混雜免疫多目標優化算法及對動態經濟環境調度問題優化

唐湘黔 錢淑渠 武慧虹

摘 要：動態經濟環境調度（DEED）問題是電力系統調度中一類含大規模約束的高維多目標優化問題，傳統的進化算法易于陷入局部最優，使得所獲的Pareto前沿分布性和收斂性差。為了充分挖掘免疫系統的克隆選擇原理，提出一種混雜免疫多目標優化算法（HIMOA）。該算法以傳統進化算法為基本框架，面對高維決策變量優化易于陷入局部最優的缺陷，改進外部存檔更新機制以保存歷代優秀的多樣性個體，采用克隆、高斯突變策略強化局部開采能力，有效地迫使算法跳出停滯搜索狀態。為應對大規模約束，提出逐步微調機組出力策略，提高進化群體的可行性。數值仿真實驗以10機系統為測試算例，將HIMOA與著名的六種算法MODE、NSGA-Ⅱ、IMOEA/D-CH、ADEA、MOHDE_SAT、MONNDE進行比較分析，結果表明，HIMOA能為DEED問題的10機系統提供較好的Pareto解，所獲的Pareto前沿收斂性和分布性優越于其他算法，各評價指標的箱型圖表明HIMOA具有優越于其他算法的統計特征。

關鍵詞：動態經濟環境調度； 免疫系統； 克隆選擇原理； 大規模約束； 多目標優化

中圖分類號：TP304.7?? 文獻標志碼：A

文章編號：1001-3695（2023）09-024-2720-09

doi：10.19734/j.issn.1001-3695.2023.02.0037

Hybrid immune multi-objective optimization algorithm fordynamic emission economic dispatch

Tang Xiangqian1，2， Qian Shuqu2， Wu Huihong2

（1.College of Mathematics & Statistics， Guizhou University， Guiyang 550025， China; 2.School of Mathematics & Computer Sciences， Anshun University， Anshun Guizhou 561000， China）

Abstract：Dynamic economic emission dispatch（DEED） problem in power system is a kind of high-dimensional multi-objective optimization problem with large-scale constraints. The traditional evolutionary algorithm is easy to fall into local optimization， and the distribution and convergence of the obtained Pareto frontier are poor. This paper fully explored the clonal selection principle of immune system， and proposed a hybrid immune multi-objective optimization algorithm（HIMOA） . The proposed algorithm took the traditional evolutionary algorithm as the basic framework. Since the deficiency of falling local optimization for the high-dimensional decision variables optimization， it improved the external archive update mechanism to preserve the excellent individuals from previous generations， and adopted the cloning and Gaussian mutation strategy to strengthen the local exploitation ability， forcing effectively the HIMOA to jump out of the stagnant search state. In order to cope with the large-scale constraints，it designed the fine-turning output power step by step to improve the feasibility of the evolutionary population. In the numerical simulation experiment， taking a 10-unit system as a test example， and compared HIMOA with the famous algorithms MODE， NSGA-Ⅱ， IMOEA/D-CH， ADEA， MOHDE_SAT， MONNDE. The results show that HIMOA can provide a better Pareto solution to the 10-unit system of the DEED problem， and the convergence and distribution of the Pareto frontier obtained are better than other algorithms. The box diagram of each evaluation metric shows that HIMOA has better statistical characteristics than other algorithms.

Key words：dynamic economic emission dispatch; immune system; clonal selection principle; large-scale constraints; multi-objective optimization

0 引言

動態經濟調度（dynamic economic dispatch，DED）是電力系統調度中一類復雜的單目標優化問題，該問題的目標是確定調度周期內各機組的最優輸出功率［1，2］，以滿足負載需求及線路功率傳輸損失。由于DED考慮了發電機組的爬坡率約束，使得其非常適合實際電力調度場景，這對電力公司的機組調度具有較大的指導價值。然而，DED未考慮發電機組在燃煤過程中的污染排放，這與企業和政府越來越關注的人類健康環境問題背道而馳。因此，近年來許多研究工作將污染排放納入動態經濟調度模型的構建，從而衍生出一種更為復雜的動態經濟環境調度（dynamic economic emission dispatch，DEED）模型。該模型同時優化發電成本和污染排放，并考慮機組爬坡率、負荷需求等約束［3，4］，使得該問題屬一類含大規模約束的高維多目標優化問題。鑒于該問題的復雜性和實用性，開發高效的求解算法以獲得滿意的調度方案顯得尤為重要，這對實際工程問題的求解和實現我國“雙碳”目標具有重要的理論和現實意義。

求解多目標DEED模型的傳統優化方法是通過權重法將其轉換為單目標問題，采用拉格朗日乘子［5］、梯度［6］、二次規劃［7］和動態規劃［8］等數學規劃方法獲取最優調度方案。這些方法充分利用梯度信息搜索起始點附近的最優解。然而，由于機組頻繁啟停產生損耗劇增的閥點效應，考慮閥點效應成本的DEED模型具有多個局部最優解且目標函數非凸和非光滑，而數學優化方法對選取的起始點極為敏感，往往難以有效處理這類含多個局部最優解的復雜問題優化。所以，許多智能優化方法被開發來解決DEED問題，如進化算法（evolutionary algorithm，EA）［9］、粒子群優化（particle swarm optimization，PSO）［10，11］、差分進化（differential evolutionary，DE）［12，13］、和諧搜索算法［14］、教學優化［15］、生物地理優化［16］等。在文獻［9］中，基于非支配排序遺傳算法Ⅱ（NSGA-Ⅱ），提出一種二次多項式求根法獲得滿足功率平衡約束的機組功率分配策略。然而，該方法獲得的第N個發電機的功率水平仍可能超出機組的功率上下界。文獻［12］針對DEED問題開發了一種多目標差分進化（multi-objective differential evolutionary，MODE）算法，采用上述約束處理機制，以10機系統測試表明，MODE所獲的Pareto前沿（pareto frontier，PF）優于NSGA-Ⅱ。文獻［17］提出了一種模糊自適應修正θ粒子群優化算法。文獻［18］設計了一種改進的θ多目標教學優化算法，利用模糊聚類技術對知識庫的規模進行處理，從決策者的角度獲得可行的調度方案。文獻［2］開發了一種非優勢DE算法，采用比例動態調整變量法調節機組功率范圍的差異以處理功率平衡約束。文獻［19］提出一種基于精英克隆的局部搜索DE算法，為提高算法開采和探索能力，增設精英群的克隆和突變機制，有效增強算法的全局搜索能力。文獻［20］提出了一種自適應多目標差分進化算法，通過設計自適應的current to best/1交叉算子，有效地提高了傳統進化算法的探索與開采能力。

雖然智能優化方法能獲得DEED問題的有效解，但仍存在一些亟待解決的問題，如所獲Pareto解的收斂性、分布性和多樣性難于協調統一等問題。正如文獻［21］所述，混合策略可能是解決復雜的DEED問題的更有效方法。文獻［22］提出一種基于克隆選擇的PSO算法，以傳統的PSO算法為基本框架，嵌入克隆選擇算子，從而加速算法的收斂性。本文為克服傳統EA難以處理多個局部最優解以及收斂性差等問題，提出一種混雜免疫多目標優化算法（hybrid immune multiobjective optimization algorithm，HIMOA）解決帶有閥點效應的DEED問題。處理該問題的難點在于決策空間高維性和約束的大規模性，致使已有算法直接求解易于陷入局部搜索或無法獲取可行的非支配解，故解決該問題的策略是提高算法的搜索和開采能力，以獲取更多的可行解，而克隆選擇機制具有局部搜索和開采能力，能利用克隆機制產生大量的有潛力的解，并通過高斯變量擾動后，提高開采復雜區域的能力，同時采用修復機制對不可行的個體進行修復，從而提升種群中個體的可行性。故在HIMOA中，為了提升算法在高維決策空間的收斂速度，充分保存歷代多樣性的非支配解，選取存檔中優秀個體進行克隆，采用改進的高斯突變策略對克隆體突變，實現收斂與開采的平衡。同時改進Deb［23］的可行性規則對存檔中的個體進行更新，確保存檔中非支配個體的多樣性和分布均勻性。另外，為了應對功率平衡等式約束，提出一種逐步修復策略微調部分機組的出力，以提高群體中個體的可行性。數值實驗以DEED問題的10機系統測試HIMOA的性能。結果表明，與同類算法相比，HIMOA獲得PF的分布均勻性和延展性更具有優勢，且近似于真實PF的程度更高。

本文的主要貢獻是：a）構建了求解具有閥點效應的DEED問題的混雜多目標免疫優化算法框架；b）研究了HIMOA在處理大規模約束時的運行機制；c）設計了功率平衡方程的修復策略，以獲得更多可行的解；d）以考慮閥點效應成本的10機系統為算例驗證了HIMOA的求解能力，并與同類算法進行了比較，驗證了本文算法的優越性。

1 DEED問題模型

電力系統DEED模型屬一類含大規模約束的多目標優化問題，其目標是在滿足大量的等式和不等式約束下，使發電成本和污染排放盡可能小。

然而，由HIMOA、MODE和NSGA-Ⅱ獲得的最好折中值是不可比較的，但由HIMOA的污染排放2.9774×105相對于MODE的污染排放2.9642×105增加了1.32×103個單位，增加率為0.44%小于1，而HIMOA的成本2.5188×106相對于MODE的成本2.5463×106減少了2.75×104個單位，降低率為1.09%大于1。類似地，對于NSGA-Ⅱ，HIMOA的污染排放2.9774×105相對于NSGA-Ⅱ的污染排放2.9588×105增加了1.86×103個單位，增加率為0.63%，而HIMOA的成本2.5188×106相對于NSGA-Ⅱ的成本2.5414×106減少了2.26×104個單位，降低率為0.90%，HMIOA所獲的折中解以增大少量的污染排放換取更低的發電成本。

為了可視化各算法25次獨立執行所獲的最好折中解在目標空間的分布情況，圖2給出了基于模糊決策方法的各算法在25次運行中得到的最好折中解分布，其中approximative PF為近似的Pareto前沿（PF）。由圖2（d）可以看出，HIMOA得到的25個最好折中解非常接近于近似的PF中心位置，這表明HIMOA每次執行能獲得非常好的收斂性和分布性。然而，由圖2（a）和（c）可以看出，MODE和NSGA-Ⅱ得到的最好折中解偏向于成本目標方向，特別是MODE的25個最好折中解遠離近似的PF中心位置，且接近近似的PF程度時遠時近，這表明MODE處理大規模約束DEED問題的穩定性和收斂性非常差。觀察圖2（b）發現，IMOEA/D-CH獲得的25個最好折中解能位于近似的PF中部，然而其分布空間區域非常大且遠離近似PF，這表明IMOEA/D-CH處理該問題時在某些次獨立運行中能獲得較好的收斂性，但一致收斂性差、穩定性弱。由上述比較分析表明，新提出的HIMOA在處理該問題時能表現出較穩定的搜索能力和較強的收斂性能。

為了觀察各算法所獲的PF效果，選取25次獨立執行獲得的PF中IGD指標值最小的一次PF進行比較。圖3展示了各算法所獲的PF分布。

由圖3（d）可以明顯看出，HIMOA得到的PF在目標空間中呈現出均勻的分布性，且分布范圍非常廣，所獲的PF接近近似PF的程度非常高，這表明HIMOA所獲的Pareto解多樣性和收斂性非常好。由圖3（a）和（c）可以看出，MODE和NSGA-Ⅱ所獲的PF分布范圍非常狹窄，這是由于該算法所獲的最后Pareto解收斂于某一區域，陷入了局部最優，非支配解的多樣性非常差，表明這兩種算法難以處理這類復雜的優化問題，特別是MODE在接近近似PF方面表現非常差，這表明其對復雜的解空間開采能力弱，進化種群發生早熟現象。觀察圖3（b）發現，IMOEA/D-CH所獲的PF分布性具有一定的均勻性，但PF的分布范圍相對于HIMOA顯得短窄，且在成本目標方向收斂性優于污染排放目標方向，這表明IMOEA/D-CH不能很好地平衡兩個目標收斂性。由以上分析表明，HIMOA呈現較強的搜索和開采能力，能獲得分布均勻且范圍廣和收斂性優越的PF，NSGA-Ⅱ和MODE的性能較差，僅能獲得局部的PF，且收斂性弱。

為了從不同角度分析各算法25次獨立執行所獲性能指標HV、IGD、CR和SP的統計性能，圖4給出這四種評價指標的箱型圖。

圖4（a）的HV箱型圖顯示，與MODE、IMOEA/D-CH和NSGA-Ⅱ相比，HIMOA實現超體積大的概率高，而MODE最差，這表明HIMOA所獲的PF接近真實PF的概率高，而MODE所獲的25次PF或遠離真實PF，或PF的范圍狹窄。對于CR指標，圖4（b）顯示HIMOA獲得最好的CR統計特征，而NSGA-Ⅱ最差，這表明HMIOA所獲的PF覆蓋率大的概率高，而NSGA-Ⅱ所獲得的25次PF或狹窄，或僅能得到部分非支配解。圖4（c）箱型圖表明，HIMOA獲得IGD值較小的概率高，MODE獲得大的IGD值概率高，這表明HIMOA所獲得的PF均勻性和收斂性優于其他算法的概率大，其他算法中MODE獲效果差的概率高。對于SP評價指標，圖4（d）表明獲SP最大的概率為IMOEA/D-CH，其次為HIMOA，這表明對于SP指標IMOEA/D-CH比HIMOA優越，這是由于IMOEA/D-CH所獲的PF廣度較HIMOA的概率高。

為了給出每臺發電機組在HIMOA優化下的功率輸出，選取HIMOA最好折中解時10臺機組的各時段輸出功率（表2），燃料成本為2.5188E+6（美元），污染排放為2.9774E+5（磅）。表2的最后列出了考慮傳輸損失的各時間段的傳輸損失（loss）。由表2可以看出，對于考慮傳輸損耗的10機系統的多目標DEED優化，各時段各機組的出力都得到了控制，各機組的爬坡率也得到了適當的滿足。

4.4 策略分析及討論

為了分析算法HIMOA中改進策略的優越性，本節以10機系統DEED問題作為測試實例，分析不同的約束閾值、不同的變異策略、不同的存檔更新策略、有/無修復策略對算法收斂性能的影響。實驗中HIMOA獨立執行25次循環，每次循環的最大迭代數為2 000，計算每代所獲PF與理論PF的IGD平均值，形成IGD隨迭代數的變化曲線，分析改進的策略對算法收斂性和所獲PF上點的分布性的影響。

圖5給出了約束閾值ε取0、0.05、0.1、0.15和0.2五種情況時HIMOA對10機系統優化所獲的IGD隨迭代數的變化曲線。IGD是刻畫算法所獲PF收斂真實PF的程度，由圖5的IGD變化曲線獲知，ε取0時收斂性能最差，但ε在0.05～0.2較為相似，具體為：在ε取0.1時表現初始收斂速度快，隨后陷入局部搜索；ε取0.15和0.2時初始收斂速度稍微慢，但最終與ε取0.05表現相當。圖6分析了對克隆體采用三種不同的變異策略獲得的IGD隨迭代數的變化曲線。由圖6可知，非均勻突變和多項式突變策略在初始階段表現出快速的收斂，但非均勻突變到500代左右陷入了局部搜索，而多項式突變到600代左右收斂速度減慢，隨后下降速度緩慢并一直保持平衡趨勢。高斯突變初始下降速度具有一定的波動，并表現弱于其他兩種變異策略，在1 000代左右所獲的IGD值開始低于其他兩種變異策略。這是由于本文采取的高斯突變表達式為uij=wij+1/g·N（0，1），其中第2項中1/g使得變異量隨迭代數增大而變小，動態調整該系數使得算法具有精準的探索能力，N（0，1）為均值為0，方差為1的高斯變量。

圖7給出了NSGA-Ⅱ中原始存檔更新策略所獲的IGD變化曲線與本文改進的存檔更新策略下的IGD變化曲線。由變化曲線明顯可知，改進的存檔更新策略獲得了更好的收斂速度，這表明改進的存檔更新策略能有效提高算法對10機系統DEED問題的優化效果。這是由于改進的存檔更新策略既能加大算法對可能空間的探索與開采能力，又能提升存檔中非支配解的多樣性，確保存檔中非支配解的均勻分布。

圖8給出了25次獨立執行所獲PF分布。對比圖8（a）和（b）明顯可以看出，改進的更新策略25次所獲PF均能保持很好的收斂性和分布性，而原始的更新策略僅能獲得局部的PF，每次執行所獲PF分布性和收斂性不統一。

圖9分析了修復策略對算法HIMOA搜索性能的影響。其中圖9（a）比較了有/無修復策略情況下進化種群中個體的非可行性比率隨迭代數的變化曲線。由圖9（a）可知，無修復策略時，種群中個體的非可行性比率隨迭代數增加呈現下降趨勢，但運行到2 000代時仍未達到0，這表明種群中還存在不可行的個體。而含修復策略情況下，在算法運行到1 000代左右時，個體的非可行性比率已達到0，這充分表明修復算子對提升個體的可行性比率有重大影響。圖9（b）為有/無修復策略所獲IGD隨迭代數的變化曲線。由圖9可知，含修復策略情況下算法所獲的IGD變化曲線明顯下降速度快，這表明算法的收斂性能好。

5 結束語

動態環境經濟調度優化是計算機、管理學交叉學科中一類極具挑戰性的研究課題，該問題具有多個局部最優點，且目標函數非光滑和非凸，傳統的進化算法難以尋找全局最優解。本文提出了一種混合免疫多目標優化算法（HIMOA），并以10機系統的DEED問題進行測試。在算法設計中，采用修復方案處理功率平衡等式約束，提高了進化種群的可行性。為了增強傳統EA的收斂能力，設計外部存檔集保存非支配個體并提出新的裁剪策略更新外部存檔，選擇存檔中優秀個體進行克隆，然后采用高斯策略對克隆體進行突變。將該算法作為一種搜索方法處理10機系統DEED問題，實驗結果表明，相對于最新文獻報道的方法，本文算法能夠獲得更好的性能，評價指標統計結果表明本文算法具有更好的統計性能。

與此同時，本文的工作還有待進一步的研究，以便應用于更復雜的DEED模型求解，如將所開發的框架引入模擬退火、蟻群、魚群等其他搜索機制，應用于含其他能源的混雜DEED問題。另外，本文只在HIMOA中選取了一組固定的算法參數，而沒有對本文算法進行參數調節或自適應設計，這將為開發自適應算法提供后期研究思路。

參考文獻：

［1］Elattar E E. A hybrid genetic algorithm and bacterial foraging approach for dynamic economic dispatch problem ［J］. International Journal of Electrical Power & Energy Systems， 2015，69：18-26.

［2］Qiao Baihao， Liu Jing， Hao Xingxing. A multi-objective differential evolution algorithm and a constraint handling mechanism based on variables proportion for dynamic economic emission dispatch problems［J］. Applied Soft Computing， 2021，108： 107419.

［3］Jebaraj L， Venkatesan C， Soubache I， et al. Application of differential evolution algorithm in static and dynamic economic or emission dispatch problem： a review［J］. Renewable & Sustainable Energy Reviews， 2021，77： 1206-1220.

［4］Li Lingling， Liu Zhifeng， Tseng M L， et al. Improved tunicate swarm algorithm： solving the dynamic economic emission dispatch problems［J］. Applied Soft Computing， 2021，108： 107504.

［5］Yang Lingjian， Fraga E S， Papageorgiou L G. Mathematical programming formulations for nonsmooth and non-convex electricity dispatch problems［J］. Electric Power Systems Research， 2013，95： 302-308.

［6］Wood A J， Wollenberg B. Power generation operation and control［J］. Fuel & Energy Abstracts， 1996，37（3）： 90-93.

［7］Coelho L S， Mariani V C. Combining of chaotic differential evolution and quadratic programming for economic dispatch optimization with valve-point effect［J］. IEEE Trans on Power Systems， 2021，21（2）： 989-996.

［8］Ross D W， Kim S. Dynamic economic dispatch of generation［J］. IEEE Trans on Power Apparatus & Systems， 2007，99（6）： 2060-2068.

［9］Basu M. Dynamic economic emission dispatch using nondominated sorting genetic algorithm-Ⅱ［J］. International Journal of Electrical Power & Energy Systems， 2008，30（2）： 140-149.

［10］Zhang Yong ， Gong Dunwei， Geng Na， et al. Hybrid bare-bones PSO for dynamic economic dispatch with valve-point effects［J］. Applied Soft Computing Journal， 2014，18：248-260.

［11］Mason K， Duggan J， Howley E. Multi-objective dynamic economic emission dispatch using particle swarm optimisation variants［J］. Neurocomputing， 2017，270： 188-197.

［12］Basu M. Multi-objective differential evolution for dynamic economic emission dispatch［J］. International Journal of Emerging Electric Power Systems， 2014，15（2）： 141-150.

［13］Zhang Huifeng， Yue Dong， Xie Xiangpeng， et al. Multi-elite guide hybrid differential evolution with simulated annealing technique for dynamic economic emission dispatch［J］. Applied Soft Computing， 2015，34： 312-323.

［14］Fakhim-Babaei A， Nazari-Heris M， Mohammadi-Ivatloo B， et al. Economic dispatch of large-scale integrated heat and power systems by application of a novel harmony search approach［J］. Hybrid Energy System Models， 2021，52（3）： 25-49.

［15］Yang Zhile， Li Kang， Niu Qun， et al. A self-learning TLBO based dynamic economic/environmental dispatch considering multiple plu-gin electric vehicle loads［J］. Journal of Modern Power Systems & Clean Energy， 2014，2（4）： 298-307.

［16］Ma Haiping， Yang Zhile， You Pengcheng， et al. Multi-objective biogeography-based optimization for dynamic economic emission load dispatch considering plug-in electric vehicles charging［J］. Energy， 2017，135： 102-111.

［17］Bahmanifirouzi B， Farjah E， Niknam T. Multi-objective stochastic dynamic economic emission dispatch enhancement by fuzzy adaptive modified theta particle swarm optimization［J］. Journal of Renewable & Sustainable Energy， 2012，4（2）： 013102-6.

［18］Niknam T， Golestaneh F， Sadeghi M S. θ-multiobjective teaching learning-based optimization for dynamic economic emission dispatch［J］. IEEE Systems Journal， 2012，6（2）： 341-352.

［19］武慧虹， 錢淑渠， 劉衍民， 等. 精英克隆局部搜索的多目標動態環境經濟調度差分進化算法［J］. 山東大學學報： 工學版， 2021，51（1）：11-23. （Wu Huihong， Qian Shuqu， Liu Yanmin， et al. Multiobjective dynamic economic emission dispatch differential evolution algorithm based on elites cloning local search［J］. Journal of Shandong University：Engineering Science， 2021，51（1）： 11-23.）

［20］武慧虹， 林妤， 曾茜， 等. 自適應差分進化算法及對動態環境經濟調度問題應用［J］. 計算機應用研究， 2021，38（5）：1443-1448，1454. （Wu Huihong， Lin Yu， Zeng Xi， et al. Adaptive diffe-rent evolutionary algorithm and its application of dynamic emission economic dispatch problem［J］. Application Research of Compu-ters， 2021，38（5）： 1443-1448，1454.）

［21］Qian Shuqu， Wu Huihong， Xu Guofeng. An improved particle swarm optimization with clone selection principle for dynamic economic emission dispatch［J］. Soft Computing， 2020，24（20）： 15249-15271.

［22］Elaiw A M， Xia X， Shehata A M. Hybrid DE-SQP and hybrid PSO-SQP methods for solving dynamic economic emission dispatch problem with valve-point effects［J］. Electric Power Systems Research， 2013，103： 192-200.

［23］Deb K. An efficient constraint handling method for genetic algorithms［J］. Computer Methods in Applied Mechanics & Engineering， 2000，186（24）： 311-338.

［24］De Castro L N， Von Zuben F J. Learning and optimization using the clonal selection principle［J］. IEEE Trans on Evolutionary Computation， 2002，6（3）： 239-251.

［25］Panigrahi B K， Yadav S R， Agrawal S， et al. A clonal algorithm to solve economic load dispatch［J］. Electric Power Systems Research， 2007，77（10）： 1381-1389.

［26］El-Sharkh M Y. Clonal selection algorithm for power generators maintenance scheduling［J］. International Journal of Electrical Power & Energy Systems， 2014，57（5）： 73-78.

［27］Aragon V S， Esquivel S C， Coello C C. An immune algorithm with power redistribution for solving economic dispatch problems［J］. Information Sciences， 2015，295： 609-632.

［28］Deb K， Pratap A， Agarwal S， et al. A fast and elitist multiobjective genetic algorithm： NSGA-Ⅱ［J］. IEEE Trans on Evolutionary Computation， 2002，6（2）： 182- 197.

［29］Zhu Yongsheng， Qiao Baihao， Dong Yan， et al. Multiobjective dynamic economic emission dispatch using evolutionary algorithm based on decomposition［J］. IEEE Trans on Electrical and Electronic Engineering， 2019，14（9）： 1323-1333.

［30］Kukkonen S， Deb K. Improved pruning of non-dominated solutions based on crowding distance for bi-objective optimization problems［C］//Proc of IEEE International Conference on Evolutionary Computation. Piscataway， NJ： IEEE Press， 2006： 1179-1186.

［31］Qian Shuqu， Ye Yongqiang， Jiang Bin， et al. Constrained multi-objective optimization algorithm based on immune system model［J］. IEEE Trans on Cybernetics， 2016，46（9）： 2056-2069.

［32］Mason K， Duggan J， Howley E. A multi-objective neural network trained with differential evolution for dynamic economic emission dispatch［J］. International Journal of Electrical Power & Energy Systems， 2018，100： 201-221.

［33］Basu M. Particle swarm optimization based goal-attainment method for dynamic economic emission dispatch［J］. Electric Power Components & Systems， 2006，34（9）： 1015-1025.

［34］Wang Weiwei， Dai Shijuan， Zhao Wanzhong， et al. Multi-objective optimization of hexahedral pyramid crash box using MOEA/D-DAE algorithm［J］. Applied Soft Computing， 2022，118： 108481.

［35］Zitzler E， Thiele L， Laumanns M， et al. Performance assessment of multiobjective optimizers： an analysis and review［J］. IEEE Trans on Evolutionary Computation， 2003，7（2）： 117-132.

［36］Basu M. Dynamic economic emission dispatch using evolutionary programming and fuzzy satisfying method［J］. International Journal of Emerging Electric Power Systems， 2007，8（4）： 14-19.

收稿日期：2023-02-02；修回日期：2023-03-27? 基金項目：國家自然科學基金資助項目（62241301，61762001）；貴州省教育廳創新群體重大研究資助項目（黔教合KY字［2019］069）；貴州省教育廳青年科技人才成長資助項目（黔教合KY字［2020］131號）；安順學院研究生創新專項資助項目（asxysrt（202223）號）

作者簡介：唐湘黔（1994-），男，貴州遵義人，碩士研究生，主要研究方向為智能優化算法及應用；錢淑渠（1978-），男（通信作者），安徽樅陽人，教授，碩導，博士，主要研究方向為計算智能、系統建模與控制（shuquqian@163.com）；武慧虹（1980-），女，山西太原人，教授，碩士，主要研究方向為智能優化算法、群與圖．