《表2 粒子群优化算法应用研究》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《计算智能在电动车充电站规划的应用研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如表2所示为粒子群优化算法在解决电动汽车充电站规划问题中的应用总结。文献[65]以居民负荷模拟车辆数量，采用层次分析法给出候选站址权重系数。综合分析站址与变电站距离、充电站安装费用和运行费用以及实时电价，采用粒子群算法进行模型求解。文献[27]使用Voronoi图和改进粒子群优化算法联合求解规划问题，优化了惯性权重和学习因子，提高了搜索的速度。同时在每次迭代过程中更新Voronoi图，可以直接根据车辆密度信息进行站址规划，使得站址选择能够更好地契合应用需求。文献[28]采用量子理论中的叠加态特性和概率表达特性，利用量子旋转门进行状态更新，利用量子非门引入编译操作，增强了算法全局搜索的能力，提升了迭代速度。文献[66]采用差分进化混合粒子群算法，同时进行粒子群算法和差分进化算法，比较二者平均适应度，在二者的最优个体之间进行交叉变异和最优位置替换。在保证多样性的同时具有很好的收敛性。文献[42]采用改进的概率映射函数来解决混合离散粒子群算法中后期收敛速度慢、局部搜索能力弱的问题。采用变权Voronoi图的方法，为每个站点赋予可变的权重，更加合理地划分了覆盖范围。文献[67]针对粒子群得出解集的非劣性使用VIKOR方法对解进行排序得出最优解。文献[68]采用混合的遗传算法和粒子群优化算法，通过染色体交叉和变异操作增加解集多样性，在保证搜索速度的同时增加了解集的多样性。