基于改進螢火蟲算法的分布式能源供應鏈配置研究

潘馮超，劉勤明，葉春明，劉文溢

（上海理工大學 管理學院，上海 200093）

隨著中國能源結構的調整，分布式能源的比重不斷增加，各種新興能源的興起，我國對于分布式能源供應鏈系統越來越重視。目前我國已進入實質開發實施階段的分布式能源主要為風能、光能等。在我國不斷加快的智能電網建設中，有效解決分布式能源供應鏈配置問題具有十分重要意義。

分布式能源可以緩解環境與能源需求、經濟發展之間的矛盾，國內許多專家為此做了許多研究。Wu等通過一個基于代理的模擬，評估市場調節、能源消耗和能源容量在分布式能源系統低碳轉型中的作用。董明針對規模龐大、復雜且隨機的能源網絡提出分布式能源供應鏈網絡的建模框架。邢海軍等對主動配電網模型的多階段性規劃和不確定性規劃進行了分析，總結了主動配電網和傳統配電網技術特點的差異，但系統還不夠完善，后期還有很大的改進空間。李燕等在解決主動配電網擴展規劃問題中運用了不確定網絡理論，并對二階錐規劃問題進行求解，實驗結果證明了所建模型的有效性，但其模型難以應對大規模優化問題。隨權等提出了基于兩階段魯棒風險偏好模型的主動配電網經濟調度策略。Kandil等提出了多種分布式能源存儲系統的最優資源配置的組合模型公式，分析了馬爾可夫鏈蒙特卡羅仿真模型。田冬冬等分析和研究了基于云計算智能電網的能源監控管理的效益和風險。馬俊利用云計算模型架構記錄分析了云計算環境下資源能源的利用率情況。林君豪等、馬瑞等利用蝙蝠算法、魯棒優化理論、遺傳算法等對分布式發電系統雙層優化模型進行了求解。李軍祥等分析了云計算和分布式聯絡中心的發展趨勢并在分布式聯絡中心的部分服務中運用了云計算技術。李瑞婷等運用了改進的螢火蟲算法求解TFT-LCD單元的裝配調度問題，分析了不同學習音質和遺忘率對所求目標函數的影響。單好民將云計算環境下資源調度模型中的螢火蟲算法對應云計算資源節點，在個體初始化中引入遺傳算法優化初始解，模型仿真結果表明該模型提高了資源調度性能，但模型相對復雜，計算所需時間較長，無法應對需快速反應的突發狀況。目前對于分布式能源供應鏈及主動配電網系統資源配置問題的研究多集中在管理規劃、完善調度模型、多目標調度等方面，很少有從分布式能源供應鏈需求側配置角度對用戶用電量與供電量均衡模型進行的研究。

綜上分析，本文從提高資源利用效率、節能和經濟等方面出發，將人工螢火蟲優化算法應用于分布式能源供應鏈需求側配置中，以決策半徑為切入點，改進人工螢火蟲算法決策半徑，相對全面地研究平衡指標，建立基于改進人工螢火蟲算法的分布式能源供應鏈配置需求側均衡模型，在云計算環境下進行仿真實驗，以期提高能源供應鏈配置效率。

1 問題描述

分布式能源供應鏈利用先進的計算機技術、智能網絡監控、遠程控制技術實現智能管理，不需要人工進行值守。未來能源社會的服務體系將實現專業化的管理，保證了每個能源系統的穩定運行。為了滿足這一需求，本文提出了基于改進人工螢火蟲算法的分布式能源供應鏈配置模型，并在云計算環境下運行，解決了云計算基礎下的分布式能源供應鏈配置均衡問題。該方法克服了傳統人工螢火蟲算法后期精度不高、收斂速度慢的缺點，全面考慮能源節點的資源分配，建立能源資源分配均衡模型，實現分布式能源供應鏈的均衡配置。通過模型驗證，該方法能有效提高能源利用率，并在短時間內達到較優的平衡。

2 數學模型

2.1 模型構架設計

根據分布式能源供應鏈配置模型各部分設計，該模型構架主要由分布式能源節點、能源運處理中心、用戶端三部分組成。模型結構如圖1所示。假設能源云處理中心有個物理機，每個物理機中有個虛擬機，虛擬機使用MapReduce模型將用戶能源需求的總任務分成個互相獨立的子任務，并讀取每個服務器的信息。每個子任務由一個或多個用戶能源需求組成，系統將子任務分配到合理的服務器并行處理。

圖 1 模型結構Fig. 1 Model structure

本模型旨在全面搜集能源系統中各個用戶的需求信息，把部分子任務分配給負載小的服務器，減輕繁忙時段任務重的服務器的負擔，提高能源云處理中心系統的處理效率，進而提高能源利用率。本模型服務器的基本參數主要有可用磁盤空間、可用內存、處理器利用率和網絡帶寬等。、、、的數值越大，則服務器的處理速度越高，負載能力越強，反之則越低越弱。因此，建立的負載值方程為

當服務器沒有處理任務時，其負載值為0。因此負載值模型為

因此，可以得到一個物理機集群服務器的負載值，即

所有物理機的總負載值為

式中，K為第個物理機的負載值。

式中，為方差。

2.2 改進的螢火蟲算法

自然界中螢火蟲的求偶方式一般是尋找比自己更亮的螢火蟲并向其移動，以此為啟發，Krishnanad和Ghose總結形成了基本的人工螢火蟲算法（glowworm swarm optimization，GSO）。螢火蟲尋找比自己更亮的螢火蟲，然后數量越來越多的螢火蟲聚集在一起，最終找到局部的最優解。螢火蟲的迭代有利于快速尋找全局最優值，同時也有助于局部尋優。GSO主要包含4個階段：螢火蟲的初始化位置、熒光素值更新、螢火蟲位置更新、策半徑更新。

設可行域中有只螢火蟲，每只螢火蟲的熒光素值為，熒光素值的更新率為 γ，初始化步長為，鄰域閾值為，熒光素消失率為，動態決策域更新率為 β，螢火蟲感知域為，螢火蟲移動時動態決策域為，螢火蟲的迭代次數為。熒光素更新公式為

式中：l()為螢火蟲在時刻熒光素值；x()為代螢火蟲的位置，(x())為相對應的函數適應度值。

每只螢火蟲都有對應的決策域范圍，它們將利用自己的決策范圍尋找其他螢火蟲。決策域范圍是動態改變的，決策域范圍可因該范圍內螢火蟲數量少而增大，也可因螢火蟲數量多而減小。更新動態決策域公式為

螢火蟲移動自己的位置后，更新螢火蟲的位置為

式中：為移動步長；‖ ‖為歐式距離。

傳統人工螢火蟲算法因存在尋優不穩定、算法精度低、后期收斂速度較慢等缺點。當螢火蟲向比它更亮的螢火蟲移動時，其決策域范圍是固定的。但如果決策范圍過大，所需時間就較長，不利于局部尋優；如果決策范圍小，則會出現局部最優的情況，最終導致精度不夠高。為克服這些缺點，本文對式（8）進行了改進，得到

式中，為迭代次數。

3 模型求解

模型求解步驟為：

（1）設定螢火蟲的初始參數，確定初始位置；

（4）螢火蟲開始移動，按照式（9）改變自己的位置。

（5）螢火蟲通過式（10）更新自己的決策域半徑。

（6）在螢火蟲完成一次迭代后就判斷是否達到最大迭代次數，若未達到，則繼續步驟（2），若達到最大迭代次數，則輸出解。

改進的人工螢火蟲算法利用了螢火蟲向比自己更亮的螢火蟲移動的特性。為處理能力較強的服務器設定了較高的熒光素值，引導螢火蟲向處理能力較強的服務器移動，使得各服務器都能處理合理數量的任務，優化了系統配置，從而提高了系統效率。

4 仿真分析

本仿真模擬構架如圖2所示。分布式能源各節點對接的是云處理中心的各服務器，每個用戶的需求量對應的是每個子任務，仿真實驗在云處理中心進行。使用Matlab軟件進行算法運算。參考文獻［17］并結合本研究相關配置，獲得各參數的取值：=0.5、β=0.07、γ=0.5、=0.04，=200。虛擬機為Xen，其配置RAM為512 MB、CPU頻率為4 000 MHz、帶寬為1 000 Mbps。

圖 2 仿真模擬構架Fig. 2 Simulation architecture

本研究使用Linux系統在cloudsim云平臺進行仿真實驗，設資源分配服務器為R1，在R1上分別運行改進人工螢火蟲算法和傳統人工螢火蟲算法10次，得到結果如圖3所示。兩種算法計算得到的負載值雖然都在0.5附近波動，但改進人工螢火蟲算法得到的負載值波動增幅較小，比較穩定，精度也更高；而傳統人工螢火蟲算法計算得到的負載值波動幅度較大，不穩定，精度也較低，會影響服務器的運行效率。

將2 000個任務分配到5個資源分配服務器R1、R2、R3、R4、R5，其中設置資源分配服務器的處理能力大小依次為 R5、R3、R2、R1、R4。分別運行改進人工螢火蟲算法、傳統人工螢火蟲算法后得到的的任務分配情況如圖4所示。由分析可知，改進人工螢火蟲算法較為全面地考慮了負載指標，因此能夠較為均衡地分配任務，能將子任務準確地分配給處理能力強的服務器。在傳統螢火蟲算法運行過程中出現了任務分配不均勻的情況，未給處理能力強的服務器上分配任務，而分配給處理能力低的服務器過多的任務，導致系統運行效率低下。

圖 3 不同算法運行負載值對比Fig. 3 Comparison of load values from different algorithms

圖 4 不同算法服務器任務分配情況Fig. 4 Task allocation of the servers for different algorithms

將2 000個任務分配給20個資源分配服務器，分別運行傳統人工螢火蟲算法和改進人工螢火蟲算法。在不同任務數量下，兩種算法的完成時間對比如表1所示。由此可知，兩種算法在處理任務數量較少時完成時間基本一致。但隨著任務數量的增加，改進人工螢火蟲算法的優勢突顯，完成時間遠短于傳統人工螢火蟲算法。

表 1 任務完成時間對比Tab. 1 Comparison of task completion time

綜合以上實驗仿真結果發現，改進人工螢火蟲算法在資源分配任務處理中可以有效克服傳統人工螢火蟲算法的缺點，提高系統尋優的穩定性并縮短任務處理時間，在云計算環境下尋找全局最優的配置方案，使得各服務器都處理相應數量的任務，提高了服務器的利用率，從而提高了能源利用率。因此，本算法能夠較好地應用于分布式能源供應鏈配置的處理。

5 結 論

在云計算環境下，對于大量任務處理及配置問題，為提高系統運行效率、減少任務等待時間，需要一個有良好優化算法的模型。本研究提出的改進人工螢火蟲算法在云計算環境下，利用螢火蟲會尋找比自身亮的螢火蟲并向其移動的特性，移動完畢后更新自己的亮度、位置等信息，以尋找全局最優的配置。與改進前的傳統人工螢火蟲算法相比，改進后的人工螢火蟲算法具有尋優速度快、精度高、穩定強等優點，能夠快速得出最優的配置方案，求出系統模型的最優解。該算法應用于分布式能源供應鏈問題時，提高了能源利用率，使其達到一個高效率的狀態，解決了分布式能源的配置問題。分布式能源供應鏈配置需求側與供給側的均衡分配，讓整個系統的需求與供給相匹配，減少了資源的浪費和資源過剩的情況，使系統達到節能環保的狀態。在螢火蟲向其他螢火蟲移動的過程中是否有其他因素影響，在螢火蟲數量較多時是否會影響螢火蟲的移動方向，這些外在影響因素都有待進一步研究，進而優化人工螢火蟲算法。本文僅考慮了需求側的平衡及智能優化，對于供給側的優化分配，以及后期供給側與需求側之間的動態平衡的雙層優化配置模型還有待進一步研究。