[发明专利]基于多目标粒子群优化算法的电力物资保障及调配平台

说明书

本发明公开了一种基于多目标粒子群优化算法的电力物资保障及调配平台，包括:储备优化结果库、物资需求信息库、多目标粒子群优化算法模块、算法评价校验模块、优化方案生成。发明利用多目标粒子群优化(MPSO)算法，采集电力物资历史储备数据，业扩新装、应急抢修、日常抢修多项工作开展的物资需求清单，以及应急灾害类别、抢修紧急程度等相关数据，生成电力物资保障及调配多目标优化方案。用户通过该平台，能够快速优化某种灾害或事件发生后对各种电力物资的需求量，指导相关部门按需储备或采购物资，保证电力安全生产的顺利进行，同时避免过量储备导致的资金浪费。

技术领域：

本发明涉及一种基于多目标粒子群优化算法的电力物资保障及调配平台。

背景技术：

电力企业物资储存量是相当庞大的，且电力企业生产又具有很强的社会供应性，容易受到外部因素影响，其存储周期相对漫长，几个月到几十个月都有，且存储量大，采购周期较长。因为电力行业的特殊性，电力生产技术更新较为频繁，电力物资仓储管理尤为繁重，对管理人员也有着很大的考验。对于电力企业来说，提高电力物资仓储管理效率，建立电力物资协调联动调拨机制，能够降低企业运转成本，并更合理地分配储备库存，提高电力物资的利用率。

在电力物资保供应工作中，以往物资储备管理不能满足物资保供电要求，特别是对于应急抢修和业扩报装项目的时限要求，需进一步优化电力物资储备种类和数量，健全快速、灵活、有效的电力物资调配机制，以便同时满足业扩新装、应急抢修、日常抢修多项工作开展的需要。采用多目标粒子群优化算法来建立电力物资保障及调配平台，就可以更好地利用信息技术手段，为电力企业提供物资保障及调配多目标优化方案。以便进一步提高电力物资保障能力，优化电力物资储备库存分配，并合理减少资金占用，实现电力生产的安全可靠。

在实际工作中，衡量一个方案的好坏往往难以用一个指标来判断，而需要多个指标进行比较，这些指标有时是不可协调甚至矛盾的，那么在给定条件下同时要求多个目标都尽可能的好，并为之确定一个合理的方案就是多目标优化问题。由于多目标优化问题在各种实际问题中大量存在，与单目标优化相比，多目标优化显得更加重要，因此多目标优化成为最优化领域的一个重要研究方向。对多目标优化问题寻求单一最优解是不现实的，通常多目标优化是产生一组可选的折衷解，由决策过程在可选解集中做出最终的选择。多目标优化的思想萌芽于经济学中的效用理论。从20世纪60年代以来，多目标优化问题吸引了越来越多不同背景的研究人员的注意力，无论在优化理论或应用方面都迅速、蓬勃的开展起来，如1968年，Z.J ohnsen系统地提出了关于多目标决策模型的研究报告。人们设计了多种求解多目标优化问题的方法，并运用它们解决各种实际问题，取得了一定效果。

传统的多目标算法是将多目标问题转换成单目标问题后利用成熟的单目标优化算法求解，其缺点是一次优化求解只能求出一个解。随着优化研究的深入，出现越了越来越多更复杂的优化问题，这些问题通常涉及很多因素，优化问题的模型难以描述，且自变量维数很多，使得计算量大大增加，这类问题可利用信息较少，因此很难设计出通用的优化算法。随着计算机技术的成熟，生命科学与工程科学相互交叉渗透和影响，为人工智能的发展提供了理论基础。其中进化计算作为一类优化技术，通过模拟生物进化过程与机制来求解问题，为解决复杂的多目标优化问题提供了新的思路和方法，受到了人们极大地关注。进化计算技术是一种更为宏观意义下的仿生优化算法，通过对达尔文的“优胜劣汰，适者生存”的进化原理及孟德尔等人的遗传变异理论的模拟，在优化过程中建立类似于自然界生物的进化过程与机制，来达到求解优化与搜索问题的目的。作为进化计算的一个研究方向，群体智能是以社会性动物的群体行为和人工生命理论为基础，研究各种群体行为的内在原理，并以这些原理为基础设计出新的问题求解方法。粒子群算法(particle swarmoptimization,PS0)作为群体智能算法的一种，在优化问题上能够成功地进行应用。PSO算法不要求被优化函数具有可微、可导、连续等性质，并且具有收敛速度快，算法简单，容易实现，控制参数少，计算速度快等特点。由于PSO算法的上述优点，它不但被用来解决单目标优化问题，而且越来越广泛地被应用于多目标优化问题求解上。

发明内容：