習(xí)策略

針對(duì)黏菌算法在迭代中后期容易陷入局部最優(yōu)的問題, 在算法中融入折射反向?qū)W習(xí)的思想。反向?qū)W習(xí)思想是智能算法的一種改進(jìn)策略, 核心思想是通過當(dāng)前解產(chǎn)生一個(gè)反向解, 比較兩者并取最優(yōu)進(jìn)入下一次迭代, 以此跳出局部最優(yōu)區(qū)域； 折射反向?qū)W習(xí)策略(ROBL： Refracted Opposition-Based Learning)是在此基礎(chǔ)上結(jié)合光的折射原理提出的策略[14], 其原理如圖1所示。

圖1 折射反向?qū)W習(xí)原理圖Fig.1 ROBL mechanism

圖1中, 已知[a,b]為解在x軸上的搜索區(qū)間, 原點(diǎn)O為[a,b]之間的中點(diǎn),y軸為法線,α、β分別為入射角和折射角,l、l*分別為入射光線和折射光線的長度, 由此可得折射率

(12)

令δ=l/l*, 代入式(12)并將其拓展到D維空間, 可得折射反向解

(13)

2.2.2 設(shè)置迭代閾值和高斯擾動(dòng)

高斯擾動(dòng)在提高種群多樣性、 避免生成區(qū)域極值的同時(shí), 也可有效加快算法的收斂速度。因此, 筆者在迭代中設(shè)置搜索閾值M, 即首先利用黏菌算法進(jìn)行全局搜索, 當(dāng)算法迭代M次的正整數(shù)倍時(shí), 將當(dāng)前種群位置備份, 同時(shí)按照當(dāng)前最優(yōu)解位置進(jìn)行局部尋優(yōu), 將尋優(yōu)前后最優(yōu)解進(jìn)行比較, 若該結(jié)果更優(yōu), 則用

(14)

產(chǎn)生p%新個(gè)體替換掉原種群中較差的p%個(gè)體。對(duì)每次迭代生成的最優(yōu)解根據(jù)

pG-best=pbest(1+Gaussian(σ))

(15)

(16)

進(jìn)行高斯擾動(dòng)并替換。其中d為種群規(guī)模大小,r1、r2為[0,1]中的隨機(jī)數(shù),yi為新生成個(gè)體i的位置,pbest為每代最優(yōu)解,pG-best為擾動(dòng)后黏菌的位置, Gaussion(σ)為高斯分布函數(shù)。

3 基于改進(jìn)黏菌算法的配網(wǎng)重構(gòu)策略

3.1 網(wǎng)絡(luò)拓?fù)鋬?yōu)化

由于復(fù)雜的電網(wǎng)結(jié)構(gòu)使初始種群產(chǎn)生大量不可行解, 縮小種群的初始規(guī)?？纱蠓涌焓諗克俣?、 提高搜索精度, 因此可基于生成樹的方法滿足輻射型網(wǎng)絡(luò)的約束條件。連續(xù)支路交換算法(SBEA： Successive Branch-Exchange Algorithm)為啟發(fā)式算法的一種[15], 核心思想是： 從可行的樹(父代)開始, 通過依次進(jìn)行交換分支連續(xù)創(chuàng)建新樹, 每次交換中在沒有違反任何約束的情況下最大程度地改進(jìn)目標(biāo)函數(shù), 即交換選擇的分支會(huì)生成所有可能解中的最優(yōu)解。但這種搜索方法不能覆蓋所有樹, 它僅通過父代樹作為起始樹依次計(jì)算, 最終導(dǎo)致的結(jié)果是在父代樹附近的局部最優(yōu)解。筆者在此基礎(chǔ)上, 將Prim最小生成樹[16]算法與SBEA結(jié)合, 擴(kuò)大搜索空間, 同時(shí)利用分支交換的核心思想優(yōu)化初始種群。

3.1.1 混合prim-SBEA算法

首先應(yīng)用Prim算法確定初始生成樹(父代), 將網(wǎng)絡(luò)中所有聯(lián)絡(luò)開關(guān)和分段開關(guān)都閉合以形成環(huán)狀網(wǎng)絡(luò), 進(jìn)行Nel-cycles次潮流計(jì)算確定功率分布, 公式如下

Nel-cycles=Nbr-(Nbus-NSP)

(17)

其中Nel-cycles為配電網(wǎng)中的回路數(shù),NSP為電源節(jié)點(diǎn)數(shù),Nbr為支路數(shù),Nbus為節(jié)點(diǎn)數(shù)。如果配電網(wǎng)中有多個(gè)電源點(diǎn), 可將它們合并成一個(gè), 從而將最小生成林問題歸結(jié)為最小生成樹問題。對(duì)環(huán)網(wǎng)進(jìn)行潮流計(jì)算并將分支賦權(quán), 其中每個(gè)分支的權(quán)重與支路潮流成反比。在避免產(chǎn)生孤島的同時(shí), 通過對(duì)最小生成樹應(yīng)用Prim算法打開集合中權(quán)重最高的分支, 可得到初始的輻射狀全連接配電網(wǎng)。這可以最大限度地減少孤島對(duì)配電網(wǎng)中正常潮流的干擾, 并保證初始放射狀配電網(wǎng)具有良好的潮流模式, 而且系統(tǒng)網(wǎng)損較低。同時(shí), 在使用Prim算法時(shí)可得到支路中除樹支外的連支集合向量[]Nel-loopx1。

得到連枝向量后, 通過向量[]Nel-loopx1的隨機(jī)變換生成一個(gè)隨機(jī)向量, 利用SBEA的核心思想進(jìn)行分支交換處理。例如, 隨機(jī)向量[b11,b3,…]表示的含義如下： 第1步閉合支路b11的開關(guān)形成一個(gè)環(huán)網(wǎng), 在這個(gè)新形成的回路中尋找更符合目標(biāo)函數(shù)的分支, 如果存在, 則將b11替換為該分支, 否則不進(jìn)行交換； 第2步閉合支路b3的開關(guān), 在新形成的回路中更符合目標(biāo)函數(shù)的分支, 如果存在, 則將b3替換為該分支； 以此類推, 根據(jù)生成的隨機(jī)向量重復(fù)上述過程。

在交換過程中, 利用近似方程計(jì)算輻射配電網(wǎng)的潮流可以在短時(shí)間內(nèi)使用SBEA算法生成個(gè)體。在文獻(xiàn)[15]中給出了網(wǎng)絡(luò)損耗和負(fù)荷均衡度近似線性化的具體計(jì)算過程, 不再詳述, 公式如下

(18)

(19)

這種近似僅用于總體初始化, 目的是通過啟發(fā)式算法創(chuàng)建一組初始候選解。該方法使用線性化的解析表達(dá)式近似支路交換過程中的網(wǎng)損變化或負(fù)荷指標(biāo)變化。算法中的所有其他步驟(適應(yīng)度函數(shù)、 電壓條件和潮流的計(jì)算)都使用精確的完全非線性潮流表達(dá)式, 再將此過程得到的解與Prim算法單獨(dú)生成的解進(jìn)行合并, 作為黏菌算法的初始種群, 目的是為將搜索空間擴(kuò)大, 避免單一使用Prim算法或連續(xù)支路交換算法不能全面覆蓋可行解的缺陷。

3.2 算法流程

基于改進(jìn)黏菌算法的配電網(wǎng)多目標(biāo)重構(gòu)方案如下:

1) 將配電網(wǎng)初始化, 輸入配電網(wǎng)的原始信息；

2) 應(yīng)用Prim算法確定初始生成樹, 將網(wǎng)絡(luò)中所有聯(lián)絡(luò)開關(guān)和分段開關(guān)都閉合, 形成環(huán)狀網(wǎng)絡(luò), 進(jìn)行潮流計(jì)算確定功率分布；

3) 進(jìn)行潮流計(jì)算并將各支路賦權(quán), 其中每個(gè)分支的權(quán)重與支路潮流成反比, 每次打開集合中權(quán)重最高的分支, 得到初始的輻射狀全連接配電網(wǎng)；

4) 將步驟2)中除樹支外的連支集合得到向量[]Nel-loopx1；

5) 通過向量[]Nel-loopx1的隨機(jī)變換生成一個(gè)隨機(jī)向量, 用支路交換法進(jìn)行分支交換處理, 將得到的解與Prim最小生成樹的解集合成黏菌算法初始種群；

6) 進(jìn)行黏菌算法的初始化, 設(shè)置初始黏菌種群數(shù)量N, 研究問題維度D, 最大迭代次數(shù)Tmax, 搜索閾值M等；

7) 根據(jù)目標(biāo)函數(shù)計(jì)算個(gè)體適應(yīng)度值, 記錄最佳適應(yīng)度bF和最差適應(yīng)度wF, 根據(jù)式(7)進(jìn)行位置更新；

8) 根據(jù)折射反向?qū)W習(xí)原理, 對(duì)最優(yōu)解進(jìn)行折射操作, 判斷反向解是否優(yōu)于最優(yōu)解, 若是則進(jìn)行替換, 反之不變；

9) 判斷迭代次數(shù)是否為M正整數(shù)倍, 是則按照式(14)～式(16)進(jìn)行擾動(dòng)和替換, 否則跳過此步驟, 進(jìn)入下—步；

10) 判斷是否滿足停止迭代條件, 若滿足則停止迭代, 并輸出當(dāng)前最優(yōu)解, 否則返回步驟7)。

4 算例分析

為驗(yàn)證所提出的配電網(wǎng)重構(gòu)算法的有效性, 使用IEEE 33節(jié)點(diǎn)和118節(jié)點(diǎn)兩個(gè)配電系統(tǒng)算例。IEEE33系統(tǒng)中存在節(jié)點(diǎn)33個(gè)、 支路37條, 其中聯(lián)絡(luò)開關(guān)支路5個(gè)； 系統(tǒng)的基準(zhǔn)電壓為12.66 kV, 有功功率為3.715 MW, 總負(fù)荷為3 715+j2 300 kVA； IEEE118系統(tǒng)中存在節(jié)點(diǎn)118個(gè), 支路132條, 其中聯(lián)絡(luò)開關(guān)支路15條, 系統(tǒng)基準(zhǔn)電壓為12.66 kV, 負(fù)荷為22 709.+j1 704 1 kVA。假定平衡節(jié)點(diǎn)的電壓標(biāo)幺值為1。使用Matlab R2018a編寫程序, 計(jì)算環(huán)境為： Intel(R) Core(TM)i3-2120 CPU @3.30 GHz的處理器, 4 GByte的內(nèi)存。算法參數(shù)設(shè)置如下：N=30,Tmax=50次,D=3,M=15,z=0.03,p=25, 重構(gòu)結(jié)果如表1所示。

表1 重構(gòu)結(jié)果對(duì)比

經(jīng)過多次迭代, 比較重構(gòu)前后的線路損耗與節(jié)點(diǎn)電壓可知, 采用本算法進(jìn)行配電網(wǎng)絡(luò)重構(gòu)后得到如下結(jié)果：

1) IEEE33節(jié)點(diǎn)系統(tǒng)中, 網(wǎng)絡(luò)的有功損耗由202.68 kW降低至140.24 kW, 相比于初始拓?fù)錅p少了30.4%；

2) IEEE118節(jié)點(diǎn)系統(tǒng)中, 網(wǎng)絡(luò)的有功損耗由1 294.30 kW降低至805.9 kW, 相比于初始拓?fù)錅p少了37.7%。

圖2、 圖3給出了兩個(gè)系統(tǒng)重構(gòu)前后各支路有功損耗的對(duì)比圖, 可以證明本方法對(duì)降低網(wǎng)絡(luò)損耗方面有較好表現(xiàn)。對(duì)比兩個(gè)系統(tǒng)的重構(gòu)結(jié)果, 可以看出所提出的策略在118節(jié)點(diǎn)這個(gè)較為復(fù)雜的拓?fù)浣Y(jié)構(gòu)的條件下表現(xiàn)更優(yōu), 進(jìn)一步說明本方法在復(fù)雜網(wǎng)絡(luò)拓?fù)鋬?yōu)化方面的有效性。

圖2 IEEE33系統(tǒng)重構(gòu)前后線路圖有功損耗對(duì)比 圖3 IEEE118系統(tǒng)重構(gòu)前后各線路有功損耗對(duì)比Fig.2 IEEE33 nodes system comparison of line active power loss before and after Fig.3 IEEE118 nodes system comparison of line active power loss before and after

圖4、 圖5給出了重構(gòu)前后各節(jié)點(diǎn)電壓的對(duì)比圖, 雖然沒有將電壓偏差作為目標(biāo)函數(shù), 但從圖4、 圖5中可以看出, 網(wǎng)絡(luò)重構(gòu)后的拓?fù)浣Y(jié)構(gòu)與初始網(wǎng)絡(luò)拓?fù)湎啾染哂懈獾碾妷悍植? 尤其是118節(jié)點(diǎn)系統(tǒng)中電壓分布更均衡。同時(shí)可以看出, 在IEEE33系統(tǒng)中, 最低點(diǎn)電壓由0.871 3 p.u.提升到0.940 1 p.u., 在IEEE118節(jié)點(diǎn)系統(tǒng)中, 最低點(diǎn)電壓由0.911 8 p.u.提升到0.969 2 p.u., 電壓質(zhì)量明顯提高。

圖4 IEEE33系統(tǒng)重構(gòu)前后各節(jié)點(diǎn)電壓比較曲線圖 圖5 IEEE118系統(tǒng)重構(gòu)前后各節(jié)點(diǎn)電壓比較曲線圖 Fig.4 IEEE33 nodes system voltage comparison before and after reconfiguration Fig.5 IEEE118 nodes system voltage comparison before and after reconfiguration

圖6 算法進(jìn)化特性Fig.6 Algorithm evolution characteristic

將提出的改進(jìn)黏菌算法分別與標(biāo)準(zhǔn)黏菌算法和粒子群算法進(jìn)行比較, 多次運(yùn)行平均結(jié)果如圖6所示。由圖6可以看出, 本算法平均迭代7次左右可達(dá)到最優(yōu)解, 而標(biāo)準(zhǔn)黏菌算法和粒子群算法分別平均迭代11次左右和15次左右才可求得最優(yōu)解, 驗(yàn)證了改進(jìn)黏菌算法有較快的收斂速度, 能有效均衡全局和局部搜索能力。

綜上, 筆者提出的基于改進(jìn)黏菌算法的配網(wǎng)重構(gòu)方法在IEEE33和118節(jié)點(diǎn)系統(tǒng)中運(yùn)行, 在減小網(wǎng)損、 電壓平衡和迭代次數(shù)上都表現(xiàn)出良好的效果, 證明了本方法在配網(wǎng)重構(gòu)應(yīng)用中的有效性。

5 結(jié) 論

1) 筆者以減少網(wǎng)損和負(fù)荷均衡兩個(gè)目標(biāo)建立了配電網(wǎng)重構(gòu)模型, 采用隨機(jī)權(quán)重, 將兩個(gè)目標(biāo)函數(shù)做歸一化處理, 經(jīng)過算例分析驗(yàn)證了本算法在改善網(wǎng)損、 維持負(fù)荷均衡和提升電壓質(zhì)量等方面均有良好表現(xiàn)。

2) 針對(duì)標(biāo)準(zhǔn)黏菌算法中出現(xiàn)的收斂速度差、 易獲得局部最優(yōu)解等問題, 設(shè)置搜索閾值和高斯擾動(dòng), 有效提高了收斂速度, 引入折射反向?qū)W習(xí)策略跳出局部最優(yōu)解, 更好地平衡全局和局部搜索能力。

3) 為解決復(fù)雜拓?fù)浣Y(jié)構(gòu)在重構(gòu)中出現(xiàn)大量不可行解的問題, 筆者將Prim算法與連續(xù)支路交換算法相結(jié)合對(duì)網(wǎng)絡(luò)拓?fù)溥M(jìn)行優(yōu)化, 全面覆蓋可行解。算例分析驗(yàn)證了本算法在復(fù)雜網(wǎng)絡(luò)中有更優(yōu)表現(xiàn), 進(jìn)一步證明本算法的有效性和可行性。