量子进化算法求解机组问题.ppt

量子进化算法求解机组优化问题（QEA For UC） 总结 仿真测试 QEA-UC QEA 01 02 03 04 Contents 目录 1 量子比特（特殊的量子位表示形式-概率幅表示方式） 2 基态 3 叠加态 4 量子坍塌 量子计算的概念 5 量子门 * 传统的比特（bit） bit：0 or 1 （非 0 即 1） 4 bit 的数据（0~15）： 0000 0001 0010 ... （一一对应） 量子比特（qubit） qubit：0 and 1 （亦 0 亦 1） 4 qubit 的数据： 1111 0000 ???? and = bit 0 bit 1 qubit 0 1 Im 0 and 1 叠加态 量子比特 叠加态 基态 量子比特（qubit）处于状态 的概率 对叠加态的一次运算，相当于对n个基态同时进行一次运算。 量子比特（qubit）处于状态 的概率幅（复数） 表示 状态为“0”的概率 状态为“1”的概率 量子比特表示为： 量子比特的状态表示为： 有m个量子比特位的量子染色体表示为： m个qubits 可同时表示 2m个状态。 例：一个具有如下概率幅的3量子比特位染色体： 则染色体的状态可以表示为： 概率： QEA的过程和机制 目标函数： 二进制控制变量： Step 1：初始化进化代数 t=0 Step 2：初始化种群： Step 3：观察过程：由 Q（t）生成 X（t）： 观察过程 矩阵：保存种群中最优解，包括局部最优解。 Step 4：评估 X（t）：适应度或目标函数值 Step 5：保存 X（t）中最优解至 B（t） Step 6：t=t+1 Step 7：由 Q（t-1）生成 X（t） Step 8：评估 X（t） Step 9：用量子旋转门更新种群 Q（t）： 更新后的量子比特需满足， 旋转角 （大小、方向） 更新过程，引导量子染色体朝更好的解进化 Step 10：保存最优解至 B（t）：（X（t）与 B（t-1）中） Step 11：检查是否满足结束条件，不满足则转至 Step 6 QEA-UC UC问题的表示 N表示机组个数； H表示调度时隙。 量子染色体： 二进制解： 观察过程 燃料成本函数 输出变量（发电量）： 评估函数： 总电力生产成本 机组发电量 启动成本 启停状态的控制变量 Lambda-iteration 连续停机时间 约束处理 Step 1：满足热备用约束： 一旦违反，按照如PL法中优先顺序逐一启用机组 Step 2：处理 over-commitment： 若总的最大发电容量负荷需求+热备用，以反序离线机组 Step 3：满足最小启停时间约束： 额外的机组被启用以满足最小启动时间约束 最大输出 峰值需求 热备用 连续开机时间 Step 4：改善机组调度： 由于step 3, 又会引起过多的发电容量， 可通过重复step 1 to 3有效解决 Step 5：检查： 对每个调度进行检查，是否所有时隙的发电容量适当， 若否，生成新调度，并重复上述步骤 QEA-UC过程 Step 1：初始化进化代数 t=0 Step 2：初始化Q（t）（所有的 α 和 β 等于 ） Step 3：观察过程，生成机组调度序列 Step 4：约束处理 Step 5：通过Lambda-iteration方法得出每个调度序列的 最优经济调度的成本 QEA-UC过程 Step 6：若 t=0，转至Step 8 Step 7：用量子门更新量子染色体 Step 8：比较各调度序列的成本，并保存最优解 Step 9：t=t+1 Step 10：若t大于最大迭代次数，则终止，若否，转至Step 3 * 仿真结果 * 参数灵敏度分析（机组数：10；最大迭代次数：100） 1）旋转角大小（弧度）的影响（种群大小：4） 对θ大小灵敏，大角度（早熟收敛）， θ=0.02π（性能最优） * 2）种群大小的影响（旋转角：0.02π） 18（best choice） * * QEA-UC法的性能 （机组数：10-100；最大迭代次数：100； 种群大小：4、18；旋转角：0.02π） * （最大迭代次数：200） * 10、20、40、60、80、100 units平均成本收敛曲线 *