英语原文共 13 页

一种基于改进集成遗传算法的电网风灾应急的新型案例自适应方法

Baishang Zhang , Xiangyang Li, Shiying Wang

School of Management, Harbin Institute of Technology, Harbin 150001, China

摘要：案例自适应是针对电网风灾紧急情况的案例推理（CBR）的一个具有挑战性且至关重要的过程。统计自适应方法是一种独立于领域知识的传统方法，易于实现，但不适用于复杂的系统问题。因此，本文的目的是提出一种新的案例自适应方法，通过将多目标遗传算法与灰色关联分析相结合来解决这一问题，称为灰色关联分析 - 多目标遗传算法（GRAMOGA）。与传统方法相比，GRAMOGA是根据案例相似性和应急计划之间的对应关系进行的，表明案例适应的新思路。为了提高适应精度，本文采用基于适应度函数的选择方法对多目标遗传算法进行了改进。此外，通过将框架理论与D/S证据理论相结合，扩展了框架理论，为案例描述和不完全信息检索提供了一种新方法。来自江苏南部的一个实例表明，GRAMOGA在电网风灾紧急情况下实现了更好的适应性能。除了适应案例的实际应用外，GRAMOGA还可以作为扩展案例库的新方法。

关键词：基于案例的推理；案例改编；灰色关联分析；多目标遗传算法；D / S证据理论；风灾紧急情况

1 简介

近年来，台风多次袭击中国电网，不仅严重危害经济发展，而且影响社会稳定。 决策者根据情景特征做出快速决策并实施救援和维修工作一直是关键的主题。 然而，数学分析和统计方法在电网风灾紧急情况下不能很好地发挥作用，因为这个问题涉及许多复杂因素和不完整的信息。 CBR是一种智能决策方法，根据当前状态进行推理推理，使该方法具有很强的学习能力，可以为问题提供决策支持。 然而，CBR研究人员完成案例适应仍然是一项具有挑战性的任务。 因此，科学的案例自适应方法的设计是将CBR应用于电网风灾应急的重要问题。

风灾突发事件的案例适应属于案例适应方法的典型计算方法，因为它需要计算出应急工作人员和资源的类型和数量。案例自适应的计算方法可以根据计算方法分为间接案例自适应方法和间接案例自适应方法（Henrieta，Lenia，Laurenta，＆Salomonb，2014）。前者通过调整后的模型或公式获得结果（Hu，Qi，＆Peng，2015; Qi，Hu，＆Peng，2015）;后者通过遗传算法（Liao，Hannam，Xia，＆Zhao，2012a）神经网络（Callow，Lee，Blumenstein，Guan，＆Loo，2013）和k-NN（Qi，Hu，＆Peng， 2012）。其中，k-NN自适应方法独立于领域知识且易于实现，但具有低精度的自适应结果。尽管神经网络自适应方法的准确性很高，但该方法需要预先创建模型。因此，该方法不适用于涉及许多复杂模型的电网风灾紧急情况。电网风灾突发事件涉及多种情景特征，其中决策结果的综合影响通过公式计算。因此，用简单的遗传算法（SGA）很难解决这个问题。

受这些观察的启发，在本文中，我们建议GRAMOGA在CBR中完成电网风灾紧急情况的案例调整。 在GRAMOGA中，多个对象功能包括案例相似性函数（CSF）和灰色关系差函数（GRDF）。 其中，CSF用于确保适应案例（GRAMOGA的结果）与对象案例（当前紧急案例）具有高度相似性; GRDF旨在确保适应案例中的情景特征和决策特征的灰色关联系数与类似案例（从CBR案件适应的类似案例中检索）类似。 这两个功能可以确保适应结果令人满意并且基于当前的场景特征。 本文的主要贡献是：

1. 针对电网风灾突发事件，提出了一种基于GRAMOGA的CBR新型高效案例自适应方法。
2. 利用基于适应度函数的选择方法改进多目标遗传算法，改进自适应遗传算法，已被证明更有效。
3. 我们将D / S证据理论与框架理论相结合，以获得更精确的案例描述和检索，以减少不完整信息的干扰。
4. 由于GRAMOGA是有效的，因此可以作为扩展CBR案例库的另一种方法。

本文的其余部分安排如下。 第2节回顾了相关工作。 第3节详细介绍了电网风灾害紧急情况的CBR，包括案例表示，案例检索和基于改进自适应遗传算法的案例自适应方法。 第4节描述了评估我们提出的算法的大量实验。 第5节介绍了未来改进的讨论和想法。 最后，第6节介绍了结论。

2 相关工作

2.1 CBR案例改编

由Schank提出的CBR是一种智能推理方法，它根据过去的经验指导行动。 与基于规则的推理和基于模型的推理相比，CBR更多地关注经验知识的隐含推理，并且具有更多的实用性（Schank，1982）。 完整的CBR流程包括案例表示，案例检索，案例适应和案例保存（Ping amp; et al., 2015; Pla, Loacute;pez, Gay, amp; Pous, 2013）。 关于CBR的大多数论文都集中在案例代表（Teodorovicacute;, Scaron;elmicacute;, amp; Mijatovicacute;-Teodorovicacute;, 2013），案例检索（Hong, Koo, amp; Park, 2012; Vukovic, Delibasic, Uzelac, amp; Suknovic, 2012）和特征权重学习（(Yeow, Mahmud, amp; Raj, 2014），因为案例适应在CBR中仍然是一个具有挑战性的过程。

近年来，很少有研究关注病例适应。目前，根据问题呈现方式有三种类型的改编方式，包括图片，文字和数据。适用于图片通常适用于医生检查，运输和拍照。一个例子是Esmat，Hossei和Saeid，他们使用案例适应来修改相关反馈中的检索图像（Esmat，Hossein，＆Saeid，2014）。这种适应涉及颜色设计和智能计算。第二种类型的适应旨在解决用词语呈现的抒情词或过程。 Reyes，Negny，Robles和Lann提出了一种新的过程工程领域方法。在他们的论文中，约束满足问题算法被集成用于自适应，并且适应循环的修改被用于改进性能。虽然需要针对所解决的问题建立特定的适应方法，但这种方法很有吸引力。

数据的案例调整应用于更多领域，因为通过有助于预测或判断的数据可以呈现许多自然现象和社会问题。这种适应方式的过程可以以两种方式执行：分类和计算。基于分类的案例适应通常应用于诊断，预测等。它将对象案例与基本案例进行比较，并根据将决策任务作为分类任务的原则来区分属于一种或另一种类型的样本（Amailef，＆Lu，2013）。研究人员经常通过将CBR与智能算法或技术相结合来实现案例适应对象，尤其是数据挖掘（Zhu，Hu，Qi，Ma，＆Peng，2014），支持向量机（Pinzoacute;n等，2013），神经网络（ Planton，Dehkordi，＆Martel，2015）和GA（Koo＆Hoo，2015）。尽管这些智能技术的分类过程和方法存在许多差异，但这些过程和方法的一个共同特征是在确定数据分析然后进行定性分析之后确定对象案例的哪些值属于哪个类别（ Chang，Lin，Liu，2012）。计算是实现案例适应的另一个重要途径。基于计算的案例调整可以根据解决方案的形式分为单个数字自适应的案例自适应和数据集的案例自适应。基于计算的案例调整可以根据解决方案的形式划分为用于单个数字调整的案例调整和用于数据集的案例调整。前者通常用于估计事件的整体可能性;后者通常用于解决两个问题：不同阶段事件的总体情况估计和同一阶段不同方面事件的状态估计（Pinzoacute;netal.，2013; Toro，Meire，Gaacute;lvez，＆Fdez-Riverola，2013）。通过比较由KNN策略实现的特征值，通过输出相应的结果来建立这种情况适应的机制。一些研究通过传统的相似度计算来完成KNN策略。例如，Lv，Liu，Zhao和Wang通过考虑社区分布和相似性，实现了基于KNN策略的案例自适应方法（Lv，Liu，Zhao，＆Wang，2015）。此外，Yan，Shao和Wang提出了一种基于遗传算法和群决策的案例自适应方法，其中GA主要用于适应和群体决策，旨在提高废水处理的解决方案质量（Yan，Shao，＆Wang， 2014）。

大多数数据的案例调整都考虑了目标案例和类似案例之间的特征差异，而较少关注特征对适应结果的复杂影响。与以往的方法不同，本文根据特征相似度与应急方案的对应关系，采用相应关系机制的思想，为复杂系统中的案例自适应提供了新视角，其中许多特征因素对于结果具有综合作用。

2.2 遗传算法

遗传算法（GA）是一种用于模拟动物染色体进化过程的优化技术；通过在遗传优化思想的指导下以迭代方式搜索可行解空间来获得最优解（Holland，1975）。该方法可以将解空间转换为染色体的形式，并基于概率而不是显式规则搜索最优解（Wang，Ma，Xu，Liu，＆Wang，2015）。 由于其强大的智能计算和参数优化能力，GA已应用于许多领域（Kuo，Huang，Ma，＆Fanjiang，2013；Lam，Choy，Ho，Kwong，＆Lee，2013；Wang＆Yang，2012; Wendt， Corteacute;s，＆Margalef，2013）。

遗传算法由五个要素组成：编码，种群初始化，适应度函数，遗传算子和控制参数（Zhang＆WongKoo，2015）。虽然遗传算法具有很强的并行性和鲁棒性，但它在早熟和局部收敛方面存在缺陷（Faghihia，Reinschmidta，＆Kang，2014）。因此，研究人员提出了许多方法来改善其性能。 在这些方法中，大多数改进集中在编码，个体选择，交叉概率，变异概率和控制参数调整上（Liao，Mao，Hannam，＆Zhao，2012b; Binu，2015; Bukharov＆Bogolyubov，2015; Chena，Liub，Chou），Tasif，＆Wang，2015; Chou，Cheng，Wu，＆Pham，2014; Liao et al.，2012a）。

以前改进的GA主要通过选择遗传个体和设置交叉和变异算子来提高搜索解决方案的性能。一些研究侧重于改善遗传个体的方法以获得更好的表现，因为遗传个体对离体的优势和多样性有很大的影响。传统的染色体再现技术通常包括轮盘选择（RWS）和锦标赛选择（TS）。 RWS涉及大量计算，降低了对合速度。TS可以基于拟合函数的竞争来操作，但是这种方法很简单，缺少一些潜在的染色体。Chuanga，Chena和Hwangb通过整合排名选择进化过程开发了并行结构化实数编码遗传算法，从而获得了RWS和TS的优势（Chuanga，Chena，＆Hwangb，2015）。大多数论文旨在通过修改交叉操作员和变异算子来为GA找到更好的性能，因为这些算子对基于个体选择的进化性能有更大的影响。在这些研究中，一些论文侧重于加速进化速度。 Janescaron;和Car建议应该根据基因组部分的适应性评估来设置交叉算子。测试结果表明，由于遗传个体较少，这种方法可以加快进化速度（Janescaron;＆Car，2015）。Akguuml;na 和 Erdog˘musb通过使用图形处理单元开发了一个新的GA，能够加速培训过程（Akguuml;na＆Erdog˘musb，2015）。大多数关于修改交叉算子和变异算子的研究试图获得更多的性能方法。在Kima，Lee和Baik的研究中，使用启发式交叉和非均匀变异来提高GA参数估计的准确性和性能（Kima，Lee＆Baik，2015）。 Wang，Huang，Ma和Chen改进了单亲遗传算法（IPGA），用于解决基于非均匀变异算子的水电能源系统中的MOED问题。在该方法中，移除了交叉算子并且仅进行了突变操作，使其在遗传操作中比GA更简单并且在进化过程中不产生无效的后代（Wang，Huang，Ma，＆Chen，2015）。 Qu，Xing和Alexanderb通过采用协同进化机制和改进的GA提出了协同进化改进遗传算法。这种改进的遗传算法提出了一种有效和准确的适应度函数，改进了传统气体的遗传算子。与传统的GA相比，该方法更好地避免了局部最优问题，并且具有加速的收敛速度（Qu，Xing，＆Alexanderb，2013）。Hu, et al.提出了一种自适应GA辅助多目标生态油藏运行模型，通过结合模拟二元交叉和自适应变异，采用改进的自适应GA（Hu＆et al.，2014）。

通过以上研究，我们可以得出结论，以前改进的GA方法在个体选择方面只关注多样性和竞争的一个方面，而不是同时考虑它们。本文将基于适应度函数值设计一种新的个体选择机制。 对于先前关于修改交叉算子和变异算子的研究，交叉和变异只是根据适应性高于或低于平均适应度进行，导致粗分区; 没有考虑进化世代演化的最佳适应性。本文采用一种新的交叉和变异方法，考虑到进化生成对交叉概率和突变概率的影响，以加速收敛速度和避免早熟。

2.3 灰色关联分析

Deng在1982年提出了灰色系统理论，以解决涉及不完整信息和较少数据样本的问题（Deng，1989）。灰色关联分析是灰色系统理论的重要组成部分。该方法主要用于寻找具有高度随机性的复杂离散系统中系统特征的行为序列与影响因子的行为顺序之间的相关性（Chuang，2013; Tang，2015）。与其他方法相比，灰色关联分析具有更多的优点，如样本量少，计算量少（Xing，Ding，Chai，Afshar，Wang，2012）。此外，该方法不需要典型分布中的数据，这有助于表征对象之间的相关程度（Gu，Liang，Bichindaritz，Zuo，＆Wang，2012）。因此，该方法已应用于农业，工业，交通，商业，文化，教育等诸多领域，应急管理应用较少(Ai, Hu, amp; Chen, 2014;Jiang, Yu, amp; Zhao, 2012; Wang, Meng, Zhai, amp; Zhu, 2014;)。

灰色关联分析由以下步骤组成：

1. 数据预处理。不同维度的原始数据导致统一的

   资料编号：[3491]