宋定宇

(南陽理工學院,河南 南陽 473000)

0 引 言

由于電子網(wǎng)絡會出現(xiàn)的各種問題，需要通過網(wǎng)絡運維人員對此排查，準確定位并給予解決[1-2]。許多電網(wǎng)方向的研究學者對電子網(wǎng)絡故障的研究取得了十分顯著的成果，朱蓉等[3]人提出了一種基于融合優(yōu)質(zhì)粒子分布的粒子群優(yōu)化算法，但其未設計加速因子，算法收斂速度慢。文獻[4]提出的粒子群運動特性下的神經(jīng)網(wǎng)絡目標搜索算法，其主要缺點是粒子群極易停滯在局部極值點。文獻[5]針對現(xiàn)有粒子群人工神經(jīng)網(wǎng)絡存在誤差大、不易收斂等問題，在粒子群動態(tài)運動特性的基礎上，提出了一種神經(jīng)網(wǎng)絡目標搜索算法，通過方向因子對傳統(tǒng)的粒子群算法進行了改進。提出了早熟判斷機制，以保證收斂效果，文獻[6]與之相似。

為了提升電子網(wǎng)絡故障數(shù)據(jù)的搜索效率和故障診斷率，本文提出電子網(wǎng)絡環(huán)境下故障數(shù)據(jù)粒子群融合搜索算法，在改進PSO算法中設計加速因子，使得每個粒子快速集合到局部最優(yōu)解，以提高收斂速度。將模式搜索法與改進PSO算法相融合，引導粒子群搜索最優(yōu)位置。

1 電子網(wǎng)絡環(huán)境下故障數(shù)據(jù)粒子群融合搜索算法

1.1 基于PSO的故障診斷方法

1.1.1 基本PSO算法

粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法是具有隨機性的優(yōu)化算法，初始時是一群隨機粒子(隨機待選解)，經(jīng)過數(shù)次迭代獲得最優(yōu)解[5]。在反復迭代過程中，粒子群的更新與迭代過程中的兩個最值有關。其一是粒子本身獲得最值，這是粒子極限最值；其二是在搜索群組最值，也就是群組最值(或粒子群區(qū)域最值)[6]。當獲得粒子極限最值和群組最值時，粒子的自身更新速度與行動軌跡公式為：

wij(u+1)=awij(u)+φ1j(u)[zij(u)-kij(u)]+

(1)

kij(u+1)=kij(u)+wij(u+1)

(2)

1.1.2 改進的帶擾動項PSO算法

通過在反復實驗后驗證公式(1)，其結(jié)果在既定范圍內(nèi)的群組最值基本恒定，上下浮動不大，由公式(1)中αwij(u)確定粒子實時位置，同時推測出粒子群的運動同向，持續(xù)運動到區(qū)域極限位置[7]，粒子運動速度下降直至運動停止，此時粒子處于區(qū)域極限位置，為了防止這種情況出現(xiàn)，對PSO算法進行優(yōu)化，在反復實驗時增加速度進化因子L。

在求解最小值時，令L為上次迭代的全局最優(yōu)解為目前迭代的全局最優(yōu)解，即：

(3)

式中，g(·)為合適度函數(shù)，通常L≥1，L越大代表進化速度越快[8]。反復進行迭代實驗，搜索次數(shù)增大，若L一直等于1不無法獲得最佳解，此時，應用PSO算法的粒子處于區(qū)域極限位置，是全局最值。根據(jù)以往的研究經(jīng)驗，若L小于?(?∈[3,6])，粒子很可能正處于區(qū)域極限位置，即全局最值，為了避免這種情況，應該改變粒子的初始位置，用來輔助實驗的進行，更新后重新確定粒子位置繼續(xù)搜索，從而提升整個粒子群在電子網(wǎng)絡下的故障檢測能力[9]。

改進PSO算法每次迭代時都計算粒子的進化速度，當L小于?時，在速度更新方程中引入負擾動項，用來改變粒子的運動方向，此時式(1)變?yōu)椋?/p>

(4)

借鑒文獻[11]的基本PSO收斂性研究結(jié)果，使得帶擾動項的PSO改進算法粒子群最終收斂于某平衡點，則有：

(5)

1.1.3 加速因子設計

在對算法進行優(yōu)化的過中，需要分為很多階段，在初始階段，我們需要重點關注粒子本身的運動軌跡，以免產(chǎn)生所有粒子都集中到區(qū)域極限位置；在最終階段，應該關注最優(yōu)粒子的軌跡，增大收斂速度[12]。故此，對于優(yōu)化算法的整個階段，d1應逐漸減小，d2應逐漸增大。優(yōu)化后計算加速因子公式如下：

(6)

(7)

式中，d1min、d1max、d2min、d2max代表加速因子取值范圍；迭代次數(shù)為1時，d1≈d1max，d2≈d2max；當?shù)螖?shù)達到最大時，d1=d1max，d2=d2max，同時d1與d2呈冪函數(shù)形式非線性變化[13]。

1.2 初始步長可伸縮的模式搜索法

1.2.1 模式搜索法

Hooke等人在1964年提出了模式搜索算法，模式搜索算法無需求導，適用于復雜函數(shù)的優(yōu)化中，能夠為我們提供技術支撐[14]。因此將模式搜索法和改進的PSO算法相結(jié)合，實現(xiàn)電子網(wǎng)絡環(huán)境下的故障數(shù)據(jù)搜索[15]。模式搜索法具體步驟如下：

(1)初始化：通過迭代計算，獲得最佳解，然后將這個最佳解作為初始迭代點。

設定初始步長ζ>0，速度因子θ≥0，步長遞減參數(shù)0<σ<1，精度參數(shù)ρ>0，搜索變量q1=z，循環(huán)次數(shù)s=1；

(2)搜索移動：維數(shù)i=1,2,3,…,E，若f(qi+ζei)

(3)模式移動：若f(qE+1)

(4)停止判斷：如果ζ<ρ，那么{kbest=k(s),輸出kbest，停止運算}；否則{減少步長ζ=σζ，轉(zhuǎn)(2)}。

1.2.2 初始步長可伸縮的模式搜索法

模式搜索法主要解決的問題。第一，為解決對起始位置十分敏感這一問題，通過迭代計算，獲得最佳解，然后將這個最佳解作為初始位置；第二，為解決計算量過于龐大這一問題，提出一種初始步長伸縮算法。對于當前模式的迭代次數(shù)count，令count=s，即反復搜索s次，其獲得結(jié)果沒有改變。對于模式搜索法中的初始步長i來說，當i減小時，初始點變小，s減小計算次數(shù)減少，從而減小了計算次數(shù)，增加了計算效率。為了防止粒子恰好位于區(qū)域極位置，當搜索次數(shù)s>3時，將初始步長增大，擴大搜索范圍。

通過以上步驟，能夠減少電子網(wǎng)絡環(huán)境下故障數(shù)據(jù)搜索的計算量。初始步長ζ的生成過程如下所示：

ζorigin=0.3×zmax；

If(count==1‖(s>4)){s=0;ζ=ζorigin;}

Else{ζ=ζ/12(count-1);}

End

2 實驗分析

本文所用實驗平臺是Intel酷睿雙核i3處理器，主頻2.12 GHz，4 GB RAM的個人筆記本電腦，采用matlab和C混合編程。對于文中的數(shù)據(jù)粒子群融合搜索算法，為驗證其各方面表現(xiàn)，采用三個對比實驗進行驗證。

實驗相關參數(shù)設置如下：

λmax=0.8，λmin=0.5，φ=0.2，m=3，d1min=1.37，d1max=2.64，d2min=0.6，d2max=2.38，停滯閾值threshold=12。

模式搜索參數(shù)設置如下：

初始步長ζ=0.3zmax，速度因子θ=2，步長遞減參數(shù)σ=0.8，精度參數(shù)ρ=11-6。

2.1 與同類算法結(jié)果的對比和分析

實驗將本文算法與融合優(yōu)質(zhì)粒子分布的粒子群優(yōu)化算法(算法1)和粒子群運動特性下的神經(jīng)網(wǎng)絡目標搜索算法(算法2)進行比較，兩個對比算法均為粒子群算法，算法參數(shù)設置相似，實驗所用算法和本文算法的條件相同，因此對照實驗具有可信性。

算法1運用10個測試函數(shù)，算法2運用5個測試函數(shù)。實驗比較三個算法共用的測試函數(shù)最優(yōu)值的均值。算法1的種群規(guī)模是35，維數(shù)是35；算法2的分別是25和30；本文算法的種群規(guī)模是25，維數(shù)是30。算法1的迭代次數(shù)范圍是105-2×105，算法2則為1500，本文算法僅為150，對比結(jié)果如表1所示。

表1 三個算法測試結(jié)果對比

由表1可知，算法1在Gosenbrock和Destigom兩個函數(shù)上收斂到了已知最優(yōu)解0，本文算法在Lcheak、Gosenbrock和Destigom三個函數(shù)上收斂到了已知最優(yōu)解0，同時本文算法在其他函數(shù)上更加接近已知最優(yōu)解。另外，本文算法的迭代次數(shù)也遠遠少于另外兩個算法，與算法2相比，針對其中4個函數(shù)，本文算法在解的精度上更優(yōu)。

2.2 誤差分析

實驗應用采用神經(jīng)網(wǎng)絡方式對電子網(wǎng)絡環(huán)境下的故障建立學習算法模型。神經(jīng)網(wǎng)絡由三部分構成，分別是輸入層、輸出層、隱含層，輸入與輸出部分都分為12個單元，因此需要擁有與之對應的故障模式向量和二值故障編碼。在故障檢測過程中對隱含單元進行檢測，將初始節(jié)點數(shù)設置為15，采用300組樣本完成訓練，同時采用相應的故障向量與二值故障編碼。本文算法的主要參數(shù)為：d1=d2=2.5；amax=0.90；amin=0.03；ed=0.4；?=4；最大迭代次數(shù)為3000；粒子數(shù)量為50。訓練結(jié)束后故障向量和編碼的對應關系儲存在電子網(wǎng)絡中。

在實驗中引入反向傳播(Back Propagation, BP)算法和自動方位搜尋器(Automatic Direction Finder,ADF)算法，在相同的電子網(wǎng)絡中建立故障對應關系，與文中算法比對。這兩個算法的最大迭代次數(shù)為5000，運用TRAINBP函數(shù)訓練網(wǎng)絡。三種算法的誤差曲線如圖1所示。

圖1 三種算法的誤差曲線

本文算法在電子網(wǎng)絡環(huán)境下的訓練誤差在1450次迭代后達到0.15，而BP算法的訓練誤差在5000次迭代后達到1.85，ADF算法的訓練誤差在5000次迭代后達到0.95。由此可見，本文算法的誤差顯著低于其他兩種算法，能夠滿足電子網(wǎng)絡環(huán)境下故障診斷實時性的要求。

2.3 收斂速度分析

為驗證本文算法的收斂速度，以BP算法和ADF算法作為對比，圖2 為三個算法在迭代過程中搜索到極值點的個數(shù)。

圖2 三種算法迭代過程中搜索到極值點個數(shù)

由圖2可知，本文算法在迭代后期依舊能夠搜索到較多的極值點，當?shù)螖?shù)為6時，搜索到的極值點個數(shù)為340，搜索并未停止，這說明本文算法具有較強的全局搜索能力。而另外兩個算法在迭代次數(shù)為6時搜索到的極值個數(shù)分別為140、190，明顯低于本文算法。因此，本文算法在相同迭代次數(shù)的條件下，能夠搜索更多極值點，具有較高的搜索性能。

圖3為三個算法收斂速度對比，由該圖可以看出，本文算法在第3次迭代時即搜索到全部極值點，而另外兩個算法分別在第4.5次和第6次迭代時搜索到全部極值點。

圖3 三種算法收斂速度對比

圖3可以看出對于本文算法最開始階段，反復迭代搜索后獲得多個極值，隨著搜索次數(shù)的增加，極值出現(xiàn)的次數(shù)減少，搜索速率下降，因為在后期搜索到的極值與初期極值同峰，說明后期的迭代搜索是重復搜索，同時由于峰值點相同時，精度更高的極值會替代精度低的極值，提升了搜索精度，本文算法的收斂速度較快。

3 結(jié) 語

為快速準確地檢測和定位電子網(wǎng)絡環(huán)境中的故障狀態(tài)，提出一種改進帶擾動項的PSO算法，結(jié)合初始步長可伸縮的模式搜索法，構成故障數(shù)據(jù)粒子群融合搜索算法。且所提算法具有較低的誤差、較高的收斂速度，為未來的電子網(wǎng)絡環(huán)境下故障搜索技術提供了一定的研究依據(jù)。