一種多種群二進(jìn)制算術(shù)優(yōu)化算法及其應(yīng)用

摘 要：

針對算術(shù)優(yōu)化算法（AOA）無法對離散二進(jìn)制型問題進(jìn)行優(yōu)化的局限，提出一種使用sigmoid函數(shù)變體實現(xiàn)的離散二進(jìn)制算術(shù)優(yōu)化算法（BAOA_S），解決了原始算法無法用于離散二進(jìn)制變量優(yōu)化的問題。進(jìn)一步提出一種基于突變策略實現(xiàn)的多種群二進(jìn)制算術(shù)優(yōu)化算法（multi-swarm binary arithmetic optimization algorithms，MS-BAOA）。該算法將原始種群劃分為多個子種群，子種群間通過通信策略進(jìn)行交流，并使用突變策略進(jìn)一步增強種群多樣性，克服了BAOA_S無法跳出局部最優(yōu)解的缺陷?；贑EC2013基準(zhǔn)函數(shù)將MS-BAOA與BAOA_S、二進(jìn)制粒子群算法（binary particle swarm optimization algorithm，BPSO）、二進(jìn)制灰狼優(yōu)化算法（binary gray wolf optimizer，BGWO）、二進(jìn)制魚群遷徙算法（binary fish migration optimization algorithm，BFMO）以及二進(jìn)制均衡優(yōu)化器（binary equilibrium optimizer，BiEO）進(jìn)行了對比，實驗結(jié)果顯示MS-BAOA總體上優(yōu)于對比算法。將MS-BAOA應(yīng)用于配電網(wǎng)故障區(qū)段定位中，實驗結(jié)果顯示該算法能夠?qū)ε潆娋W(wǎng)單點故障以及多點故障實現(xiàn)快速精準(zhǔn)定位，進(jìn)一步驗證了該算法的實用性。

關(guān)鍵詞：算術(shù)優(yōu)化算法；離散二進(jìn)制；多種群；配電網(wǎng)；故障定位

中圖分類號：TP301.6"" 文獻(xiàn)標(biāo)志碼：A""" 文章編號：1001-3695（2024）12-019-3664-07

doi： 10.19734/j.issn.1001-3695.2024.04.0158

Multi-swarm binary arithmetic optimization algorithm and its application

Wang Ruobin1a，1b， Geng Fangdong1a，2， Wang Jiawei1a， Xu Lin3， Duan Jianyong1a

（1.a.School of Information Science amp; Technology， b.Beijing Urban Governance Research Center， North China University of Technology， Beijing 100144， China; 2.State Key Laboratory of Traction Power， Southwest Jiaotong University， Chengdu 610031， China; 3.STEM， University of South Australia， Adelaide 5095， Australia）

Abstract：

To address the issue that AOA is not applicable to discrete binary type optimization problems， this paper proposed a novel algorithm： the discrete binary arithmetic optimization algorithm employing a variant of the sigmoid function （BAOA_S）. This algorithm was capable of overcoming the challenge of the original AOA’s inability to optimize discrete binary variables. In addition， this paper proposed a multi-swarm binary arithmetic optimization algorithm （MS-BAOA） employing a mutation stra-tegy to divide the original population into multiple sub-swarms that communicated with one another through the use of specific communication strategies. The mutation strategy was then employed to enhance population diversity， addressing a weakness of the BAOA_S algorithm： the challenge of escaping local optimal solutions. This paper evaluated MS-BAOA against BAOA_S， BPSO， BGWO， BFMO， and BiEO based on the CEC2013 benchmark function. And the experimental results show that MS-BAOA is generally superior to the other algorithms. Furthermore， this paper applied MS-BAOA to solve the fault localization problem of distribution networks. And the experimental results show that the algorithm can realize the fast and accurate localization of single-point faults and multi-point faults in distribution networks further verifying the effectiveness of the algorithm.

Key words：arithmetic optimization algorithm（AOA）; discrete binary; multi-swarm; distribution network; fault location

0 引言

元啟發(fā)式算法（meta-heuristic algorithm）是一種重要的優(yōu)化技術(shù)方法，是基于計算機技術(shù)優(yōu)化的一個重要研究方向。它能夠解決各種復(fù)雜的組合優(yōu)化問題，被廣泛應(yīng)用于信號處理、生產(chǎn)調(diào)度、工程優(yōu)化、圖像處理和任務(wù)分配等眾多領(lǐng)域。相比傳統(tǒng)的優(yōu)化方法（如牛頓法、單純形法等），元啟發(fā)式算法在解決復(fù)雜性高、約束性強的實際工程優(yōu)化問題時往往表現(xiàn)得更加高效，也因此被廣泛應(yīng)用于電子、通信、計算機以及經(jīng)濟(jì)學(xué)等諸多學(xué)科的復(fù)雜優(yōu)化問題中。然而，傳統(tǒng)的元啟發(fā)式算法只能解決連續(xù)優(yōu)化問題，無法直接應(yīng)用于二進(jìn)制型優(yōu)化問題，如特征選擇問題、車間調(diào)度問題以及輻射型配電網(wǎng)故障區(qū)段定位問題等。因此，如何設(shè)計高效的二進(jìn)制版本的元啟發(fā)式算法以探索其在二進(jìn)制優(yōu)化問題中的應(yīng)用成為研究的重點。基于此，以新提出的算術(shù)優(yōu)化算法（AOA）為例，重點關(guān)注智能優(yōu)化算法的二值化方法以及改進(jìn)策略，并探究其在輻射型配電網(wǎng)故障區(qū)段定位實際應(yīng)用問題中的具體表現(xiàn)。

算術(shù)優(yōu)化算法是一種基于種群的新型元啟發(fā)式算法，通過模擬數(shù)學(xué)中的加法、減法、乘法、除法等運算符操作進(jìn)行科學(xué)優(yōu)化［1］。相比粒子群算法（particle swarm optimization，PSO）和差分進(jìn)化算法（differential evolution，DE）等經(jīng)典算法，其操作更加簡單且尋優(yōu)精度高，能夠從諸多候選解中快速找出符合特定標(biāo)準(zhǔn)的最佳解。因此，以AOA解決配電網(wǎng)故障定位問題具有一定的適應(yīng)性和先進(jìn)性。

輻射型配電網(wǎng)中的故障區(qū)段定位問題是一種典型的二進(jìn)制優(yōu)化問題，其目的在于根據(jù)二進(jìn)制故障信息實現(xiàn)對故障區(qū)段的精準(zhǔn)定位。然而，傳統(tǒng)的配電網(wǎng)故障區(qū)段定位方法如矩陣法等容錯性較差，容易發(fā)生誤判［2］。因此，如何設(shè)計高性能的二進(jìn)制版本元啟發(fā)式算法以實現(xiàn)快速精準(zhǔn)地定位配電網(wǎng)故障區(qū)段成為新的研究熱點。

配電網(wǎng)故障區(qū)段定位中，在一定區(qū)域內(nèi)是否含有故障信息本質(zhì)上是二進(jìn)制變量，但原始的算術(shù)優(yōu)化算法是針對連續(xù)變量進(jìn)行優(yōu)化求解的。因此，如何設(shè)計二進(jìn)制化方法使得算術(shù)優(yōu)化算法可以用于該問題的優(yōu)化成為研究的重點。元啟發(fā)式算法的離散二進(jìn)制化主要包括兩種方式：a）將傳統(tǒng)算法的搜索空間壓縮到［0，1］，將新位置值和某一閾值（比如0.5）比較，大于該閾值設(shè)置為1，否則為0；b）使用傳遞函數(shù)（transfer function）將位置值轉(zhuǎn)換為選擇為1的概率，將此概率與隨機數(shù)比較，大于隨機數(shù)設(shè)置為1，否則為0［3］。相比較而言，利用傳遞函數(shù)進(jìn)行離散二進(jìn)制化的方法操作更加簡單且尋優(yōu)速度快，因此受到研究人員的廣泛關(guān)注。然而，基于傳遞函數(shù)實現(xiàn)的二進(jìn)制算法仍然面臨容易陷入局部最優(yōu)且求解精度低的問題。因此，如何提升基于傳遞函數(shù)實現(xiàn)的二進(jìn)制算法的性能成為研究的重點。

基于此，提出一種使用sigmoid函數(shù)變體實現(xiàn)的離散二進(jìn)制算術(shù)優(yōu)化算法（binary arithmetic optimization algorithm， BAOA_S），與傳統(tǒng)S型傳遞函數(shù)相比收斂速度更快，并提出一種基于突變策略實現(xiàn)的多種群二進(jìn)制算術(shù)優(yōu)化算法（multi-swarm binary arithmetic optimization algorithm， MS-BAOA），該算法將原始種群劃分為兩個子種群，增加了種群多樣性，提高了算法的求解精度，同時引入的突變策略進(jìn)一步解決了BAOA_S種群單一的問題，克服了BAOA_S容易陷入局部最優(yōu)解的缺陷。將MS-BAOA應(yīng)用于配電網(wǎng)故障區(qū)段定位中，實現(xiàn)了對配電網(wǎng)單點故障和多點故障區(qū)段的快速精準(zhǔn)定位。

1 相關(guān)工作

元啟發(fā)式算法又稱智能優(yōu)化算法（intelligent optimization algorithm），是一種基于計算智能解決復(fù)雜優(yōu)化問題的方法。智能優(yōu)化通過模擬生物群體行為、物理現(xiàn)象、化學(xué)現(xiàn)象以及人類智能等揭示算法設(shè)計的原理，并根據(jù)特定問題提煉出相應(yīng)迭代搜索模型，從而構(gòu)建智能化的優(yōu)化算法。

經(jīng)典的元啟發(fā)式算法包括模擬鳥群和魚群的粒子群算法、模擬生物進(jìn)化機制的遺傳算法以及模擬群體內(nèi)個體間的合作競爭的差分進(jìn)化算法等。目前，相關(guān)研究除了對原始算法進(jìn)行改進(jìn)和完善以外，提出性能更好且操作簡單的新算法也成為重要的研究方向之一，比如模擬亨利定律行為的亨利氣體溶解度優(yōu)化算法［4］、模擬群體免疫策略和社交距離的冠狀病毒群體免疫優(yōu)化算法［5］、模擬塘鵝覓食行為的塘鵝優(yōu)化算法［6］以及模擬數(shù)學(xué)運算符操作的算術(shù)優(yōu)化算法［1］等，這些研究不同程度地促進(jìn)了元啟發(fā)式算法的多元化發(fā)展。算術(shù)優(yōu)化算法是一種新型的元啟發(fā)式算法，其靈感來源于算術(shù)運算中的四則運算符操作（即乘法、除法、加法和減法），由于其操作簡單且尋優(yōu)速度快，所以在多個領(lǐng)域得到了廣泛的應(yīng)用和發(fā)展。Khatir等人［7］提出基于算法優(yōu)化算法的改進(jìn)人工神經(jīng)網(wǎng)絡(luò)，用于解決功能分級材料的損傷量化問題。Agushaka等人［8］ 利用自然對數(shù)和指數(shù)算子所能產(chǎn)生的高密度值來增強 AOA 的探索能力，在工程設(shè)計問題中表現(xiàn)出了優(yōu)異的性能。Premkumar等人［9］提出一種多目標(biāo)算術(shù)優(yōu)化算法，解決了真實世界中的受限多目標(biāo)優(yōu)化問題。鄭婷婷等人［10］在2021年通過引入自適應(yīng)t分布變異策略和余弦控制因子的動態(tài)邊界策略提出了一種改進(jìn)算術(shù)優(yōu)化算法，與鯨魚優(yōu)化算法、灰狼優(yōu)化算法等算法的對比實驗驗證了所改進(jìn)算法在解決大規(guī)模優(yōu)化問題時的優(yōu)異性能。蘭周新等人［11］2022年提出的多策略融合算術(shù)優(yōu)化算法提高了原算法的求解精度和收斂速度，為工程設(shè)計優(yōu)化問題提供了新的解決方案。

雖然各種元啟發(fā)式算法已經(jīng)應(yīng)用于較多復(fù)雜優(yōu)化問題，比如旅行商問題［12］、路徑規(guī)劃［13，14］、工程優(yōu)化［15］、資源分配［16］等。然而，許多實際應(yīng)用優(yōu)化屬于離散型優(yōu)化問題，如特征選擇、生產(chǎn)調(diào)度、選址問題、裝箱問題以及模型優(yōu)化問題等。為了使元啟發(fā)式算法能夠解決這些離散型問題，將連續(xù)值轉(zhuǎn)換為二進(jìn)制值提供了一種可行的研究思路，因此有必要對原始算法進(jìn)行改進(jìn)，實現(xiàn)相應(yīng)的二進(jìn)制版本。元啟發(fā)式算法的離散二進(jìn)制算法早期可追溯到Kennedy和Eberhart在1997年提出的離散二進(jìn)制粒子群算法（binary particle swarm optimization， BPSO），該算法使用sigmoid作為傳遞函數(shù)將連續(xù)運動空間映射到了離散問題空間，解決了離散變量的優(yōu)化問題。之后國內(nèi)外學(xué)者在原算法上進(jìn)行了改進(jìn)和完善，并提出了新的離散二進(jìn)制算法。Mirjalili等人［17］提出二進(jìn)制蝙蝠算法（binary bat algorithm， BBA），并通過實驗驗證了該算法在大多數(shù)基準(zhǔn)數(shù)據(jù)集上的性能優(yōu)于經(jīng)典遺傳算法和粒子群算法。Emary等人［18］基于sigmoid傳遞函數(shù)提出兩種二進(jìn)制灰狼優(yōu)化算法（binary gray wolf optimization， BGWO），并將其應(yīng)用于特征選擇領(lǐng)域，在最小化選取特征數(shù)量的同時最大限度地提高了分類精度。Arora等人［19］使用S型和V型傳遞函數(shù)提出了兩種二進(jìn)制蝴蝶優(yōu)化算法（binary butterfly optimization algorithm， BBOA），并證明了該算法在搜索特征空間和選擇分類任務(wù)中的優(yōu)勢。Pan等人［20］引入新的傳遞函數(shù)，提出二進(jìn)制版本的魚群遷徙算法（binary fish migration algorithm， BFMO），并引入了ABFMO算法解決了算法停滯和容易陷入局部最優(yōu)的問題。Faramarzi等人［21］提出二進(jìn)制版本的均衡優(yōu)化器（binary equilibrium optimizer，BiEO），對比實驗證明了與同類算法的顯著差異，同時驗證了在解決高維優(yōu)化問題時BiEO表現(xiàn)出的優(yōu)異性能。孫林等人［22］基于S型和V型傳遞函數(shù)提出二進(jìn)制哈里斯鷹優(yōu)化算法，并結(jié)合KNN（k-nearest neighbor classification）分類器實現(xiàn)兩種元啟發(fā)式特征選擇方法，在15個數(shù)據(jù)集上的實驗結(jié)果證明了所提出的基于V型傳遞函數(shù)改進(jìn)的特征選擇算法具備良好的尋優(yōu)能力與分類性能。李忠兵等人［23］提出一種粗精選策略二進(jìn)制灰狼優(yōu)化算法，實現(xiàn)了在紅外光譜特征提取方面的優(yōu)秀能力，促進(jìn)了光譜檢測技術(shù)在生物制藥等領(lǐng)域的應(yīng)用。

盡管以上研究都提出了相應(yīng)的二進(jìn)制版本的優(yōu)化算法用于探索其在二進(jìn)制型優(yōu)化方面的應(yīng)用，然而它們沒有充分考慮到種群單一性所導(dǎo)致的收斂速度慢等問題。面對優(yōu)化問題的復(fù)雜性，根據(jù)無免費午餐原理，需提出性能更加優(yōu)越的改進(jìn)算法或新算法來適應(yīng)更具挑戰(zhàn)性的實際應(yīng)用需求。

基于此，本文提出一種基于二進(jìn)制方法改進(jìn)的算術(shù)優(yōu)化算法，并引入新的sigmoid函數(shù)變體作為傳遞函數(shù)，與經(jīng)典sigmoid傳遞函數(shù)相比，收斂速度更快且尋優(yōu)精度高。其次，引入多種群策略和突變策略增強算法多樣性，子種群間執(zhí)行通信策略以防止子種群陷入局部最優(yōu)，進(jìn)一步提升算法性能。將其應(yīng)用于配電網(wǎng)故障定位中，有利于實現(xiàn)離散型配電網(wǎng)的單點故障以及多點故障的快速精準(zhǔn)定位。

2 算術(shù)優(yōu)化算法及其改進(jìn)

2.1 算術(shù)優(yōu)化算法

算術(shù)優(yōu)化算法是一種模擬數(shù)學(xué)中的算術(shù)運算符操作的新型元啟發(fā)式算法。與其他元啟發(fā)式算法類似， AOA也包括了探索（exploration）階段和開發(fā)（exploitation）階段，在探索階段，搜索代理根據(jù)乘除運算符操作進(jìn)行位置更新，保障算法全局搜索的能力；在開發(fā)階段，搜索代理根據(jù)加減運算符操作進(jìn)行位置更新，保障算法局部開發(fā)的能力。

1）數(shù)學(xué)加速器加速函數(shù)

AOA通過數(shù)學(xué)優(yōu)化器加速函數(shù)（math optimizer accelerated， MOA）選擇執(zhí)行全局搜索階段還是局部開發(fā)階段，當(dāng)r1gt;MOA時，AOA進(jìn)入全局探索階段，當(dāng)r1lt;MOA時，AOA進(jìn)入局部開發(fā)階段。MOA的計算如式（1）所示。

MOA（t）=Min+t×Max-Min T（1）

其中：r1表示0～1的隨機數(shù)；Min 與 Max分別是加速函數(shù)的最小值和最大值，為 0.2和1；T表示最大迭代次數(shù)；t表示當(dāng)前迭代。

2）探索階段

AOA利用除法運算和乘法運算操作實現(xiàn)全局搜索。當(dāng)r2gt;0.5時，AOA執(zhí)行乘法搜索策略，當(dāng)r2lt;0.5時，算法執(zhí)行除法搜索策略。探索階段的位置更新如式（2）所示。

X（t+1）=Xb（t）MOP+ξ×（（（UB－LB）×μ+LB））" r2lt;0.5

Xb（t）×MOP×（（UB－LB）×μ+LB） else （2）

其中：r2為0～1的隨機數(shù)；UB（upper bond）表示搜索空間的最大值；LB（lower bond）表示搜索空間的最小值；μ表示搜索過程中的控制參數(shù)，值為0.499；ξ為一個極小值；Xb（t）表示第t次迭代的最優(yōu)值。MOP表示數(shù)學(xué)優(yōu)化器概率（math optimizer probability），計算公式為

MOP（t+1）=1－t1/α/T1/α（3）

其中：α是一個敏感系數(shù)，表示迭代過程中的局部開發(fā)精度，取值為5。

3）開發(fā)階段

AOA利用加法運算和減法運算進(jìn)行局部開發(fā)，當(dāng)r3gt;0.5時算法執(zhí)行加法運算，當(dāng)r3lt;0.5時算法執(zhí)行減法運算，位置更新公式為

X（t+1）=Xb（t）－MOP×（（UB－LB）×μ+LB" r3lt;0.5

Xb（t）+MOP×（（UB－LB）×μ+LBelse （4）

其中：r3表示0～1的隨機數(shù)。

AOA的具體流程如圖1所示。

2.2 多種群二進(jìn)制算術(shù)優(yōu)化算法

2.2.1 傳遞函數(shù)

在AOA中，算術(shù)運算得到的是連續(xù)值，而在二進(jìn)制算術(shù)優(yōu)化算法中，算術(shù)運算符操作只能在搜索空間中獲取{0，1}的值。在空間中利用這兩個值可以解決許多的優(yōu)化問題，比如特征選擇、機組組合、生產(chǎn)調(diào)度等。雖然AOA在連續(xù)型空間中表現(xiàn)良好，但該算法仍然缺乏二進(jìn)制版本。

為了將連續(xù)空間轉(zhuǎn)換為二進(jìn)制空間，二進(jìn)制元啟發(fā)式算法通常采用傳遞函數(shù)將位置映射到［0，1］，然后將映射后的概率值與［0，1］的隨機數(shù)進(jìn)行比較，以此確定位置取值是0或1。傳遞函數(shù)的取值決定著0和1的切換速率，因此傳遞函數(shù)對于二進(jìn)制元啟發(fā)式算法的性能有著重要影響，常用的四種S型傳遞函數(shù)如圖2（a）所示。此時當(dāng)x取值較大時仍有較大概率取值不為1，與原目標(biāo)相矛盾，因此有必要對該函數(shù)進(jìn)行拉伸，二進(jìn)制算術(shù)優(yōu)化算法采用修正后的sigmoid函數(shù)變體作為傳遞函數(shù)，其圖像如圖2（b）的S曲線。

在AOA中，算術(shù)運算隨機改變在連續(xù)空間中的位置，而在BAOA中，空間僅限制于由0和1組成的超立方體，不能在空間內(nèi)任意選擇位置。此時為了使AOA適應(yīng)二進(jìn)制搜索空間，有必要對AOA的模型進(jìn)行修改。同時，為了充分利用AOA逃避局部最優(yōu)的能力，不應(yīng)對算法進(jìn)行過度調(diào)整。AOA中的位置更新如式（2）（4）所示，此時當(dāng)取得二進(jìn)制的0值時，BAOA在探索階段無法跳出局部解，因此需要對探索階段的式（2）進(jìn)行改進(jìn)，改進(jìn)計算方式如式（5）所示 。

X（t+1）=Xb（t）+（-1）randi（［0，1］）MOP+ξ×（（（UB-LB）×μ+LB）） ""r2lt;0.5

（Xb（t）+（-1）randi （［0，1］））×MOP×（（UB-LB）×μ+LB）" else（5）

此時探索階段通過式（5）進(jìn)行位置更新，開發(fā)階段通過式（4）進(jìn)行更新，為完成從連續(xù)算法到二進(jìn)制算法的過渡，仍需要利用傳遞函數(shù)執(zhí)行另一次位置更新。此時需要將式（4）（5）獲得的位置值通過式（6）（7）再次執(zhí)行更新，這時已經(jīng)成功地將連續(xù)值限制到{0，1}。

trans_val=1/（1+exp（－5×（Xb－0.5）））（6）

Xb=1" trans_val≥rand0" else（7）

從式（6）可以看出，與常用S型傳遞函數(shù)相比，所提出的修正傳遞函數(shù)斜率更高，這增大了二進(jìn)制算法的0與1的切換速率，保障了算法的快速收斂能力。同時，由于搜索代理的位置被限制在了{(lán)0，1}，所以修正傳遞函數(shù)向右平移0.5個單位，以保證0和1取值的公平性。假設(shè)當(dāng)x取值為0.8時，對比修正傳遞函數(shù)和常用S型傳遞函數(shù)的值可得，修正S型傳遞函數(shù)的y值為0.817 6，其他S型傳遞函數(shù)的y值分別為0.832 0、0.690 0、0.598 7以及0.566 3，這些值表示了連續(xù)位置值轉(zhuǎn)換為1的概率。當(dāng)搜索代理位置發(fā)生移動時，例如向左移動0.1個單位，此時修正S型傳遞函數(shù)的y值變化為0.731 1，變化差值為0.086 5，其他傳遞函數(shù)的y值分別變化為0.802 2、0.668 2、0.586 6和0.558 1，差值分別為0.029 8、0.021 8、0.012 1以及0.008 2，均小于修正S型傳遞函數(shù)的值，這表明所提修正傳遞函數(shù)擁有更高的0和1切換概率，有利于避免算法陷入局部最優(yōu)。

2.2.2 多種群策略和突變策略

為進(jìn)一步提升二進(jìn)制算術(shù)優(yōu)化算法的性能，引入多種群策略和突變策略實現(xiàn)一種多種群二進(jìn)制算術(shù)優(yōu)化算法（multi-swarm binary arithmetic optimization algorithms，MS-BAOA）。其中，多種群策略表示為將整個種群劃分為2個規(guī)模相同的子種群，每個子種群獨立進(jìn)行迭代并通過通信策略進(jìn)行交流，通信過程交換部分個體。通信策略對子種群的性能有著重要的影響，MS-BAOA采用兩種適合于算術(shù)優(yōu)化算法的子種群通信策略。如圖3所示，通信策略1表示算法每執(zhí)行K次迭代，子種群1和2的最優(yōu)個體被全局最優(yōu)個體替換；通信策略2表示算法每執(zhí)行M次迭代，子種群1和2交換最優(yōu)個體。

盡管多種群策略增加了算法的種群多樣性，然而由于算術(shù)優(yōu)化算法僅通過種群最優(yōu)值進(jìn)行位置更新的獨特機制，使算法容易陷入局部最優(yōu)。所以通過引入突變策略進(jìn)一步增加種群多樣性，防止算法過早收斂。如圖4所示，突變策略表示為每次迭代后都對種群最優(yōu)個體隨機選取dim/2個維度值進(jìn)行突變，突變后的新個體重新計算適應(yīng)度，如果新個體的適應(yīng)度值優(yōu)于原始個體，則替換突變前的個體進(jìn)入下次迭代，否則，仍保留原始個體。

基于以上策略，實現(xiàn)多種群二進(jìn)制算術(shù)優(yōu)化算法（multi-swarm binary arithmetic optimization algorithms，MS-BAOA）的主要流程如圖5所示。

3 性能對比實驗

3.1 不同傳遞函數(shù)對比

為評估MS-BAOA的性能以及所提策略對算法性能的影響，選取了CEC2013基準(zhǔn)測試函數(shù)中的11個函數(shù)對MS-BAOA以及BAOA_S、BAOA_S1、BAOA_S2、BAOA_S3、BAOA_S4進(jìn)行測試。其中，MS-BAOA表示所提基于突變策略的多種群二進(jìn)制算術(shù)優(yōu)化算法， BAOA_S表示使用修正傳遞函數(shù)并不使用多種群策略和突變策略的二進(jìn)制算術(shù)優(yōu)化算法，BAOA_S1、BAOA_S2、BAOA_S3、BAOA_S4分別表示使用S1、S2、S3、S4傳遞函數(shù)但不使用所提出策略的二進(jìn)制算術(shù)優(yōu)化算法，S1、S2、S3、S4表達(dá)式在圖2中列出。

由于CEC2013測試函數(shù)是針對連續(xù)型算法進(jìn)行測試的函數(shù)集，所以考慮由0和1組成的矩陣空間在CEC2013上的最佳解為二進(jìn)制算法的最優(yōu)解，當(dāng)二進(jìn)制算法越貼近該最佳解時，證明算法的性能越優(yōu)。由于每一維度的搜索空間被限制在了{(lán)0，1}，所以對于30維的CEC2013測試函數(shù)來說，二進(jìn)制算法的搜索空間為230。

為保證實驗的公平性，每種算法的總體規(guī)模設(shè)置為30，最大迭代次數(shù)為200次，實驗運行 30次。BAOA族算法對比實驗結(jié)果如表1所示，AVG表示30次獨立實驗的平均值，STD表示標(biāo)準(zhǔn)差，RANK表示Friedman檢驗平均排名?？梢钥闯?，BAOA_S相比于BAOA_S1、BAOA_S2、BAOA_S3、BAOA_S4表現(xiàn)更加出色，僅在f7、 f8、 f13上未達(dá)到最優(yōu)，整體排名第一，這表明了所提出的修正傳遞函數(shù)相比于傳統(tǒng)S型傳遞函數(shù)性能更優(yōu)，驗證了所提出的傳遞函數(shù)的有效性。進(jìn)一步，將使用多種群策略和突變策略的MS-BAOA與未使用多種群策略和突變策略的BAOA_S相比，由于MS-BAOA和BAOA_S都是使用修正后的傳遞函數(shù)，所以兩者在測試函數(shù)上的表現(xiàn)差異證明了所提出的多種群策略和突變策略的有效性。 同時，MS-BAOA和BAOA_S1、BAOA_S2、BAOA_S3、BAOA_S4相比，MS-BAOA在11個函數(shù)中的9個函數(shù)上排名第一，僅在f8和f13上沒有達(dá)到最佳，表明所提出的修正傳遞函數(shù)和多種群策略以及突變策略對提升算法性能是有效的。

3.2 與其他二進(jìn)制算法對比

為進(jìn)一步驗證MS-BAOA的性能，將MS-BAOA與經(jīng)典二進(jìn)制算法BPSO、BGWO、BFMO以及BiEO進(jìn)行對比，每種算法的種群規(guī)模設(shè)置為30，最大迭代次數(shù)為200次，實驗結(jié)果取30次獨立實驗的平均值。

實驗結(jié)果如表2所示，從表中數(shù)據(jù)可以看出，MS-BAOA在11個函數(shù)中的9個函數(shù)上排名第一，僅在f1函數(shù)上差于BiEO，在f8函數(shù)上差于BFMO，整體排名第一，優(yōu)于其他四種算法，這證明了所提MS-BAOA在解決二進(jìn)制優(yōu)化問題上具有一定的優(yōu)越性。

4 配電網(wǎng)故障區(qū)段定位

配電網(wǎng)的運行狀況復(fù)雜多變，相比輸電網(wǎng)而言更容易受到天氣因素和人為因素的影響，因此所遭受故障的概率也遠(yuǎn)大于輸電網(wǎng)。根據(jù)數(shù)據(jù)統(tǒng)計，超過80%的停電事故起源于配電網(wǎng)故障。因此，快速、準(zhǔn)確地實現(xiàn)配電網(wǎng)故障區(qū)段定位有利于保障供電的可靠性和連續(xù)型，對提高配電網(wǎng)運行效率具有重要的意義。本章應(yīng)用MS-BAOA解決配電網(wǎng)故障區(qū)段定位問題，以探究MS-BAOA在實際應(yīng)用的有效性。

4.1 配電網(wǎng)故障區(qū)段定位原理

1）區(qū)段狀態(tài)編碼

配電網(wǎng)中的重要設(shè)備包括斷路器、分段開關(guān)、聯(lián)絡(luò)開關(guān)等，這些設(shè)備在區(qū)段定位中被稱為節(jié)點。它們將配電線路分成了多個小段，這些小段稱之為區(qū)段。當(dāng)配電網(wǎng)發(fā)生故障時，采集節(jié)點的故障信息就能夠判定出故障的發(fā)生區(qū)段。配電網(wǎng)線路的區(qū)段狀態(tài)用si表示，其編碼規(guī)則如下：

si=1" 區(qū)段存在故障0" 區(qū)段不存在故障 （8）

2）節(jié)點狀態(tài)編碼

配電網(wǎng)的開關(guān)即節(jié)點的狀態(tài)用Ij表示，對于傳統(tǒng)的輻射型配電網(wǎng)，其編碼規(guī)則如下：

Ij=1" 有故障電流通過0" 無故障電流通過 （9）

3）期望函數(shù)

當(dāng)輻射型配電網(wǎng)某區(qū)段發(fā)生故障時，只有靠近電源上游的節(jié)點才能產(chǎn)生故障電流，遠(yuǎn)離電源的下游節(jié)點不能產(chǎn)生故障電流。因此輻射型配電網(wǎng)中同一條主線路的各分段開關(guān)的期望函數(shù)構(gòu)建規(guī)則如下：

I*i=s1∪s2∪…∪si（10）

其中：I*i表示節(jié)點i狀態(tài)的期望值；si表示處于相關(guān)節(jié)點 i下游的區(qū)段狀態(tài)的假設(shè)值。

如圖6所示，圖中S表示電源，K1～K14表示斷路器節(jié)點，每個斷路器上均有一個饋線終端單元（feeder terminal unit，

FTU），可以反饋斷路器開關(guān)是否過流，用于表示上傳的故障信息，S1～S14表示區(qū)段。

當(dāng)S10發(fā)生故障，其他區(qū)段正常時，此時區(qū)段狀態(tài)假設(shè)為

［S1－S14］=［00000000010000］（11）

此時根據(jù)式（10）可計算出非故障支路上所有節(jié)點狀態(tài)的期望值。

I*1=s1∪s2∪s3∪s4∪s5∪s6=0I*2=s2∪s3∪s4∪s5∪s6=0I*3=s3∪s4∪s5∪s6=0I*4=s4∪s5∪s6=0I*5=s5∪s6=0I*6=s6=0I*7=s7∪s8∪s9∪s10∪s11∪s12∪s13∪s14=1I*8=s8∪s9∪s10∪s11∪s12∪s13∪s14=1I*9=s9∪s10∪s11∪s12∪s13∪s14=1I*10=s10∪s11∪s12∪s13∪s14=1

I*11=s11∪s12∪s13∪s14=0

I*12=s12∪s13∪s14=0

I*13=s13∪s14=0

I*14=s14=0 （12）

因此可得所有節(jié)點的期望值為

［I*1－I*14］=［00000011110000］（13）

如果真實故障發(fā)生在區(qū)段S10，則節(jié)點狀態(tài)的真實值為

［I*1－I*14］=［00000011110000］（14）

對比兩種結(jié)果可以發(fā)現(xiàn)，期望值和真實值相同，因此期望函數(shù)式（8）真實刻畫了輻射型配電網(wǎng)的電流走向。

4.2 構(gòu)建適應(yīng)度函數(shù)

基于各饋線區(qū)段狀態(tài)的真實信息與實際上傳的故障信息偏差最小的原則，構(gòu)造適應(yīng)度函數(shù)如式（15）所示。

fitness=∑Dimj=1|Ij－I*j（Sj）|+ω∑Dimj=1|Sj|（15）

其中：Ij表示第j個開關(guān)節(jié)點FTU上傳的故障信息；I*j（Sj）表示第j個開關(guān)節(jié)點的期望狀態(tài)；Dim表示配電網(wǎng)中的饋線區(qū)段的總數(shù)；Sj表示第j個區(qū)段的故障狀態(tài)；ω∑Dimj=1|Sj|表示權(quán)系數(shù)與故障設(shè)備數(shù)的乘積；ω是根據(jù)故障診斷理論中的“最小集”概念設(shè)置的權(quán)重系數(shù)，其值在0～1，用于表明故障區(qū)間數(shù)越少解越優(yōu)，避免出現(xiàn)誤診斷，設(shè)置ω=0.5；fitness表示每個潛在解所對應(yīng)的適應(yīng)度值，值越小表示越貼近真實信息，因此適應(yīng)度函數(shù)應(yīng)取極小值。

4.3 實驗及結(jié)果分析

利用MS-BAOA設(shè)計配電網(wǎng)故障定位實驗，通過構(gòu)建兩種輻射型電網(wǎng)模型搭建多種不同實驗場景，兩種電網(wǎng)模型如圖7所示，其中S表示電源，Ki表示斷路器節(jié)點，Si表示配電網(wǎng)區(qū)段。

在輻射型電網(wǎng)模型1中，共有14個斷路器節(jié)點，分別設(shè)置單點故障區(qū)段為S10和多點故障區(qū)段為S2、S10兩種實驗場景；在輻射型電網(wǎng)模型2中，共有12個斷路器節(jié)點，設(shè)置多點故障區(qū)段為S5、S6和S5、S8、S11兩種實驗場景，分別進(jìn)行獨立實驗。種群大小規(guī)模設(shè)置為10，最大迭代次數(shù)為200，實驗結(jié)果取10次平均值，實驗環(huán)境如表3所示。

將MS-BAOA與BPSO、BGWO、BFMO以及BiEO進(jìn)行實驗對比，多次實驗結(jié)果的平均值如表4所示，每隔5次迭代的實驗結(jié)果收斂曲線如圖8所示?？梢钥闯觯琈S-BAOA和BiEO在四種實驗場景中都得到了最佳值，除了在模型2中的S5、S6故障區(qū)段場景中收斂速度低于BiEO，在其他場景中均優(yōu)于其他四種算法，這表明了相比于其他算法，MS-BAOA收斂速度更快、精度更高，能夠在較短時間內(nèi)找到最佳解，并準(zhǔn)確輸出故障區(qū)段，驗證了MS-BAOA在解決輻射型配電網(wǎng)故障區(qū)段定位上的有效性。

在單點故障發(fā)生時，如模型1的S10區(qū)段發(fā)生短路故障，此時FTU上報故障信息為［00000011110000］，表明節(jié)點開關(guān)7～10經(jīng)歷了故障電流，經(jīng)過MS-BAOA算法計算，輸出結(jié)果為［00000000010000］，顯示饋線區(qū)段S10發(fā)生故障，準(zhǔn)確實現(xiàn)了電網(wǎng)模型1中的單點故障定位。多點故障發(fā)生時，如模型2中的S5、S8、S11發(fā)生相間短路故障時，此時FTU上報故障信息為［111111110010］，表明節(jié)點開關(guān)1～8、11經(jīng)歷了故障電流，經(jīng)過MS-BAOA算法計算，輸出結(jié)果為［000010010010］，顯示饋線區(qū)段S5、S8、S11發(fā)生故障，準(zhǔn)確實現(xiàn)了電網(wǎng)模型2中的多點故障定位。

5 結(jié)束語

針對算術(shù)優(yōu)化算法無法解決二進(jìn)制優(yōu)化問題的局限性，提出了一種引入sigmoid函數(shù)變體實現(xiàn)的二進(jìn)制算術(shù)優(yōu)化算法BAOA_S，突破了AOA在處理離散二進(jìn)制型優(yōu)化問題上的局限性。進(jìn)一步地，提出一種基于突變策略的多種群算術(shù)優(yōu)化算法，即MS-BAOA，解決了BAOA_S收斂速度慢、求解精度低的問題。通過與其他算法在CEC2013基準(zhǔn)測試函數(shù)上的對比，驗證了MS-BAOA的優(yōu)勢。將MS-BAOA應(yīng)用于輻射型配電網(wǎng)故障定位中，能夠快速準(zhǔn)確地定位單點以及多點故障區(qū)段，較好地滿足了配電網(wǎng)故障定位實時準(zhǔn)確的要求，進(jìn)一步驗證了該算法在實際應(yīng)用中的有效性。未來工作中，將進(jìn)一步探究MS-BAOA在解決大規(guī)模二進(jìn)制優(yōu)化問題中的具體表現(xiàn)和改進(jìn)策略，并嘗試將代理模型與MS-BAOA相結(jié)合，用于解決昂貴優(yōu)化問題。

參考文獻(xiàn)：

［1］Abualigah L， Diabat A， Mirjalili S， et al. The arithmetic optimization algorithm［J］. Computer Methods in Applied Mechanics and Engineering， 2021， 376： 113609.

［2］鄭濤， 馬龍， 李博文. 基于饋線終端裝置信息畸變校正的有源配電網(wǎng)故障區(qū)段定位［J］. 電網(wǎng)技術(shù)， 2021， 45（10）： 3926-3935. （Zheng Tao， Ma Long， Li Bowen. Fault section location of active distribution network based on feeder terminal unit information distortion correction ［J］. Power System Technology， 2021， 45（10）： 3926-3935.）

［3］Kennedy J， Eberhart R C. A discrete binary version of the particle swarm algorithm ［C］// Proc of IEEE International Conference on Systems， Man， and Cybernetics. Computational Cybernetics and Simu-lation. Piscataway， NJ： IEEE Press， 1997： 4104-4108.

［4］Hashim F A， Houssein E H， Mabrouk M S， et al. Henry gas solubility optimization： a novel physics-based algorithm ［J］. Future Gene-ration Computer Systems， 2019， 101： 646-667.

［5］Al-Betar M A， Alyasseri Z A A， Awadallah M A， et al. Coronavirus herd immunity optimizer （CHIO） ［J］. Neural Computing and App-lications， 2021， 33（10）： 5011-5042.

［6］Pan J S， Zhang Ligang， Wang Ruobin， et al. Gannet optimization algorithm： a new metaheuristic algorithm for solving engineering optimization problems ［J］. Mathematics and Computers in Simulation， 2022， 202： 343-373.

［7］Khatir S， Tiachacht S， Le Thanh C， et al. An improved artificial neural network using arithmetic optimization algorithm for damage assessment in FGM composite plates ［J］. Composite Structures， 2021， 273： 114287.

［8］Agushaka J O， Ezugwu A E. Advanced arithmetic optimization algorithm for solving mechanical engineering design problems ［J］. PLoS One， 2021， 16（8）： e0255703.

［9］Premkumar M， Jangir P， Kumar B S， et al. A new arithmetic optimization algorithm for solving real-world multiobjective CEC-2021 constrained optimization problems： diversity analysis and validations ［J］. IEEE Access， 2021， 9： 84263-84295.

［10］鄭婷婷， 劉升， 葉旭. 自適應(yīng)t分布與動態(tài)邊界策略改進(jìn)的算術(shù)優(yōu)化算法 ［J］. 計算機應(yīng)用研究， 2022， 39（5）： 1410-1414. （Zheng Tingting， Liu Sheng， Ye Xu. Arithmetic optimization algorithm based on adaptive t-distribution and improved dynamic boundary strategy ［J］. Application Research of Computers， 2022， 39（5）： 1410-1414.）

［11］蘭周新， 何慶. 多策略融合算術(shù)優(yōu)化算法及其工程優(yōu)化［J］. 計算機應(yīng)用研究， 2022， 39（3）： 758-763. （Lan Zhouxin， He Qing. Multi-strategy fusion arithmetic optimization algorithm and its application of project optimization［J］. Application Research of Compu-ters， 2022， 39（3）： 758-763.）

［12］申曉寧， 潘紅麗， 陳慶洲， 等. 引入啟發(fā)信息的粒子群算法在低碳TSP中的應(yīng)用 ［J］. 計算機工程與科學(xué)， 2022， 44（6）： 1114-1125. （Shen Xiaoning， Pan Hongli， Chen Qingzhou， et al. Application of particle swarm optimization with heuristic information in low-carbon TSP ［J］. Computer Engineering and Science， 2022， 44（6）： 1114-1125.）

［13］張亞林， 李曉松. 改進(jìn)AOA結(jié)合貝塞爾曲線平滑的機器人路徑規(guī)劃 ［J］. 計算機工程與設(shè)計， 2023， 44（10）： 3170-3178. （Zhang Yalin， Li Xiaosong. Robot path planning based on improved archimedes optimization algorithm and Bezier curve smoothing ［J］. Computer Engineering and Design， 2023， 44（10）： 3170-3178.）

［14］黃志鋒， 劉媛華， 任志豪， 等. 融合改進(jìn)哈里斯鷹和改進(jìn)動態(tài)窗口的機器人動態(tài)路徑規(guī)劃 ［J］. 計算機應(yīng)用研究， 2024， 41（2）： 450-458. （Huang Zhifeng， Liu Yuanhua， Ren Zhihao， et al. Research on mobile robot dynamic path planning based on improved Harris hawk algorithm and improved dynamic window algorithm ［J］. Application Research of Computers， 2024， 41（2）： 450-458.）

［15］Salgotra R， Singh U， Singh S， et al. Self-adaptive salp swarm algorithm for engineering optimization problems［J］. Applied Mathema-tical Modelling， 2021， 89： 188-207.

［16］Pham Q V， Mirjalili S， Kumar N， et al. Whale optimization algorithm with applications to resource allocation in wireless networks ［J］. IEEE Trans on Vehicular Technology， 2020， 69（4）： 4285-4297.

［17］Mirjalili S， Mirjalili S M， Yang Xinshe. Binary bat algorithm ［J］. Neural Computing and Applications， 2014， 25（3）： 663-681.

［18］Emary E， Zawbaa H M， Hassanien A E. Binary grey wolf optimization approaches for feature selection［J］. Neurocomputing， 2016， 172： 371-381.

［19］Arora S， Anand P. Binary butterfly optimization approaches for feature selection［J］. Expert Systems with Applications， 2019， 116： 147-160.

［20］Pan J S， Hu Pei， Chu Shuchuan. Binary fish migration optimization for solving unit commitment ［J］. Energy， 2021， 226： 120329.

［21］Faramarzi A， Mirjalili S， Heidarinejad M. Binary equilibrium optimizer： theory and application in building optimal control problems ［J］. Energy and Buildings， 2022， 277： 112503.

［22］孫林， 李夢夢， 徐久成. 二進(jìn)制哈里斯鷹優(yōu)化及其特征選擇算法 ［J］. 計算機科學(xué)， 2023， 50（5）： 277-291. （Sun Lin， Li Mengmeng， Xu Jiucheng. Binary Harris hawk optimization and its feature selection algorithm ［J］. Computer Science， 2023， 50（5）： 277-291.）

［23］李忠兵， 蔣川東， 梁海波， 等. 粗精選策略二進(jìn)制灰狼優(yōu)化算法用于紅外光譜特征選擇［J］. 光譜學(xué)與光譜分析， 2023， 43（10）： 3067-3074. （Li Zhongbin， Jiang Chuandong， Liang Haibo， et al. Rough and fine selection strategy binary gray wolf optimization algorithm for infrared spectral feature selection ［J］. Spectroscopy and Spectral Analysis， 2023， 43（10）： 3067-3074.）