Page 31 - 2023年第54卷第2期

P. 31

５．４Ｍε －ＯＩＤＥ算法的性能分析为进一步验证Ｍ ε －ＯＩＤＥ
算法求解水库防洪调度时的性能，在相同的条件下，
采用结合约束技术的粒子群算法（ＰＳＯ）、萤火虫算法
（ＦＡ），Ｚ－ ε －ＤＥ算法和ＴＳ－ ε －ＤＥ算法对该问题进行求
解。各算法参数设置见表４。为了避免随机性差异，每
种算法独立运行１０次，记录目标函数值，以及搜索结
果的最小值、平均值、标准差等５个评价指标，结果见
表５。可以发现，多次运算后，Ｍ ε －ＯＩＤＥ算法的最小
值、平均值、标准差和最大值最小，认为该算法稳定，
精度较高。不幸的是，ＰＳＯ和ＦＡ算法未能寻找到可行
图５Ｍ ε －ＯＩＤＥ迭代曲线
的调度方案，其各自的洪水调蓄过程图如图６—７所示，
此处仅列出潘家口水库调蓄过程，其所求目标函数值和调度统计结果不再列入相应表中。因此，原始
的粒子群算法（ＰＳＯ）、萤火虫算法（ＦＡ）的优化算法是难以处理如此复杂的约束问题，需要算力更高，
性能更好的约束进化算法。
其余三种算法的防洪调度统计结果如表６所列，其中Ｚ－ ε －ＤＥ算法和ＴＳ－ ε －ＤＥ算法对滦县控制
点最大洪峰流量削峰率分别为３０．０４％和３２．０３％，均小于Ｍ ε －ＯＩＤＥ算法的削峰效果。上述分析结果表
明，Ｍ ε －ＯＩＤＥ水库防洪调度求解效果更佳。

表４算法参数设置
算法参数
４
ＴＳ－ ε －ＤＥｎ＝２００，Ｔ＝２００００，ＣＲ＝ｒａｎｄ（０．８５，０．９５），ε ＝１ × １０，ＣＬ＝ｉｎｆ
Ｚ－ ε －ＤＥｎ＝２００，Ｔ＝２００００，ＣＲ＝ｒａｎｄ（０．８５，０．９５），ε ＝１ × １０４
Ｍ ε －ＯＩＤＥｎ＝２００，Ｔ＝２００００，ＣＲ＝ｒａｎｄ（０．８５，０．９５），ＣＬ＝ｉｎｆ
＝
＝
ＰＳＯｎ＝２００，Ｔ＝２００００，ＣＬ＝ｉｎｆ，惯性权重ｗ＝０．９，学习因子ｃ１２，ｃ２２
＝
ＦＡｎ＝２００，Ｔ＝２００００，α ＝０．２，ＣＬ＝ｉｎｆ，光源吸引力 β ０１，光吸收率 γ ＝１
表５Ｍε －ＯＩＤＥ算法与Ｚ－ ε －ＤＥ算法、ＴＳ－ ε －ＤＥ算法优化目标函数值比较
Ｍ ε －ＯＩＤＥＴＳ－ ε －ＤＥＺ－ ε －ＤＥ
第一次０．３９３１０．３４７５０．３６３２
第二次０．３８１００．３８４９０．３７８９
第三次０．３６４５０．３９４８０．４１５２
第四次０．３７７４０．３４８７０．３４５２
第五次０．３４４４０．３８３５０．３４６３
第六次０．３５１２０．３８７１０．３６７２
第七次０．３５５９０．３６８９０．３８６０
第八次０．３６８８０．３７０１０．３８６０
第九次０．３９４５０．３４５００．３５８４
第十次０．３６４２０．３８６８０．３５５３
最小值０．３４４４０．３４５００．３４５２
平均值０．３６９５０．３７１７０．３７０１
中位值０．３６６７０．３７６７０．３６５２
标准差０．０１６９０．０１８７０．０２１６
最大值０．３９４４０．３９４８０．４１５２

— １５５ —

26 27 28 29 30 31 32 33 34 35 36