基于遗传算法的能源结构多目标优化模型的研究

多目标优化问题一直是能源科学和工程研究领域的难点和热点问题。而遗传算法可以处理大的问题空间,在一个进化代内得到多个可行解,且对问题没有先验知识的要求。因此,采用遗传算法求解能源优化问题成为这一领域的发展趋势。在实际应用中,能源优化问题中的随机性和模糊性,使得考虑客观存在的模糊优化更加符合工程实际。但是由于遗传算法本身的局限性,使得目前求解模糊多目标优化问题存在一些缺陷。鉴于此,对多目标遗传算法和模糊优化相关理论方法进行研究和实验分析。在此基础上,将可行方向以及隶属函数的思想引入遗传算法,并将其应用于能源模糊优化模型的求解。 在遗传算法的变异操作中引入可行方向法的理论,这种方法能够将个体沿着可行方向引向最优解区域,从而迅速接近最优解集。将隶属函数的概念引入传统GA,通过对个体违背约束的评价,把不可行解的信息嵌入到适应度函数中。并提出一种自适应的评价函数,采用新的权重调整方法,从而获得朝向正理想点的搜索压力。将环境、经济等因素纳入传统的能源优化中,建立带有多个模糊目标和模糊约束的经济、能源和环境(FOLP-3E)模型。针对这一类模糊多目标优化问题,提出一种最佳满意度法,将模糊模型转化成清晰模型,采用基于交互式的遗传算法对其求解。并实例证明该算法的有效性。结果表明模型和算法对于能源优化预测是可行的。