本發(fā)明涉及電力領域，尤其涉及一種蟻群尋優(yōu)方法及裝置。

背景技術：

近些年來，智能算法得到了較快的發(fā)展，該類算法具有良好的全局尋優(yōu)能力，并且適用于大規(guī)模的計算。其中蟻群算法是應用比較廣泛的一種算法。

蟻群中的螞蟻對網(wǎng)絡拓撲結構尋優(yōu)的過程中，螞蟻會通過網(wǎng)絡拓撲結構中的“信息素”選擇路徑，一般某支路上的信息素濃度越高，選擇該支路的螞蟻數(shù)量越多，通過螞蟻不斷尋優(yōu)的過程，最終在網(wǎng)絡拓撲結構中找到最優(yōu)解，該最優(yōu)解可以是最短路徑或者是最符合條件的網(wǎng)絡拓撲結構。

但是，隨著計算復雜程度的增加，螞蟻的數(shù)量要求越來越多，而隨著螞蟻數(shù)量的增加，蟻群算法的計算速度越來越慢。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明實施例公開了一種蟻群尋優(yōu)方法及裝置，通過該不斷削減蟻群中螞蟻數(shù)量的方法，提高了蟻群算法尋優(yōu)的運算效率。

本發(fā)明實施例提供了一種蟻群尋優(yōu)方法，該方法包括：

一種蟻群尋優(yōu)方法，其特征在于，包括：

依據(jù)預設的蟻群算法和目標蟻群，在待尋優(yōu)的網(wǎng)絡拓撲結構中尋找當前目標解；

依據(jù)所述當前目標解和歷史全局最優(yōu)解，獲得當前全局最優(yōu)解；

依據(jù)所述當前目標解和預設的削減速率，計算削減因子；

依據(jù)所述削減因子削減所述目標蟻群中螞蟻的數(shù)量

判斷所述目標蟻群中螞蟻的數(shù)量是否達到了預設的閾值；

若所述目標蟻群中螞蟻的數(shù)量未達到預設的閾值，返回執(zhí)行所述依據(jù)預設的蟻群算法和目標蟻群，在待尋優(yōu)的網(wǎng)絡拓撲結構中尋找當前目標解。

可選的，在依據(jù)預設的蟻群算法和目標蟻群，在待尋優(yōu)的拓撲結構中尋找當前目標解，之前還包括：

設置所述目標蟻群中螞蟻的數(shù)量、設置最大迭代次數(shù)和初始化所述待尋優(yōu)的網(wǎng)絡拓撲結構中每個支路上信息素的值。

可選的，還包括：

若所述目標蟻群中螞蟻的數(shù)量達到了預設的閾值，判斷是否達到了所述最大的迭代次數(shù)；

若未達到預設的迭代次數(shù)，增加所述待尋優(yōu)的網(wǎng)絡拓撲結構中的每條支路上信息素的值，并重新設置目標蟻群中螞蟻的數(shù)量，返回執(zhí)行所述依據(jù)預設的蟻群算法和目標蟻群，在所述待尋優(yōu)的網(wǎng)絡拓撲結構中尋找目標解；

若達到了預設的迭代次數(shù)，輸出所述當前全局最優(yōu)解。

可選的，所述依據(jù)所述當前目標解和預設的削減速率，計算削減因子，包括：

計算相似變量比；其中所述相似變量比為目標蟻群中找到相同目標解的螞蟻數(shù)量的最大值占所述目標蟻群中螞蟻數(shù)量的比例；

依據(jù)所述相似變量比和預設的削減速率計算削減因子。

獲取待尋優(yōu)的所述網(wǎng)絡拓撲結構中每條支路上的信息素的最大值，得到信息素積累要素；

在預設的隨機范圍中，獲取一個隨機值作為信息素增大倍數(shù)；

依據(jù)所述信息素增大倍數(shù)增大所述信息素累計因子，得到信息素積累因子；

將所述信息素積累因子累加到所述網(wǎng)絡拓撲結構中的每條支路上。可選的，還包括：

基于預設的揮發(fā)規(guī)則，減少所述待尋優(yōu)的饋線網(wǎng)絡中每條支路上的信息素的值；

依據(jù)全局最優(yōu)網(wǎng)損，對所述全局最優(yōu)解所在的支路進行信息素的修正。

可選的，當所述方法應用于配電網(wǎng)重構時，所述待尋優(yōu)的網(wǎng)絡拓撲結構為待尋優(yōu)的饋線網(wǎng)絡拓撲結構；

所述最優(yōu)解為最小網(wǎng)損。

可選的，還包括：

所述待尋優(yōu)的饋線網(wǎng)絡拓撲結構為單饋線網(wǎng)絡拓撲結構。

本發(fā)明實施例還提供了一種蟻群尋優(yōu)裝置，該裝置包括：

尋優(yōu)單元，用于依據(jù)預設的蟻群算法和目標蟻群，在待尋優(yōu)的網(wǎng)絡拓撲結構中尋找當前目標解；

全局最優(yōu)解獲得單元，用于依據(jù)所述當前目標解和歷史全局最優(yōu)解，獲得當前全局最優(yōu)解；

計算單元，用于依據(jù)所述當前目標解和預設的削減速率，計算削減因子；

削減單元，用于依據(jù)所述削減因子削減所述目標蟻群中螞蟻的數(shù)量

第一判斷單元，用于判斷所述目標蟻群中螞蟻的數(shù)量是否達到了預設的閾值；

第一返回單元，用于若所述目標蟻群中螞蟻的數(shù)量未達到預設的閾值，返回執(zhí)行所述依據(jù)預設的蟻群算法和目標蟻群，在待尋優(yōu)的網(wǎng)絡拓撲結構中尋找當前目標解。

可選的，該裝置還包括：

第二判斷單元用于若所述目標蟻群中螞蟻的數(shù)量達到了預設的閾值，判斷是否達到了所述最大的迭代次數(shù)；

信息素增加單元，用于若未達到預設的迭代次數(shù)，增加所述待尋優(yōu)的網(wǎng)絡拓撲結構中的每條支路上信息素的值，并重新設置目標蟻群中螞蟻的數(shù)量，返回執(zhí)行所述依據(jù)預設的蟻群算法和目標蟻群，在所述待尋優(yōu)的網(wǎng)絡拓撲結構中尋找目標解；

輸出單元，用于若達到了預設的迭代次數(shù)，輸出所述當前全局最優(yōu)解。

可選的，所述計算單元，包括：

相似變量比計算子單元，用于計算相似變量比；其中所述相似變量比為目標蟻群中找到相同目標解的螞蟻數(shù)量的最大值占所述目標蟻群中螞蟻數(shù)量的比例；

削減因子計算子單元，用于依據(jù)所述相似變量比和預設的削減速率計算削減因子。

本發(fā)明實施例中，在通過預設的蟻群算法和目標蟻群對待尋優(yōu)的網(wǎng)絡拓撲結構尋優(yōu)的過程中，通過計算目標蟻群中找到相同目標解的螞蟻數(shù)量的最大值占所述目標蟻群中螞蟻數(shù)量的比例，得到相似變量比，通過相似變量比和預設的削減速率得到削減因子，并依據(jù)該削減因子削減目標蟻群中螞蟻的數(shù)量。這樣隨著迭代次數(shù)的增多，算法越來越收斂時，慢慢減少蟻群中螞蟻的數(shù)量，提高了運算速度。當目標蟻群中螞蟻的數(shù)量削減到預設的閾值時，修正待尋優(yōu)的網(wǎng)絡拓撲結構中的每條支路信息素的值，重新設置目標蟻群中螞蟻的數(shù)量，并有方向性的對待尋優(yōu)的網(wǎng)絡拓撲結果進行新一輪的尋優(yōu)。通過增加待尋優(yōu)的網(wǎng)絡拓撲結構中每條支路上信息素的值，使蟻群尋優(yōu)的過程中避免陷入局部最優(yōu)，增加信息素少的支路被選中的概率，增大了得到全局最優(yōu)解的概率。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1示出了本發(fā)明實施例1提供的一種蟻群尋優(yōu)方法的流程示意圖；

圖2示出了發(fā)明實施例2提供的一種蟻群尋優(yōu)方法的流程示意圖；

圖3示出了單饋線網(wǎng)絡的示意圖；

圖4示出了不同削減速率蟻群中螞蟻數(shù)量的削減情況示意圖；

圖5示出了本發(fā)明實施例提供的一種蟻群尋優(yōu)裝置的結構示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

參考圖1，示出了本發(fā)明實施例1提供的一種蟻群尋優(yōu)方法的流程示意圖，在本實施例中，該方法包括：

s101：依據(jù)預設的蟻群算法和目標蟻群，在待尋優(yōu)的網(wǎng)絡拓撲結構中尋找當前目標解；

需要說明的是，在執(zhí)行s101之前，還包括設置目標蟻群中螞蟻的數(shù)量、最大迭代次數(shù)、信息素揮發(fā)系數(shù)并初始化待尋優(yōu)的網(wǎng)絡拓撲結構中每個支路上的信息素的值。除此之外，還需要設置信息啟發(fā)因子、期望啟發(fā)因子等。其中，在s101之前執(zhí)行的該過程可以表示為初始化過程。

本實施例中，蟻群算法包括多種方法，預設的蟻群算法可以是根據(jù)實際需要選擇的其中任意一種算法。本實施例中，以經(jīng)典蟻群算法為例說明，但是不僅僅限于經(jīng)典蟻群算法。

本實施例中的方案可以用于尋找最短路徑或者尋找最優(yōu)的網(wǎng)絡拓撲結構等，可以應用于通信、電力等諸多領域。

本實施例中，若是執(zhí)行第一次迭代，即第一次執(zhí)行s101的步驟，則目標蟻群中螞蟻的數(shù)量為初始化時設置的，各支路上信息素的值也為初始化時設置的。若不是第一次迭代，則目標蟻群中螞蟻的數(shù)量為經(jīng)過更新后的螞蟻的數(shù)量，各支路上信息素的值為經(jīng)過更新后的信息素的值。

本實施例中，每執(zhí)行一次s101，各支路上信息素的值都會更新，隨著迭代次數(shù)的增加，各支路上信息素的值會不斷揮發(fā)，一般情況下，對信息素進行更新時，是將所有螞蟻經(jīng)過的支路上的信息素累加起來作為修正量，并通過該修正量更新各支路上的信息素，但是通過該種方法，不利于尋找最優(yōu)解，為了提高尋找到最優(yōu)解的效率，可以增加得到最優(yōu)解的支路上的信息素，具體的，包括：

基于預設的揮發(fā)規(guī)則，對待尋優(yōu)的饋線網(wǎng)絡中每條支路上的信息素執(zhí)行揮發(fā)操作；

依據(jù)全局最優(yōu)解，對全局最優(yōu)解所在的支路進行信息素的修正。

本實施例中，預設的揮發(fā)規(guī)則可以是經(jīng)典蟻群算法中的對信息素的揮發(fā)算法，每迭代一次后，各支路都需要執(zhí)行該揮發(fā)算法對信息素進行更新。但是，對于得到全局最小網(wǎng)損的支路，可以依據(jù)該最小網(wǎng)損進行修正。

其中，可以通過以下公式5)對各支路上的信息素進行修正：

其中，ρ表示信息素揮發(fā)程度，通常ρ＜1，表示修正系數(shù)；

其中，q為一常數(shù)，fbest＝minploss，ploss為本次迭代得到的全局最優(yōu)解。

s102：依據(jù)當前目標解和歷史全局最優(yōu)解，獲得當前全局最優(yōu)解；

需要說明的是，歷史全局最優(yōu)解是在執(zhí)行本次迭代之前，得到的全局最優(yōu)解，或者可以理解為，歷史全局最優(yōu)解為上次迭代得到的全局最優(yōu)解。

本實施例中，比較本次迭代得到的當前目標解和歷史全局最優(yōu)解，找到最符合預設條件的解作為當前全局最優(yōu)解。

舉例說明：經(jīng)過了第一次迭代后，目標蟻群中的每只螞蟻都尋找到了一個當前目標解，假設最終的全局最優(yōu)解為每次迭代得到的目標解中的最小值，將第一次迭代得到的目標解進行比較，將最小的目標解作為本次迭代得到的最優(yōu)解。經(jīng)過第二次迭代后，得到第二次迭代的目標解，對第二次迭代得到的目標解進行比較，得到其中最小的目標解，并將第二次迭代后得到的最小的目標解與上次迭代得到的歷史最優(yōu)解進行比較，并將二者中的較小值作為當前全局最優(yōu)解；其中，相對于第二次迭代來說，第一次迭代得到的全局最優(yōu)解即為歷史全局最優(yōu)解。

具體的，s102包括：

根據(jù)本次迭代得到的目標解和上次迭代得到的全局最優(yōu)解進行比較；

將符合預設條件的解作為本次迭代的全局最優(yōu)解。

s103：計算相似變量比；其中相似變量比為目標蟻群中找到相同目標解的螞蟻數(shù)量的最大值占本次迭代時目標蟻群中螞蟻數(shù)量的比例；

本實施例中，每執(zhí)行一次s101的步驟，目標蟻群中的每只螞蟻都會尋找到一個目標解，并且，可能會出現(xiàn)同一個目標解由不同的螞蟻找到的情況。

舉例說明：假設本次迭代是第t次迭代，第t次迭代時蟻群中螞蟻的數(shù)量假設為mn(t)，假設第t次迭代時，蟻群中的螞蟻根據(jù)本次迭代時的信息素找到的拓撲結構包括：l1(t)…ln(t)，每一個拓撲結構對應一個目標解，找到這些拓撲結構的螞蟻數(shù)量分別是m1(t)…mn(t)，其中，找到相同拓撲結構螞蟻數(shù)量的最大值為ax(t)＝max{m1(t)…mn(t)}。假設，相似變量為為φ(t)，則，相似變量比如公式1所示：

s104：依據(jù)相似變量比和預設的削減速率計算削減因子；

舉例說明：假設本次迭代為第t次迭代，削減因子表示為λ，削減速率表示為a，削減因子可以通過如下公式2)獲得：

2)λ＝-a^φ(t)+a；其中a為常數(shù)。

s105：根據(jù)得到的削減因子削減目標蟻群中螞蟻的數(shù)量；

舉例說明：假設本次迭代為第t次迭代，mn(t+1)為削減后的目標蟻群中螞蟻的數(shù)量，mn(t)為本次迭代時目標蟻群中螞蟻的數(shù)量，則削減后的目標蟻群中螞蟻的數(shù)量可通過以下的公式3)表示：

3)mn(t+1)＝λ·mn(t)；

需要說明的是，削減速率越小，螞蟻數(shù)量削減的越慢，不需要頻繁的重置螞蟻數(shù)量，即不需要頻繁的執(zhí)行s107，計算速度越快，但是找到全局最優(yōu)解的概率相對較低；削減速率越高、螞蟻數(shù)量的削減速度越快，需要頻繁的重置螞蟻數(shù)量，計算速度會減低，找到最優(yōu)解的概率也就越高。

s106：判斷所述目標蟻群中螞蟻的數(shù)量是否達到了預設的閾值；

s107：若目標蟻群中螞蟻的數(shù)量未達到預設的閾值，返回執(zhí)行s101。

本實施例中，在初始階段，由于各支路上信息素分布均勻，目標蟻群中的螞蟻找到相同目標解的概率較低，此時相似變量比的值比較小，削減因子較大，隨著迭代次數(shù)的增多，信息素不斷更新，目標蟻群中的螞蟻找到相同目標解的概率較高，此時相似變量比的值變大，削減因子變小，目標蟻群中螞蟻的數(shù)量不斷減少。

本實施例中，當相似變量比較小時，說明算法收斂程度較低，此時目標蟻群中螞蟻數(shù)量減少的相對較慢，當相似變量比越來越大時，說明算法的收斂程度越來越高，目標蟻群中螞蟻的數(shù)量越來越少，當目標蟻群中螞蟻的數(shù)量減小到預設的閾值時，表明得到了全局最優(yōu)解或者局部最優(yōu)解。

本實施例中，重復執(zhí)行s01～s106的步驟，每執(zhí)行一次s01～s106的步驟，即每迭代一次，目標蟻群中螞蟻的數(shù)量都會減少，直到減少到預設的閾值，跳轉(zhuǎn)到執(zhí)行s108的步驟。

s108：當目標蟻群中螞蟻的數(shù)量達到了預設的閾值時，判斷是否到了最大的迭代次數(shù)；

s109：若未達到最大的迭代次數(shù)，增加所述待尋優(yōu)的網(wǎng)絡拓撲結構中的每條支路信息素的值，并重新設置目標蟻群中螞蟻的數(shù)量，返回執(zhí)行s101；

本實施例中，目標蟻群中的螞蟻的數(shù)量削減到預設的閾值時，得到的最優(yōu)解可能是全局最優(yōu)解也有可能是局部最優(yōu)解，但是此時，尋找到的該最優(yōu)解的支路上信息素的濃度很高，目標蟻群中的螞蟻很難跳出去尋找新的目標解，因此可以通過增加各個支路上信息素的濃度，提高螞蟻尋找其它目標解的概率。

具體的，s109包括：

獲取待尋優(yōu)的所述網(wǎng)絡拓撲結構中每條支路上的信息素的最大值，得到信息素積累要素；

在預設的隨機范圍中，獲取一個隨機值作為信息素增大倍數(shù)；

計算所述隨機值和所述積累要素的乘機，得到積累因子；

將所述積累因子累加到所述網(wǎng)絡拓撲結構中的每條支路上。

舉例說明：假設該信息素的最大值為δτ^max(t)，對每一條支路進行信息素累加的公式可以通過以下的公式4)表示：

4)τij(t+n)＝τij(t)+θ·δτ^max(t)；

其中，τmax(t)為信息素積累要素，δτ^max(t)＝max{τij(t)}，θ為信息素增大的倍數(shù)，θ的值是在一個隨機的范圍中隨機選取的，θ·δτ^max(t)表示信息素積累因子。

其中，累加之后各支路的信息素不完全相同，相當于為新一輪蟻群算法進行了方向引導，其中θ代表了引導程度。

s110：若達到了預設的迭代次數(shù)，輸出所述當前全局最優(yōu)解。

本實施例中，在蟻群尋優(yōu)的過程中，通過計算得到的削減因子不斷的削減目標蟻群中螞蟻的數(shù)量，提高了運算的效率。在蟻群中螞蟻數(shù)量削減到預設的閾值時，重新設置蟻群中螞蟻的數(shù)量，并增加每條支路信息素的值，使蟻群尋優(yōu)的過程中，避免陷入局部最優(yōu)解，增加信息素少的支路被選中的概率，增大得到全局最優(yōu)解的概率。

參考圖2，示出了本發(fā)明實施例2提供的一種蟻群尋優(yōu)方法的流程示意圖，在本實施例中，該方法應用于配電網(wǎng)重構，該方法包括：

s201：依據(jù)預設的蟻群算法和目標蟻群對待尋優(yōu)的饋線網(wǎng)絡拓撲結構進行尋優(yōu)，得到目標支路；

需要說明的是，該待尋優(yōu)的饋線網(wǎng)絡拓撲結構為單饋線網(wǎng)絡拓撲結構，但是一般情況下，配電網(wǎng)重構的饋線網(wǎng)絡為多饋線網(wǎng)絡，但是由于多饋線網(wǎng)絡結構復雜、電源節(jié)點眾多，不利于蟻群尋優(yōu)，因此，為了方便蟻群尋優(yōu)，可以將多饋線網(wǎng)絡拓撲結構轉(zhuǎn)換為單饋線網(wǎng)絡拓撲結構。

本實施例中，如圖3所示，為一單饋線網(wǎng)絡拓撲結構，其中①②③④⑤⑥⑦，為該單饋線網(wǎng)絡拓撲結構中的7條支路，蟻群尋優(yōu)的過程，就是從這些支路中找到一條包括所有的節(jié)點，但是不包含環(huán)路的網(wǎng)絡拓撲結構。

需要說明的是，預設的蟻群算法可以是經(jīng)典蟻群算法。

其中，在執(zhí)行s201之前，還需要設置目標蟻群中螞蟻數(shù)量，最大的迭代次數(shù)，以及初始化每條支路上的信息素的值。

本實施例中，每執(zhí)行一次s201，各支路上信息素的值都會更新，隨著迭代次數(shù)的增加，各支路上信息素的值會不斷揮發(fā)，一般情況下，對信息素進行更新時，是將所有螞蟻經(jīng)過的支路上的信息素累加起來作為修正量，并通過該修正量更新各支路上的信息素，但是通過該種方法，不利于尋找最優(yōu)解，為了提高尋找到最優(yōu)解的效率，可以增加得到最優(yōu)解的支路上的信息素，具體的，包括：

基于預設的揮發(fā)規(guī)則，對待尋優(yōu)的饋線網(wǎng)絡中每條支路上的信息素執(zhí)行揮發(fā)操作；

依據(jù)全局最小網(wǎng)損，對全局最小網(wǎng)損所在的支路進行信息素的修正。

本實施例中，預設的揮發(fā)規(guī)則可以是經(jīng)典蟻群算法中的對信息素的揮發(fā)算法，每迭代一次后，各支路都需要執(zhí)行該揮發(fā)算法對信息素進行更新。但是，對于得到全局最小網(wǎng)損的支路，可以依據(jù)該最小網(wǎng)損進行修正。

其中，可以通過以下公式5)對各支路上的信息素進行修正：

其中，ρ表示信息素揮發(fā)程度，通常ρ＜1，表示修正系數(shù)；

其中，q為一常數(shù)，fbest＝minploss，ploss為本次迭代得到的最小網(wǎng)損。

s202：計算每條當前目標支路的網(wǎng)損，并依據(jù)當前目標支路的網(wǎng)損及歷史全局最小網(wǎng)損，得到當前全局最小網(wǎng)損；

本實施例中，可以通過潮流計算的方法計算每條支路上的網(wǎng)損。

每次迭代后，目標蟻群中的螞蟻都會得到一個目標支路，每個目標支路都可以計算得到一個網(wǎng)損，若是執(zhí)行第一次迭代，比較得到的每個支路的網(wǎng)損，得到最小的網(wǎng)損，并將該最小的網(wǎng)損作為全局最優(yōu)網(wǎng)損，執(zhí)行第二次迭代后，比較第二次得到的每個支路的網(wǎng)損，得到第二次迭代的最小的網(wǎng)損，并將第二次得到的最小網(wǎng)損與上次迭代得到的全局最小網(wǎng)損進行比較，將二者中較小的網(wǎng)損作為當前全局最小網(wǎng)損。

s203：計算相似變量比；其中相似變量比為目標蟻群中找到相同支路的螞蟻數(shù)量的最大值占目標蟻群中螞蟻數(shù)量的比例；

本實施例中，相似變量比的計算方法和實施例1中s103的方法是一致的，在這里就不再贅述。

s204：依據(jù)相似變量比和預設的削減速率計算削減因子；

本實施例中s204的步驟和實施例1中s104的步驟是一致的，在這里不再贅述。

本實施例中，不同的削減速率影響削減幅度，如圖4所示，削減速率越大，則螞蟻數(shù)量削減的速度越快。

在本實施例中，削減因子可以通過以下的公式7)表示：

7)λ＝-a^φ(t)+a；

其中，為了方便用戶查看公式7)中的參數(shù)可以設置為：a＝2，0<a<2；且由于0≤φ(t)≤1，則0＜λ≤1。

s205：根據(jù)削減因子削減目標蟻群中螞蟻的數(shù)量；

需要說明的是，削減速率越小，螞蟻數(shù)量削減的越慢，計算速度越快，并且不需要頻繁的重置螞蟻數(shù)量，即需要頻繁的執(zhí)行s207，但是找到全局最優(yōu)解的概率相對較低；削減速率越高、螞蟻數(shù)量的削減速度越快，計算速度會減低，但是需要頻繁的重置螞蟻數(shù)量，找到最優(yōu)解的概率也就越高。

s206：判斷所述目標蟻群中螞蟻的數(shù)量是否達到了預設的閾值；

s207：若目標蟻群中螞蟻的數(shù)量未達到預設的閾值，返回執(zhí)行s201。

本實施例中，在初始階段，由于各支路上信息素分布均勻，目標蟻群中的螞蟻找到相同目標解的概率較低，此時相似變量比的值比較小，削減因子較大，隨著迭代次數(shù)的增多，信息素不斷更新，目標蟻群中的螞蟻找到相同目標解的概率較高，此時相似變量比的值變大，削減因子變小，目標蟻群中螞蟻的數(shù)量不斷減少。

本實施例中，當相似變量比較小時，說明算法收斂程度較低，此時目標蟻群中螞蟻數(shù)量減少的相對較慢，當相似變量比越來越大時，說明算法的收斂程度越來越高，目標蟻群中螞蟻的數(shù)量越來越少，當目標蟻群中螞蟻的數(shù)量減小到預設的閾值時，表明得到了全局最小網(wǎng)損或者局部最小網(wǎng)損。

本實施例中，重復執(zhí)行s201～s206的步驟，每執(zhí)行一次s201～s206的步驟，即每迭代一次，目標蟻群中螞蟻的數(shù)量都會減少，直到減少到預設的閾值，跳轉(zhuǎn)到執(zhí)行s208的步驟。

本實施例中，預設的閾值可以為1。

s208：當目標蟻群中螞蟻的數(shù)量達到了預設的閾值時，判斷是否到了預設迭代次數(shù)；

s209：若未達到預設的迭代次數(shù)，對該待尋優(yōu)的饋線網(wǎng)絡拓撲結構中每條支路進行信息素的累加，重新設置目標蟻群中螞蟻的數(shù)量，并返回執(zhí)行s201；

本實施例中，目標蟻群中的螞蟻數(shù)量削減到預設的閾值時，得到的最小網(wǎng)損可能是全局最小網(wǎng)損也可能是局部最小網(wǎng)損，但是此時，尋找到的該最優(yōu)解的支路上信息素的濃度很高，目標蟻群中的螞蟻很難跳出去尋找新的目標支路，因此可以通過增加各支路上信息素的濃度，提高螞蟻尋找其它支路的概率。

具體的，s209包括：

獲取待尋優(yōu)的饋線網(wǎng)絡中每條支路上的信息素的最大值，得到信息素積累要素；

在預設的隨機范圍中，獲取一個隨機值作為信息素增大倍數(shù)；

計算所述隨機值和所述積累要素的乘機，得到積累因子；

將所述積累因子累加到所述網(wǎng)絡拓撲結構中的每條支路上。

舉例說明：假設該信息素的最大值為δτ^max(t)，對每一條支路進行信息素累加的公式可以通過以下的公式4)表示：

4)τij(t+n)＝τij(t)+θ·δτ^max(t)；

其中，τ^max(t)為信息素積累要素，δτ^max(t)＝max{τij(t)}，θ為信息素增大的倍數(shù)，θ的值是在一個隨機的范圍中隨機選取的，θ·δτ^max(t)表示信息素積累因子。

其中，累加之后各支路的信息素不完全相同，相當于為新一輪蟻群算法進行了方向引導，其中θ代表了引導程度。

需要說明的是，重新設置的蟻群中螞蟻的數(shù)量可以是與初始化時設置為一樣的數(shù)值，也可以是不一樣的，具體根據(jù)實際需要進行設置。

s210：當達到所述最大的迭代次數(shù)時，輸出當前全局最小網(wǎng)損。

本實施例中，采用蟻群算法在配電網(wǎng)重構的饋線網(wǎng)絡拓撲結構中尋優(yōu)時，通過計算得到的削減因子不斷的削減目標蟻群中螞蟻的數(shù)量，提高了運算的效率。在蟻群中螞蟻數(shù)量削減到預設的閾值時，重新設置蟻群中螞蟻的數(shù)量，并增加每條支路信息素的值，使蟻群尋優(yōu)的過程中，跳出局部最優(yōu)，增大得到全局最小網(wǎng)損的概率。

參考圖5，示出了本發(fā)明實施例還提供了一種蟻群尋優(yōu)裝置的結構示意圖，該裝置包括：

尋優(yōu)單元401，用于依據(jù)預設的蟻群算法和目標蟻群，在待尋優(yōu)的網(wǎng)絡拓撲結構中尋找當前目標解；

全局最優(yōu)解獲得單元402，用于依據(jù)所述當前目標解和歷史全局最優(yōu)解，獲得當前全局最優(yōu)解；

計算單元403，用于依據(jù)所述當前目標解和預設的削減速率，計算削減因子；

削減單元404，用于依據(jù)所述削減因子削減所述目標蟻群中螞蟻的數(shù)量

第一判斷單元405，用于判斷所述目標蟻群中螞蟻的數(shù)量是否達到了預設的閾值；

第一返回單元406，用于若所述目標蟻群中螞蟻的數(shù)量未達到預設的閾值，返回執(zhí)行所述依據(jù)預設的蟻群算法和目標蟻群，在待尋優(yōu)的網(wǎng)絡拓撲結構中尋找當前目標解。

可選的，該裝置還包括：

第二判斷單407，用于若所述目標蟻群中螞蟻的數(shù)量達到了預設的閾值，判斷是否達到了所述最大的迭代次數(shù)；

信息素增加單元408，用于若未達到預設的迭代次數(shù)，增加所述待尋優(yōu)的網(wǎng)絡拓撲結構中的每條支路上信息素的值，并重新設置目標蟻群中螞蟻的數(shù)量，返回執(zhí)行所述依據(jù)預設的蟻群算法和目標蟻群，在所述待尋優(yōu)的網(wǎng)絡拓撲結構中尋找目標解；

輸出單元409，用于若達到了預設的迭代次數(shù)，輸出所述當前全局最優(yōu)解。

可選的，還包括：

初始化單元，用于設置所述目標蟻群中螞蟻的數(shù)量、最大迭代次數(shù)、信息素揮發(fā)系數(shù)并初始化所述待尋優(yōu)的網(wǎng)絡拓撲結構中每個支路上信息素的值。

可選的，所述計算單元，包括：

相似變量比計算子單元，用于計算相似變量比；其中所述相似變量比為目標蟻群中找到相同目標解的螞蟻數(shù)量的最大值占所述目標蟻群中螞蟻數(shù)量的比例；

削減因子計算子單元，用于依據(jù)所述相似變量比和預設的削減速率計算削減因子。

可選的，所述信息素增加單元，包括：

信息素積累要素獲取子單元，用于獲取待尋優(yōu)的所述網(wǎng)絡拓撲結構中每條支路上的信息素的最大值，得到信息素積累要素；

信息素增大倍數(shù)獲取子單元，用于在預設的隨機范圍中，獲取一個隨機值作為信息素增大倍數(shù)；

信息素積累因子計算子單元，用于依據(jù)所述信息素增大倍數(shù)增大所述信息素累計因子，得到信息素積累因子；

信息素增加子單元將所述信息素積累因子累加到所述網(wǎng)絡拓撲結構中的每條支路上。

可選的，還包括：

揮發(fā)子單元，用于基于預設的揮發(fā)規(guī)則，減少所述待尋優(yōu)的饋線網(wǎng)絡中每條支路上的信息素的值；

修正子單元，用于依據(jù)全局最優(yōu)網(wǎng)損，對所述全局最優(yōu)解所在的支路進行信息素的修正。

通過本實施例的裝置，在蟻群尋優(yōu)的過程中，通過計算得到的削減因子不斷的削減目標蟻群中螞蟻的數(shù)量，提高了蟻群算法的計算速度。在蟻群中螞蟻數(shù)量削減到預設的閾值時，有方向性的對待尋優(yōu)的網(wǎng)絡拓撲結果進行新一輪的尋優(yōu)，并增加每條支路信息素的值，使蟻群尋優(yōu)的過程中，避免陷入局部最優(yōu)解，增加信息素少的支路被選中的概率，增大得到全局最優(yōu)解的概率。

需要說明的是，本說明書中的各個實施例均采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。

對所公開的實施例的上述說明，使本領域?qū)I(yè)技術人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領域的專業(yè)技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。