随着能源利用终端多能耦合程度的加深,配电网网络重构需充分考虑多能耦合之间的影响,以配电网快速灵活的重构操作提升综合能源系统的优化水平。基于此,建立了考虑配电网网络重构的电-气综合能源系统(integrated electricpowerandnatural...随着能源利用终端多能耦合程度的加深,配电网网络重构需充分考虑多能耦合之间的影响,以配电网快速灵活的重构操作提升综合能源系统的优化水平。基于此,建立了考虑配电网网络重构的电-气综合能源系统(integrated electricpowerandnaturalgassystem,IEGS)优化运行模型。一方面,在最小化IEGS运行成本的基础上,利用条件风险价值理论(conditional value at risk, CVaR)量化IEGS源-荷不确定性所带来的运行风险,将其折算为成本统一到目标函数中;另一方面,考虑多能耦合约束,将配电网络重构映射到IEGS运行优化模型中,潮流模型中引入重构开关控制变量,构建支路开断潮流约束和配电网辐射状约束,并对其进行线性化处理。算例结果表明,在IEGS中考虑配电网网络重构可提升IEGS运行能力,而利用CVaR计及了源荷不确定性,使得IEGS中配电网重构结果更具鲁棒性。展开更多
动态障碍物一直是阻碍智能体自主导航发展的关键因素,而躲避障碍物和清理障碍物是两种解决动态障碍物问题的有效方法。近年来,多智能体躲避动态障碍物(避障)问题受到了广大学者的关注,优秀的多智能体避障算法纷纷涌现。然而,多智能体清...动态障碍物一直是阻碍智能体自主导航发展的关键因素,而躲避障碍物和清理障碍物是两种解决动态障碍物问题的有效方法。近年来,多智能体躲避动态障碍物(避障)问题受到了广大学者的关注,优秀的多智能体避障算法纷纷涌现。然而,多智能体清理动态障碍物(清障)问题却无人问津,相对应的多智能体清障算法更是屈指可数。为解决多智能体清障问题,文中提出了一种基于深度确定性策略梯度与注意力Critic的多智能体协同清障算法(Multi-Agent Cooperative Algorithm for Obstacle Clearance Based on Deep Deterministic Policy Gradient and Attention Critic, MACOC)。首先,创建了首个多智能体协同清障的环境模型,定义了多智能体及动态障碍物的运动学模型,并根据智能体和动态障碍物数量的不同,构建了4种仿真实验环境;其次,将多智能体协同清障过程定义为马尔可夫决策过程(Markov Decision Process, MDP),构建了多智能体t的状态空间、动作空间和奖励函数;最后,提出一种基于深度确定性策略梯度与注意力Critic的多智能体协同清障算法,并在多智能体协同清障仿真环境中与经典的多智能体强化学习算法进行对比。实验证明,相比对比算法,所提出的MACOC算法清障的成功率更高、速度更快,对复杂环境的适应性更好。展开更多
文摘随着能源利用终端多能耦合程度的加深,配电网网络重构需充分考虑多能耦合之间的影响,以配电网快速灵活的重构操作提升综合能源系统的优化水平。基于此,建立了考虑配电网网络重构的电-气综合能源系统(integrated electricpowerandnaturalgassystem,IEGS)优化运行模型。一方面,在最小化IEGS运行成本的基础上,利用条件风险价值理论(conditional value at risk, CVaR)量化IEGS源-荷不确定性所带来的运行风险,将其折算为成本统一到目标函数中;另一方面,考虑多能耦合约束,将配电网络重构映射到IEGS运行优化模型中,潮流模型中引入重构开关控制变量,构建支路开断潮流约束和配电网辐射状约束,并对其进行线性化处理。算例结果表明,在IEGS中考虑配电网网络重构可提升IEGS运行能力,而利用CVaR计及了源荷不确定性,使得IEGS中配电网重构结果更具鲁棒性。
文摘动态障碍物一直是阻碍智能体自主导航发展的关键因素,而躲避障碍物和清理障碍物是两种解决动态障碍物问题的有效方法。近年来,多智能体躲避动态障碍物(避障)问题受到了广大学者的关注,优秀的多智能体避障算法纷纷涌现。然而,多智能体清理动态障碍物(清障)问题却无人问津,相对应的多智能体清障算法更是屈指可数。为解决多智能体清障问题,文中提出了一种基于深度确定性策略梯度与注意力Critic的多智能体协同清障算法(Multi-Agent Cooperative Algorithm for Obstacle Clearance Based on Deep Deterministic Policy Gradient and Attention Critic, MACOC)。首先,创建了首个多智能体协同清障的环境模型,定义了多智能体及动态障碍物的运动学模型,并根据智能体和动态障碍物数量的不同,构建了4种仿真实验环境;其次,将多智能体协同清障过程定义为马尔可夫决策过程(Markov Decision Process, MDP),构建了多智能体t的状态空间、动作空间和奖励函数;最后,提出一种基于深度确定性策略梯度与注意力Critic的多智能体协同清障算法,并在多智能体协同清障仿真环境中与经典的多智能体强化学习算法进行对比。实验证明,相比对比算法,所提出的MACOC算法清障的成功率更高、速度更快,对复杂环境的适应性更好。
文摘大规模稀疏多目标优化问题(Sparse Multiobjective Optimization Problems,SMOPs)广泛存在于现实世界。为大规模SMOPs提出通用的解决方法,对于进化计算、控制论和机器学习等领域中的问题解决都具有推动作用。由于SMOPs具有高维决策空间和Pareto最优解稀疏的特性,现有的进化算法在解决SMOPs时,很容易陷入维数灾难的困境。针对这个问题,以稀疏分布的学习为切入点,提出了一种基于在线学习稀疏特征的大规模多目标进化算法(Large-scale Multiobjective Evolutio-nary Algorithm Based on Online Learning of Sparse Features,MOEA/OLSF)。具体地,首先设计了一种在线学习稀疏特征的方法来挖掘非零变量;然后提出了一种稀疏遗传算子,用于非零变量的进一步搜索和子代解的生成,在非零变量搜索过程中,其二进制交叉和变异算子也用于控制解的稀疏性和多样性。与最新的优秀算法在不同规模的测试问题上的对比结果表明,所提算法在收敛速度和性能方面均更优。
