一种基于多目标遗传算法的输电线路路径优化方法及系统与流程

1.本发明涉及输电线路优化技术领域，尤其涉及一种基于多目标遗传算法的 输电线路路径优化方法及系统。


背景技术：

2.在输变电工程中，线路路径选择是输电线路勘察设计中最重要的环节，只 有选出合理线路线位，才能保障送变电工程顺利实施。在理想状态下，输电线 路如果能够沿直线线性前进，就可以达到经济效益最优的结果。然而现实情况 下地形地貌、气象、地物等各种经济技术干扰无处不在，这些因素都严重阻碍 输变电线路沿直线前进，路径规划过程中，尽量减少缩短整体长度，遇到地质 状况差、水温条件劣的地理条件时，输变电线路应尽可能提前预判，绕开这些 位置，确保施工安全及运行可靠性。在城市中选线要考虑到市政基础设施的综 合布局，减少房屋拆迁，架空线位置要兼顾城市景观，乡村选线要注意少占农 田、经济作物，避开村落、工矿企业等。因而需要统筹考虑电网安全性、可靠 性、稳定性以及经济性和可实施性，选择最优的输电线路。


技术实现要素：

3.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较 佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或 省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略 不能用于限制本发明的范围。
4.鉴于上述现有存在的问题，提出了本发明。
5.因此，提供一种基于多目标遗传算法的输电线路路径优化方法及系统，能够将多目标 遗传算法融入元胞自动机路径选择模型中，对元胞自动机路径选择模型进行了优化。为解 决上述技术问题，本发明提供如下技术方案：包括：
6.对输电线路路径区域内的全要素进行网格划分，定义网格内要素综合价值 评价指标，量化网格中的输电线路路径经过的区域地块价值；
7.将获得的区域地块价值输入元胞自动机模型中进行计算，得到预选路径；
8.根据非支配排序的遗传算法nsga-ii算法对随机生成的预选路径进行多 目标优化迭代计算，得到输电线路在约束条件下的最短最优路径。
9.作为本发明所述的基于多目标遗传算法的输电线路路径优化方法的一种 优选方案，其中：所述根据非支配排序的遗传算法nsga-ii算法对随机生成的 预选路径进行多目标优化迭代计算，得到输电线路在约束条件下的最短最优路 径，具体包括：
10.通过快速非支配排序、选择、交叉及变异操作后得到初始种群，种群中个 体数为n；所述种群中每一个个体代表配电网预选路径的一种结构；
11.将父代种群和子代种群合并，通过对个体进行非支配排序分层和拥挤度计 算，得到下一代种群个体；
12.对生成的新一代种群进行迭代计算，直至迭代完预先设定的最大进化代数， 输出输电线路在约束条件下的最短最优路径。
13.作为本发明所述的基于多目标遗传算法的输电线路路径优化方法的一种 优选方案，其中：所述对个体进行非支配排序分层，具体包括：
14.s311、设定两个参数ni和si；所述ni表示种群中所有个体中支配个体i 的数目；所述ni表示si种群中的个体被个体i支配的个体合集；
15.s312、找出种群中非支配解的个体，即ni＝0的个体，将非支配个体放入 集合f1中；
16.s313、对f1中的每个个体，找出集合中每个个体所支配个体集合si，对 si中的个体1对ni进行减1操作，令ni＝ni-1，当ni大小为0时，将此个体存 放在集合h中；
17.s314、定义集合f1操为第一层非支配集合，并为集合f1中每个个体标记 相同的非支配层级irank；
18.s315、对集合h中的个体重复s312、s313和s314，直至将所有个体分层。
19.作为本发明所述的基于多目标遗传算法的输电线路路径优化方法的一种 优选方案，其中：
20.所述对个体进行拥挤度计算，具体包括：
21.设定多目标优化包括目标函数f1和目标函数f2；
22.对于同一非支配层级的个体设定初始的拥挤度，设l[i]d＝0；
[0023]
对于同一非支配层级边缘上的个体，对边缘个体拥挤度人为定义一个较大 的常数值c，即：
[0024]
l[a]d＝l[b]d＝c
ꢀꢀꢀ
(1)
[0025]
对于同一非支配层级中间位置的个体，其拥挤度为：
[0026]
l[i]d＝|f1(i 1)-f1(i-1)| |f2(i 1)-f2(i-1)|
ꢀꢀꢀ
(2)；
[0027]
当目标函数有n个时，其拥挤度计算公式为：
[0028][0029]
判断两个个体是否在同一非支配层级时，如是，依据个体拥挤度l[i]d判 定个体的优劣，拥挤度l[i]d大的个体更优；否则依据非支配层级irank判定个 体的优劣，非支配层级irank值小的个体更优。
[0030]
作为本发明所述的基于多目标遗传算法的输电线路路径优化方法的一种 优选方案，其中：所述对输电线路路径区域内的全要素进行网格划分，具体包 括：
[0031]
将输电线路路径区域分为n
×
m个网格，δx表示网格纬度长度，δy表示 网格经度长度，xmax、xmin表示区域的最大、最小纬度，ymax、ymin表示区 域的最大、最小经度，则有：
[0032][0033]
记xij、yij为第(i，j)个网络中心点的经纬度坐标，其中，i＝1，2，3，
……
m； j＝1，2，3，
……
n；则有：
[0034][0035]
计算网格距离的时候，将两个网格的距离定义为两个网格中心点的距离， 且只要是在这两个网格内的地物，无论它在网格的哪个位置，它们的距离都是 这两个网格中心点的距离；第(i，j)个网络到第(p，q)个网格的距离为：
[0036]dijpq
＝|x
ij-x
pq
|l
x
|y
ij-y
pq
|lyꢀꢀꢀ
(6)；
[0037]
且有：
[0038]
l
x
＝lycos(θ)
ꢀꢀꢀ
(7)。
[0039]
作为本发明所述的基于多目标遗传算法的输电线路路径优化方法的一种 优选方案，其中：所述定义网格内要素综合价值评价指标之前，包括：
[0040]
将影响选线结果的限制性地理信息数据类型以及各类型数据的数据结构 进行存储，构建电网项目选线限制性地理信息数据库；
[0041]
根据电网项目选线限制性地理信息数据库，对输电线路路径区域进行处理。
[0042]
还提供一种基于多目标遗传算法的输电线路路径优化系统，包括：
[0043]
评价模块：对输电线路路径区域内的全要素进行网格划分，定义网格内要 素综合价值评价指标，量化网格中的输电线路路径经过的区域地块价值；
[0044]
计算模块：将获得的区域地块价值输入元胞自动机模型中进行计算，得到 预选路径；
[0045]
优化模块：根据非支配排序的遗传算法nsga-ii算法对随机生成的预选路 径进行多目标优化迭代计算，得到输电线路在约束条件下的最短最优路径。
[0046]
作为本发明所述的基于多目标遗传算法的输电线路路径优化系统的一种 优选方案，其中：所述优化模块包括：
[0047]
初始计算模块：通过快速非支配排序、选择、交叉及变异操作后得到初始 种群，种群中个体数为n；所述种群中每一个个体代表配电网预选路径的一种 结构；
[0048]
合并模块：将父代种群和子代种群合并，通过对个体进行非支配排序分层 和拥挤度计算，得到下一代种群个体；
[0049]
迭代模块：对生成的新一代种群进行迭代计算，直至迭代完预先设定的最 大进化代数，输出输电线路在约束条件下的最短最优路径。
[0050]
作为本发明所述的基于多目标遗传算法的输电线路路径优化系统的一种 优选方案，其中：所述对个体进行非支配排序分层，具体包括：
[0051]
设定两个参数ni和si；所述ni表示种群中所有个体中支配个体i的数目； 所述ni表示si种群中的个体被个体i支配的个体合集；
[0052]
找出种群中非支配解的个体，即ni＝0的个体，将非支配个体放入集合f1 中；
[0053]
对f1中的每个个体，找出集合中每个个体所支配个体集合si，对si中的 个体1对ni进行减1操作，令ni＝ni-1，当ni大小为0时，将此个体存放在集 合h中；
[0054]
定义集合f1操为第一层非支配集合，并为集合f1中每个个体标记相同的 非支配层级irank；
[0055]
对集合h中的个体重复计算种群中非支配解的个体、集合中每个个体所 支配个体
集合si，直至将所有个体分层。
[0056]
作为本发明所述的基于多目标遗传算法的输电线路路径优化统的一种优 选方案，其中：所述对个体进行拥挤度计算，具体包括：
[0057]
设定多目标优化包括目标函数f1和目标函数f2；
[0058]
对于同一非支配层级的个体设定初始的拥挤度，设l[i]d＝0；
[0059]
对于同一非支配层级边缘上的个体，对边缘个体拥挤度人为定义一个较大 的常数值c，即：
[0060]
l[a]d＝l[b]d＝c
ꢀꢀꢀ
(1)
[0061]
对于同一非支配层级中间位置的个体，其拥挤度为：
[0062]
l[i]d＝|f1(i 1)-f1(i-1)| |f2(i 1)-f2(i-1)|
ꢀꢀꢀ
(2)；
[0063]
当目标函数有n个时，其拥挤度计算公式为：
[0064][0065]
判断两个个体是否在同一非支配层级时，如是，依据个体拥挤度l[i]d判 定个体的优劣，拥挤度l[i]d大的个体更优；否则依据非支配层级irank判定个 体的优劣，非支配层级irank值小的个体更优。
[0066]
本发明的有益效果：本发明一种基于多目标遗传算法的输电线路路径优化 方法，首先，针对输电线路路径区域内的全要素进行网格划分，定义网格内要 素综合价值评价指标，挖掘网格内区域内地理信息要素数据的应用价值，量化 网格中的输电线路路径经过的区域地块价值；其次，将获得的区域地块价值输 入元胞自动机模型中进行计算，得到预选路径；通过元胞自动机模型和蚁群算 法模型，形成网格划分智能算法，实现网格智能划分；最后，根据非支配排序 的遗传算法nsga-ii算法对随机生成的预选路径进行多目标优化迭代计算，得 到输电线路在约束条件下的最短最优路径；本实施例中，很好解决了传统算法 无法按照不同目标提供多个最优路径选择的问题，遗传算法是具有自适应性和 鲁棒性特点的迭代搜索算法，主要由初始化—选择—交叉—变异等4个步骤组 成，而后3个步骤循环进行,直到满足所给定的条件或循环次数达到规定的值； 并且将多目标遗传算法融入元胞自动机路径选择模型中，引入适应度函数评价 路径选择结果，适应值越高的解越好，越接近最优解，对元胞自动机路径选择 模型进行了优化，具有极强的实用性。
附图说明
[0067]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需 要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的 一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下， 还可以根据这些附图获得其它的附图。其中：
[0068]
图1为本发明第一个实施例所述的基于多目标遗传算法的输电线路路径优 化方法的流程示意图；
[0069]
图2为本发明第一个实施例所述的基于多目标遗传算法的输电线路路径优 化方法提供的nsga-ii算法流程图；
[0070]
图3为本发明第一个实施例所述的基于多目标遗传算法的输电线路路径优 化方法提供的个体拥挤度示意图；
[0071]
图4为本发明第一个实施例所述的基于多目标遗传算法的输电线路路径优 化系统的结构示意图。
具体实施方式
[0072]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书 附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的 一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员 在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的 保护的范围。
[0073]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明 还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不 违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例 的限制。
[0074]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少 一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在 一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施 例互相排斥的实施例。
[0075]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明， 表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例， 其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及 深度的三维空间尺寸。
[0076]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等 指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述 本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、 以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第 一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0077]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广 义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械 连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件 内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在 本发明中的具体含义。
[0078]
实施例1
[0079]
s1、对输电线路路径区域内的全要素进行网格划分，定义网格内要素综合 价值评价指标，量化网格中的输电线路路径经过的区域地块价值；
[0080]
s2、将获得的区域地块价值输入元胞自动机模型中进行计算，得到预选路 径；
[0081]
s3、根据非支配排序的遗传算法nsga-ii算法对随机生成的预选路径进行 多目标优化迭代计算，得到输电线路在约束条件下的最短最优路径。
[0082]
综上，本技术实施例一提供的一种基于多目标遗传算法的输电线路路径优 化方法，首先，针对输电线路路径区域内的全要素进行网格划分，定义网格内 要素综合价值评价指标，挖掘网格内区域内地理信息要素数据的应用价值，量 化网格中的输电线路路径经过的区域地块价值；其次，将获得的区域地块价值 输入元胞自动机模型中进行计算，得到预选路径；通过元胞自动机模型和蚁群 算法模型，形成网格划分智能算法，实现网格智能划分；最后，根据非支配排 序的遗传算法nsga-ii算法对随机生成的预选路径进行多目标优化迭代计算， 得到输电线路在约束条件下的最短最优路径；本实施例中，很好解决了传
统算 法无法按照不同目标提供多个最优路径选择的问题。遗传算法是具有自适应性 和鲁棒性特点的迭代搜索算法，主要由初始化—选择—交叉—变异等4个步骤 组成，而后3个步骤循环进行,直到满足所给定的条件或循环次数达到规定的 值；并且将多目标遗传算法融入元胞自动机路径选择模型中，引入适应度函数 评价路径选择结果，适应值越高的解越好，越接近最优解，对元胞自动机路径 选择模型进行了优化，具有极强的实用性。
[0083]
可选地，在本技术实施例提供的一种基于多目标遗传算法的输电线路路径 优化方法，如图2所示，所述根据非支配排序的遗传算法nsga-ii算法对随机 生成的预选路径进行多目标优化迭代计算，得到输电线路在约束条件下的最短 最优路径，具体包括：s30、通过快速非支配排序、选择、交叉及变异操作后 得到初始种群，种群中个体数为n；所述种群中每一个个体代表配电网预选路 径的一种结构；s31、将父代种群和子代种群合并，通过对个体进行非支配排 序分层和拥挤度计算，得到下一代种群个体；s32、对生成的新一代种群进行 迭代计算，直至迭代完预先设定的最大进化代数，输出输电线路在约束条件下 的最短最优路径；本实施例中，首先根据电网路径优化后所要达到的目标建立 一个或多个目标函数，再根据电网自身特点加入约束条件，如地形地貌、经济 成本、区域条件等等，目标函数和约束条件就组成了电网路径优化的数学模型， 以电网中的路径状态进行编码，通过快速非支配排序、选择、交叉及变异操作 后得到初始种群，种群中个体数为n；将父代种群和子代种群合并，通过对个 体进行非支配排序分层和拥挤度计算，得到下一代种群个体；对生成的新一代 种群进行迭代计算，直至迭代完预先设定的最大进化代数，输出输电线路在约 束条件下的最短最优路径，最终求得最优的电网路径结构。
[0084]
进一步地，在本技术实施例提供的一种基于多目标遗传算法的输电线路路 径优化方法，所述对个体进行非支配排序分层，具体包括：
[0085]
s311、设定两个参数ni和si；所述ni表示种群中所有个体中支配个体i 的数目；所述ni表示si种群中的个体被个体i支配的个体合集；
[0086]
s312、找出种群中非支配解的个体，即ni＝0的个体，将非支配个体放入 集合f1中；
[0087]
s313、对f1中的每个个体，找出集合中每个个体所支配个体集合si，对 si中的个体1对ni进行减1操作，令ni＝ni-1，当ni大小为0时，将此个体存 放在集合h中；
[0088]
s314、定义集合f1操为第一层非支配集合，并为集合f1中每个个体标记 相同的非支配层级irank；
[0089]
s315、对集合h中的个体重复s312、s313和s314，直至将所有个体分层。
[0090]
进一步地，同一层非支配个体集合中，为了保证解的个体能均匀分配在 pareto前沿，就需要使同一层中的非支配个体具有多样性，否则，个体都在某 一处“扎堆”，将无法得到pareto最优解集；nsga-ii采用了拥挤度策略， 即计算同一非支配层级中某给定个体周围其他个体的密度；如图3所示，设定 多目标优化包括目标函数f1和目标函数f2，其某一层级中个体i拥挤密度可 以表示为仅仅包含个体i而不含同层级中其他个体的最大矩形的周长的一半； 所述对个体进行拥挤度计算，具体包括：
[0091]
s316、设定多目标优化包括目标函数f1和目标函数f2；
[0092]
s317、对于同一非支配层级的个体设定初始的拥挤度，设l[i]d＝0；
[0093]
s318、对于同一非支配层级边缘上的个体，对边缘个体拥挤度人为定义一 个较大
的常数值c，即：
[0094]
l[a]d＝l[b]d＝c
ꢀꢀꢀꢀ
(1)
[0095]
s319、对于同一非支配层级中间位置的个体，其拥挤度为：
[0096]
l[i]d＝|f1(i 1)-f1(i-1)| |f2(i 1)-f2(i-1)|
ꢀꢀꢀ
(2)；
[0097]
当目标函数有n个时，其拥挤度计算公式为：
[0098][0099]
s320、判断两个个体是否在同一非支配层级时，如是，依据个体拥挤度l[i]d判定个体的优劣，拥挤度l[i]d大的个体更优；否则依据非支配层级irank判定 个体的优劣，非支配层级irank值小的个体更优。
[0100]
本实施例中，通过对种群个体进行非支配排序和拥挤度计算后，种群中每 个个体都有两种属性参数，一个是种群中个体是非支配层级irank和个体拥挤 度l[i]d，当每个个体拥有这两个属性，就可以通过这两个属性判定任意两个 个体的支配关系。当两个体没有处在同一非支配层级时，通过判断irank大小， 确定个体优劣，irank值小的个体比irank大的个体更优；当两随机个体处于同 一非支配层级时，依据个体拥挤度l[i]d判定个体的优劣，拥挤度l[i]d大的个 体比拥挤度l[i]d小的个体更优。
[0101]
可选地，在本技术实施例提供的一种基于多目标遗传算法的输电线路路径 优化方法，所述对输电线路路径区域内的全要素进行网格划分，具体包括：
[0102]
s10、将输电线路路径区域分为n
×
m个网格，δx表示网格纬度长度，δy 表示网格经度长度，xmax、xmin表示区域的最大、最小纬度，ymax、ymin表 示区域的最大、最小经度，则有：
[0103][0104]
s11、记xij、yij为第(i，j)个网络中心点的经纬度坐标，其中，i＝1，2， 3，
……
m；j＝1，2，3，
……
n；则有：
[0105][0106]
s12、计算网格距离的时候，将两个网格的距离定义为两个网格中心点的 距离，且只要是在这两个网格内的地物，无论它在网格的哪个位置，它们的距 离都是这两个网格中心点的距离；第(i，j)个网络到第(p，q)个网格的距 离为：
[0107]dijpq
＝|x
ij-x
pq
|l
x
|y
ij-y
pq
|lyꢀꢀꢀꢀ
(6)；
[0108]
且有：
[0109]
l
x
＝lycos(θ)
ꢀꢀꢀ
(7)。
[0110]
本实施例中，通过元胞自动机模型和蚁群算法模型，形成网格划分智能算 法，实现网格智能划分。
[0111]
可选地，所述定义网格内要素综合价值评价指标之前，包括：s4、将影响 选线结果的限制性地理信息数据类型以及各类型数据的数据结构进行存储，构 建电网项目选线限
制性地理信息数据库；s5、根据电网项目选线限制性地理信 息数据库，对输电线路路径区域进行处理；本实施例中，对海量多源异构地理 信息数据处理和融合集成技术研究，将海量多源异构地理信息数据通过处理和 融合，形成了广域地理信息数据集，该数据集包含了各种各样的地理信息数据； 根据评价体系模型，从广域海量异构地理信息数据中，梳理出影响选线结果的 限制性地理信息数据类型以及各类型数据的数据结构；然后对限制性地理信息 数据进行抽取，数据是智能选线工作开展的基础，因此，需根据梳理出的限制 性地理信息数据类型和数据结构，从广域地理信息数据集中抽取相应的数据， 并利用大数据分析、图形计算、数据库技术和图层技术，构建电网项目选线限 制性地理信息数据库，形成电网项目选线知识图谱，为输电线路智能选线业务 开展提供数据保障。
[0112]
图4是根据本技术实施例提供的一种基于多目标遗传算法的输电线路路径 优化系统的结构示意图，如图4所示，该系统包括：
[0113]
评价模块1：对输电线路路径区域内的全要素进行网格划分，定义网格内 要素综合价值评价指标，量化网格中的输电线路路径经过的区域地块价值；
[0114]
计算模块2：将获得的区域地块价值输入元胞自动机模型中进行计算，得 到预选路径；
[0115]
优化模块3：根据非支配排序的遗传算法nsga-ii算法对随机生成的预选 路径进行多目标优化迭代计算，得到输电线路在约束条件下的最短最优路径。
[0116]
可选地，在本技术实施例提供的一种基于多目标遗传算法的输电线路路径 优化系统中，所述优化模块包括：
[0117]
初始计算模块：通过快速非支配排序、选择、交叉及变异操作后得到初始 种群，种群中个体数为n；所述种群中每一个个体代表配电网预选路径的一种 结构；
[0118]
合并模块：将父代种群和子代种群合并，通过对个体进行非支配排序分层 和拥挤度计算，得到下一代种群个体；
[0119]
迭代模块：对生成的新一代种群进行迭代计算，直至迭代完预先设定的最 大进化代数，输出输电线路在约束条件下的最短最优路径。
[0120]
可选地，在本技术实施例提供的一种基于多目标遗传算法的输电线路路径 优化系统中，所述对个体进行非支配排序分层，具体包括：设定两个参数ni 和si；所述ni表示种群中所有个体中支配个体i的数目；所述ni表示si种群 中的个体被个体i支配的个体合集；找出种群中非支配解的个体，即ni＝0的个 体，将非支配个体放入集合f1中；对f1中的每个个体，找出集合中每个个体 所支配个体集合si，对si中的个体1对ni进行减1操作，令ni＝ni-1，当ni 大小为0时，将此个体存放在集合h中；定义集合f1操为第一层非支配集合， 并为集合f1中每个个体标记相同的非支配层级irank；对集合h中的个体重复 计算种群中非支配解的个体、集合中每个个体所支配个体集合si，直至将所有 个体分层。
[0121]
可选地，在本技术实施例提供的一种基于多目标遗传算法的输电线路路径 优化系统中，所述对个体进行拥挤度计算，具体包括：
[0122]
设定多目标优化包括目标函数f1和目标函数f2；
[0123]
对于同一非支配层级的个体设定初始的拥挤度，设l[i]d＝0；
[0124]
对于同一非支配层级边缘上的个体，对边缘个体拥挤度人为定义一个较大 的常数值c，即：
[0125]
l[a]d＝l[b]d＝c
ꢀꢀꢀꢀ
(1)
[0126]
对于同一非支配层级中间位置的个体，其拥挤度为：
[0127]
l[i]d＝|f1(i 1)-f1(i-1)| |f2(i 1)-f2(i-1)|
ꢀꢀꢀ
(2)；
[0128]
当目标函数有n个时，其拥挤度计算公式为：
[0129][0130]
判断两个个体是否在同一非支配层级时，如是，依据个体拥挤度l[i]d判 定个体的优劣，拥挤度l[i]d大的个体更优；否则依据非支配层级irank判定个 体的优劣，非支配层级irank值小的个体更优。
[0131]
实施例2
[0132]
为本发明实施例二提供的nsga-ii算法非支配排序分层计算结果表，如图 1所示，假设种群个体包括个体1、个体2、个体3、个体4、个体5、个体6、 个体7，通过对个体进行非支配排序分层计算后，集合f1包括个体1、个体2、 个体3，第二层包括个体4、个体5，第三层包括个体6、个体7。
[0133]
表1 nsga-ii算法非支配排序分层计算结果表
[0134][0135]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述 为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述 的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进 行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选 实施例，所涉及的动作和模块并不一定是本技术所必须的。
[0136]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详 述的部分，可以参见其他实施例的相关描述。
[0137]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置，可通过其 它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单 元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例 如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略， 或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接 可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它 的形式。
[0138]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为 单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者 也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部 单元来实现本实施例方案
的目的。
[0139]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元 中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的 形式实现。
[0140]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或 使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术 的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部 或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介 质中，包括若干指令用以使得一台计算机设备(可为个人计算机、移动终端、 服务器或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。 而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机 存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种 可以存储程序代码的介质。
[0141]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参 照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可 以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精 神和范围，其均应涵盖在本发明的权利要求范围当中。