0 前言

目前，分布式电源(Distributed Generation,DG)与传统集中式发电相结合给用户供电的方式将是未来智能电网的发展趋势[1]。由于DG接入电网对线路潮流[2]、节点电压[3]、供电可靠性和安全性[4]的影响与其接入电网的位置和容量有密切关系[5]。因此，对DG进行容量优化研究十分必要。从经济性角度，以配电公司或用户的网损、DG投资和运行费用最小等为优化目标[6-8]；从电网安全可靠运行角度，以停电损失最小、电压稳定裕度最大等为优化目标[9-10]；从环境效益角度，以DG安装容量最大、减少污染物排放最大等为优化目标[11]。由于上述各优化目标间可能存在相互矛盾，而只能在各目标之间进行协调和折衷处理，优化结果往往是一组Pareto解[12]，同时要满足系统安全运行约束条件。因此，DG容量优化问题是一个多变量、多约束、多目标的混合整数非线性规划问题[13]。

针对DG的容量优化问题，国内外相关学者提出经典的数学优化算法、启发式算法和人工智能算法等来求解。例如，以有功网损、电压改善程度和环境改善程度为目标函数，将DG选址定容问题转化为多目标非线性规划问题，采用目标逼近和二次序列规划方法对提出的模型进行求解[14]; 以DG有功出力为目标函数，DG的输出功率、线路的热稳定极限等作为约束条件，建立优化模型，利用线性规划方法求解[15]; 将静态电压稳定裕度以惩罚函数的形式引入目标函数，采用遗传算法来求解所建立的DG规划模型[16]; 采用改进多目标粒子群算法对配网中分布式电源的接入位置进行优化[17]。上述这些方法在处理多目标DG规划时，将多个目标函数通过加权值转化为单目标优化，权值的选取对DG规划的结果有较大影响，无法得到Pareto全局最优解，并非真正意义的多目标DG规划。本文采用改进粒子群自适应算法(Improved Particle Swarm Adaptive Algorithm，IPSAA)求解配电网分布式电源容量配置的多目标优化问题，获得了好的效果，弥补了粒子群(Particle Swarm Optimization, PSO)容易陷入局部最优和搜索精度不高的缺陷。

1 分布式电源容量的优化模型

1.1 多目标函数

DG容量优化应综合考虑经济指标和技术指标，经济指标包括DG和线路的投资费用、运行维修费用和有功网损等，技术指标主要包括静态电压稳定裕度和节点电压偏移量等。本文考虑系统的有功网损最小、DG的投资和运行费用最小、节点电压偏移量最小三个指标，构建DG规划的多目标优化的目标函数[13]为

 

(1)

式中：Ploss、C、ΔV分别为系统有功网损、DG的投资和运行成本、节点电压的偏移量；Gk(i, j)为支路k的电导(i、j分别为支路k两端节点号)；N1、DDG、ND分别为电网支路数、安装DG的节点总数和负荷节点数；θij为节点i和节点j的电压相角差；Vi和Vj分别为节点i和节点j的电压幅值；VN、ΔVmax分别为额定电压和最大允许电压偏差，ΔVmax=Vmax-Vmin，其中Vmax、Vmin为系统电压允许上、下限值；n为DG设备的使用年限；r为贴现率；bi取值为0或1，bi=0表示对应位置未安装DG，bi=1表示对应位置安装DG；PDGi表示接入第i个节点的DG容量；Cop,i、Caz,i分别为第i个节点的DG运行维护成本和安装投资成本，单位为万元/kW。

1.2 约束条件

1.2.1 节点电压和线路电流的约束条件

节点电压和线路电流的约束条件如下:

朱永新：首先，新教育实验在阅读理论上的探索取得了一定进展。我们提出了五个基本的理论观点：一个人的精神发育史就是他的阅读史；一个民族的精神境界取决于这个民族的阅读水平；一个没有阅读的学校永远不可能有真正的教育；一个书香充盈的城市才能成为美丽的精神家园；共读共写共同生活才能拥有共同语言、共同价值和共同愿景。

Vi,min≤Vi≤Vi,min

项目直接负责的单位领导层，缺乏素养意识，只重效率不重质量，缺乏专业的项目指导，也没有专业的技术支持团队，因此很难保证工程的质量。另外，还有影响到质量管理的重要因素，就是中小型水利工程建设的经济支撑主要来源于地方财政拨款，资金层层过滤之后，可利用的款项额度不大，而且地方单位价格低，常常出现难以按照计划进行施工的情况。也有一些地方领导的愚昧无知，管理项目和处理问题上不知轻重，这也在一定程度上影响到工程建设的效率。很多项目负责人往往秉持质量第一的原则接手工程，但是在利益、进度和质量做选择时，却鲜少有人还坚持这一原则。

(2)

 

(3)

式中：Vi,min和Vi,max分别为节点电压允许的上、下限值；Gij和Bij分别为支路的电导和电纳；Iijmax为支路电流允许的上限值。

2.教育机构遭到严重破坏。抗战前，山东建立了从小学到大学相互衔接的教育机构，学校教育呈现出良好的发展态势。山东沦陷以后，这些教育机构遭到日本的严重破坏，“各校或被焚烧或被拆坏的约计十之七八”，学校的校舍、图书和器材多数毁于战火。据统计，全省约283所学校毁于日本炮火，财产损失达到4000多万元。从这些数字可以看出，在日军铁蹄践踏之下，山东较为完备的教育机构基本毁之殆尽，学校被迫内迁或停办，教师和学生被迫流亡或辍学。

1.2.2 分布式电源出力约束条件

DG有功功率上限为

0≤PDGi≤PDGmax

(4)

[12] Sierra M R, Coello C A C. Multi-objective particle swarm optimizers: A survey of the state-of-the-art[J]. International Journal of Computational Intelligence Research, 2006, 2(3): 287-308.

1.2.3 潮流的约束条件

3)目标值处理与排序。

 

(5)

 

(6)

式中：Pi和Qi分别为节点i注入的有功与无功功率；PDGi和QDGi分别为节点i分布式电源注入的有功与无功功率；PLi和QLi分别为节点i负荷的有功与无功功率；QCi为节点i无功补偿装置无功功率；NN为电网的节点数。

2 改进粒子群自适应优化算法

PSO是进化算法的一种，能有效地解决带约束的混合整数非线性优化问题。粒子是PSO算法的基本组成单位。PSO首先随机产生初始种群，在搜索过程中根据个体飞行经验和群体飞行经验更新自己的位置和速度，经过若干次迭代后达到最优位置[18]。

在标准PSO中，粒子在搜索空间中更新的速度和位置为

 

(7)

 

(8)

2) 采用非支配排序、精英保留、循环拥挤距离策略、参数自适应调整和变异策略等改进方法能够保证求解沿Pareto全局最优解集方向进行，容易获得优化结果，克服了PSO算法容易陷入局部最优解和搜索精度不高的缺陷。

PSO算法虽然在许多领域的单目标优化问题中取得了良好的效果，但在多目标优化问题的最终优化结果不唯一，是一个Pareto最优解集[19]，不能直接应用于多目标优化问题中。同时，PSO算法存在容易陷入局部最优和搜索精度不高的缺陷。基于PSO的以上缺陷，本文提出基于非支配排序、精英保留、循环拥挤距离策略、参数自适应调整和变异策略等多目标优化策略，保持种群多样性的改进粒子群自适应算法，保证优化结果向Pareto全局最优解集方向进行。

2.1 基于非支配排序的多目标优化策略

2002年，Deb提出非支配排序遗传算法(NSGA-II)[20]，首次提出了虚拟适应度。目标空间上的一点与同等级相邻两点之间的拥挤距离即为虚拟适应度。采用拥挤距离策略使种群具有较好的多样性。其中非支配排序的基本思想：按目标函数值将所有不被其他解支配的解构成的解集作为前沿1，在剩余解中将所有不被其他解支配的解构成的解集作为前沿2，重复上面的操作直至将所有解排序。非支配排序具体步骤如下：

1) 设Sp为被种群个体p支配的种群个体集合，Sp为元素个数，np初始值为0。若种群中其他个体q被p支配，则将q放入集合Sp中，并执行np=np+1。

2) 若np=0，则种群中无其他个体支配p。这时将p构成的解集作为前沿1。

降低和控制噪声的措施主要有：防止油液中渗入空气；防止泵和阀产生“气穴”现象；防止管道内产生紊流和涡流；减小或吸收管道内的压力脉动；设置防振垫(或支架)及有关隔振措施等。

3) 在剩下的解中重复上述操作，直到整个种群被分层。

4) 给每个个体分配虚拟适应度值并按照上述原则排序。排序越靠前，其对其他个体的非支配程度越大。

2.2 基于精英保留的多目标优化策略

选取IEEE33配电系统(如图2所示)为计算实例。该系统基准电压为12.66 kV，基准容量为10MVA，系统有功负荷为3.715MW，无功负荷为2.3MVar。DG容量用变量X表示，xi表示节点i的DG接入情况，xi=0则该节点不接入DG，xi=m表示该节点DG投入容量为PDGi=mPDGN。PDGN为DG的单位额定容量，其中m∈[0,PDGmax/PDGN]；PDGmax为节点最大允许接入DG容量。相关参数取值：ωmin=0.4，ωmax=0.9，kiter=200次，c1f=0.5，c1f=2.5，c2f=2.5，c2i=0.5，β=0.1，vmax=6，Vmax=1.05/p.u.，Vmin=0.95/p.u.，VN=1.0/p.u.，ΔVmax=0.5/p.u.，n=20年，R=0.0018万元/kW，Cop,i=0.12万元/kW，PDGN=50kW，PDGmax=300kW，X =[0,6]。

循环拥挤距离策略：按照非支配排序策略得到当前的子非支配解集，并将前沿放入Pk+1中，直至某代前沿加入Pk+1后恰好多于所要求规模。此时，对该前沿上的解计算拥挤距离找出拥挤距离最小的解并剔除，再对剩余的该前沿上的解计算拥挤距离，找出拥挤距离最小的解并将之剔除，直至所剩解正好能与前面所选到Pk+1中的一起能满足所要求的规模。该策略不仅可保护优良个体，而且可使优化结果均匀分布[21]。其中，拥挤距离的计算方法为

 

(9)

式中：d(i)为第i个个体的拥挤距离；d(i,m)为第i个个体在第m个目标分量上的拥挤距离；finext,m和fiform,m分别为fi,m的后一邻值和前一邻值；fi,m为第i个个体在第m个目标分量上的值和分别为fi,m的最大值和最小值。

2.3 参数自适应调整

惯性系数ω的选取对PSO的收敛性有很大影响。ω较大时，PSO算法的全局搜索能力较强；ω较小时，PSO算法的局部搜索能力越强[22]。为了增强粒子的全局和局部搜索能力，惯性系数ω、粒子学习参数c1和c2采取自适应调整策略：ω按式(10)调整，以增强粒子群算法的局部和全局搜索能力；c1和c2按式(11)和(12)进行调整[23]，c1初期取较大的值以增强算法的局部搜索能力，c2后期取较大的值以增强算法的全部搜索能力。其表达式为

ω=ωmin+(ωmax-ωmin)kiter/kmaxiter

(10)

c1=(c1f-c1i)kiter/kmaxiter+c1i

(11)

c2=(c2f-c2i)kiter/kmaxiter+c2i

(12)

式中：ωmin和ωmax分别为惯性系数的最大值和最小值；kiter和kmaxiter分别为当前迭代次数和最大迭代次数；c1i和c1f为c1的初值和终值；c2i和c2r为c2的初值和终值。

2.4 变异策略

[6] 陈琳, 钟金, 倪以信, 等.联网分布式发电系统规划运行研究[J]. 电力系统自化，2007，31(9):26-31.

 

(13)

 

(14)

式中：为第i个粒子的第d维在第k+1次迭代时变异后的飞行速率为第i个粒子的第d维在第k+1次迭代时变异后的位置；r3为0～1间的随机数；β为变异系数，通常取0～1间的随机数；vmax为粒子飞行的最大速度。

2.5 改进粒子群自适应优化算法流程

将连接到配电网的分布式电源视为功率恒定的PQ节点，利用前推回代潮流计算方法计算分布式电源接入配电网后的潮流分布，并求解系统有功网损、分布式电源的安装运行成本以及节点电压偏移量的目标函数值。基于改进多目标粒子群自适应算法的分布式电源容量优化计算的流程如图1所示。主要步骤如下：

1)相关参数及初始种群初始化。

如前所述，任何一个金融门类的发展都离不开相关市场或体系的配合和支持，因此，要发展某一类金融业务，必须事先考虑好其配套市场、配套体系的建设，特别是对发展该类业务可能衍生出的风险要有防范及化解措施。

2)优化问题求解。

考虑分布式电源对配电网潮流分布的影响。潮流方程作为等约束条件如下：

4)约束条件处理。

5)形成下一代种群。

急性化脓性中耳炎是由于感染细菌所引起，因此在治疗方面以抗感染为主，既可选择口服或静脉输注等方式以全身给药，亦可采用外用滴耳法局部给药。本研究即采用盐酸洛美沙星滴耳液进行局部治疗，并与氧氟沙星滴耳液进行效果比较。氧氟沙星属于喹诺酮类抗生素，其可抑制局部细菌繁殖，快速清除致病菌。

6)依迭代数判断计算结束。若未到达迭代数，则回到2)；若到达迭代数，则计算结束。

  

图1 基于改进多目标粒子群自适应优算法的分布式电源容量优化计算流程图

 

Fig.1 Computing flow for sizing optimization of distributed generation basing on improved multi-objective particle swarm adaptive algorithm

3 实例计算与分析

保留父代优良个体与子代形成混合种群，即为精英保留策略。本文采用精英保留策略及循环拥挤距离的思想以提高种群多样性。当代解集Pk在每次PSO计算后会产生其子代Qk，将Pk、Qk的目标函数集组合为M，对M进行非支配排序，确定M的全部非支配解前沿面FM，计算FM的循环拥挤距离，根据排序得到对应的下一代解集Pk+1。

展望未来,可以更加突出和强调可持续城市建设规划在城市发展中的顶层设计作用,引领和协调城市发展。我国作为发展中国家的城市化历程、可持续城市发展和建设经验,也可以为其他发展中国家提供参考。

中国的丧葬文化中一直存在着简丧薄葬与隆丧厚葬的对立，这既与社会经济状况相关联，更与文化风俗信仰密不可分。笼统地说来，原始先民限于经济条件实行最原始意义上的简丧薄葬，殷商重鬼神而实行隆丧厚葬；西周用礼制文化弱化与约束殷商旧制，春秋战国礼崩乐坏厚葬之风又有所抬头，至秦代达到一个厚葬高峰；汉代儒学推崇孝文化，隆丧厚葬之风兴盛；魏晋南北朝时代战乱形势促使简丧薄葬盛行，至唐代经济发达厚葬之风再盛；宋元明清时代由于封建制度定型、朝廷等级制度森严，从而进入丧葬相对守制的常态阶段。因此，丧葬主张因时代不同、经济状况不同和文化习俗不同而呈现出各自特点。

迭代200次后目标函数非支配解空间(Pareto)最优解集如图3所示。由图3可看出，由于DG总投资运行成本最小与网损最小这两个目标值之间有明显的矛盾关系，网损随着DG总投资和运行成本的减少而增大；DG总投资运行成本最小与节点电压偏差最小这两个目标值之间有明显的矛盾关系，节点电压偏差随着DG总投资和运行成本的减少而增大。因此，要兼顾各个目标函数选取折中解。

  

图2 IEEE33节点配电系统

 

Fig.2 IEEE 33-nodes distribution system

  

图3 迭代200次各目标函数的非支配解空间

 

Fig.3 Non-dominated solution space of objective function after iterative 200 times

在图3中，在各目标函数的非支配解空间中选取三种方案，解1、解2和解3分别代表DG总投资与运行成本最小、网损最小和节点电压偏差最小的方案，分别为方案1、方案2和方案3，其目标值如表1所示，DG接入节点和容量如表2所示。由表1可看出，方案1的DG投资小，网损和电压偏差较大；方案3的DG投资费用较大，其电压偏差最小；方案3接入DG容量较大，网损值比方案2略大。由此可见，在DG规划时可根据实际系统要求，在Pareto最优解集中选择相应侧重目标的DG规划方案，从而克服目标函数加权值求解的缺陷，为DG规划提供借鉴依据。

 

表1 DG优化方案比较

 

Table 1 Comparison of DG optimization schemes

  

目标值方案1方案2方案3Ploss/kW111.7042.6146.34C/万元39.88242.70287.80ΔV/p.u.0.85050.25500.1458

 

表2 各方案DG接入位置和容量

 

Table 2 DG location and capacity

  

项目方案1方案2方案3接入节点4-14-18-24-30-324-7-8-14-24-25-30-324-7-8-14-18-24-25-30-32接入容量/kW300-300-300-250-100-50150-300-50-250-100-300-250-100200-150-300-300-200-250-150-300-50

4 结 论

1) 构建以网损、DG投资运行费用和电压偏差最小为目标函数的配电网分布式电源容量优化的多目标模型，能够在兼顾配电网分布式电源投资运行费用、网损和电压偏移最小化的基础上实现分布式电源容量配置和布点的优化。

式中：k为迭代代数；c1和c2为粒子学习参数；r1和r2为0～1内的随机数是第i个粒子在第k次迭代时的飞行速率为第i个粒子在第k次迭代时的位置；ω为惯性系数和分别为全体最优值和单个最优值。

3) 采用虚拟适应度函数构建方法、非支配排序方法和参数自适应调整方法对配电网多类型分布式电源容量优化问题的多目标函数值进行处理，能够保持种群更好的多样性，增强粒子群算法的局部和全局搜索能力。参考文献:

通过对比发现虽然异常指数自动圈定综合异常效率快、不会遗漏异常元素、异常形态贴合实际等优点，但无法解决地层、构造等地质因素对综合异常的影响，而这种影响在综合异常圈定过程中是至关重要的，不能忽视。因此，这里可以先利用综合异常指数圈定，再根据地质因素调整的方法来确定最终采用的综合异常。

[1] 邱晓燕，夏莉丽，李兴源．智能电网建设中分布式电源的规划[J]．电网技术，2010，34(4)：7-10．

QIU Xiaoyan，XIA Lili，LI Xingyuan．Planning of distributed generation in construction of smart grid[J]．Power System Technology，2010，34(4)：7-10．

[2] 余昆，曹一家，陈星莺，等．含分布式电源的地区电网动态概率潮流计算[J]．中国电机工程学报，2011，31(1)：20-25．

人心有许多情感足以战胜死亡——战场上的仇忾压倒死亡，相爱者的忠诚战胜死亡，自由的荣耀蔑视死亡。一个流放的时代，曾经冲动而不自如，后来有罪而不自觉，现在纵观统筹、高谈阔论。我说过我真正感兴趣的是人们在危急时刻的表现。

YU Kun，CAO Yijia，CHEN Xingying，et al．Dynamic probability power flow of district grid containing distributed generation[J]．Proceedings of the CSEE，2011，31(1)：20-25．

[3] Borges C L T，Falcao D M．Impact of distributed generation allocation and sizing on reliability, losses and voltage profile[C]//Proceedings of 2003 IEEE Bologna Power Technology Conference, June 23-26, 2003, Bologna, Italy．

[4] Chowdhury A A，Sudhir K A，Don O K．Reliability modeling of distributed generation in conventional distribution systems planning and analysis[J]．IEEE Transactionss on Industry Application，2003，39(5)：1493-1498．

[5] 王守相，王慧，蔡声霞．分布式发电优化配置研究综述[J]．电力系统自动化，2009，33(18)：110-115．

2.要考虑合同的一方当事人不履行的行为占了合同内容的比例。如果一方当事人不履行义务的行为占合同规定的比例较大，影响了合同目的的实现，就可能构成对债务的不履行；一方当事人不履行合同义务的行为占合同规定的比例较小，仅是存在不影响合同实现的瑕疵时，就可能不构成对债务的不履行。

WANG Shouxiang，WANG Hui，CAI Shengxia．A review of optimization allocation of distributed generations embedded in power grid [J]．Automation of Electric Power Systems，2009，33(18)：110-115．

由于变异策略为种群通过变异产生某个优异粒子时，该优异粒子能够对其他粒子产生引导作用，使群体朝着最优解方向搜索，以此避免陷入局部最优。因此，变异操作可以增强粒子的全局搜索能力，提高解的多样性。本文PSO采用的变异策略：当整群粒子的飞行速度都小于一限定值时，在规定范围内按照式(13)和式(14)随机改变某些粒子速度的某些维上的值，以增加粒子的全局搜索能力。其表达式为

CHEN Lin, ZHONG Jin, NI Yixin, et al. A study on grid-connected distributed generation system planning and its operation performance[J]. Automation of Electric Power Systems, 2007, 31(9):26-31.

基于此，本文尝试对机场与旅游业发展的耦合关系进行研究，运用交通优势度概念，建立能够测度机场条件优劣的机场优势度评价指标体系，参考刘耀彬[24]、毕其格等[25]的研究，构建机场优势度与旅游业发展水平的耦合关联模型，对二者的关联度与耦合度进行测度，分析二者关联的主要影响因素以及耦合度的时空特征，其目的在于丰富机场与旅游业发展关系的相关研究，为二者的协调发展和国家相关政策的落实提供建议。

[7] RANJBA R N T , SHIRANI A M , OSTADIL A R. A new approach based on ant algorithm for Volt/Var control in distribution network considering distributed generation[J]. Iranian Journal of Science & Technology, 2005, 29(4):1-14.

[8] UTAM U , HULANANT H N . Optimal DG placement in deregulated electricity market[J]. Electric Power System Research, 2007, 77(2):1627-1636.

[9] RGES C L T, LCAO D M. Optimal distribute DG generation allocation for reliability, losses and voltage improvement[J]. Electrical Power and Energy Systems，2006，8(6):413-420.

[10] G REAT BANKS J A , POPOVIC D H, BEGOVIC M , et al . On optimization for security and reliability of power systems with distributed generation[C]//Proceedings of 2003 IEEE Bologna Power Technology Conference, June 23-26, 2003, Bologna, Italy :1-8.

[11] HARRISON G P , WALLACE A R. Optimal power flow evaluation of distribution network capacity for the connection of distributed generation. IEE Proceedings:Generation,Transmission and Distribution, 2005, 152(1):115-122.

式中：PDGmax为节点最大允许接入DG容量。

[13] 王瑞琪, 李珂, 张承慧,等. 基于多目标混沌量子遗传算法的分布式电源规划[J]. 电网技术, 2011, 35(12):183-189.

WANG Ruiqi,LI Ke, ZHANG Chenghui, et al.Distributed Generation Planning Based on Multi-Objective Chaotic Quantum Genetic Algorithm [J]．Power System Technology，2011，35(12)：183-189．

[14] 郑漳华，艾芊，顾承红，等．考虑环境因素的分布式发电多目标优化配置[J]．中国电机工程学报，2009，29(13)：23-28．

ZHENG Zhanghua，AI Qian，GU Chenghong，et al．Multi-objective allocation of distribution generation considering environmental factor[J]．Proceedings of the CSEE，2009，29(13)：23-28．

“我心中也好奇，跟了过去，发现柴垛后，二表哥和娟儿，正一丝不挂地交缠在一起，此时二人正一脸惊恐地看着小表姐！

[15] Keane A，O'Malley M．Optimal allocation of embedded generation on distribution networks[J]．IEEE Transactions on Power Systems，2005，20(3)：1640-1646 ．

[16] 陈海焱，段献忠，陈金富．计及配网静态电压稳定约束的分布式发电规划模型与算法[J]．电网技术，2006，30(21)：11-14．

CHEN Haiyan，DUAN Xianzhong，CHEN Jinfu．Distributed generation planning model and algorithm considering static voltage stability constrain in distribution network[J]．Power System Technology，2006，30(21)：11-14(in Chinese)．

[17] 周洋,许维胜,王宁,等. 基于改进粒子群算法的多目标分布式电源选址定容规划[J]. 计算机科学, 2015(B11):16-18.

ZHOU Yang,XU Weisheng,WANG Ning,et al.Multi-objective Siting and Sizing of Distributed Generation Planning Based on Improved Particle Swarm Optimization Algorithm[J]. Computer Science，2015(B11):16-18.

[18] James K. Particle swarm optimization[M]. Springer，2011.

[19] Maurice C, James K. The particle swarm-explosion, stability, and convergence in a multidimensional complex space[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(1):58-73.

[20] Kalyanmoy Deb，Amrit Pratap，Sameer Agarwal，et al．A fast and elitist multiobjective genetic algorithm：NSGA-II．IEEE Transactions on Evolutionary Computation[J]，2002，6(2)：182-197．

[21] 王秀丽, 李淑慧, 陈皓勇,等. 基于非支配遗传算法及协同进化算法的多目标多区域电网规划[J]. 中国电机工程学报, 2006, 26(12):11-15.

WANG Xiuli, LI Shuhui, CHEN Haoyong, et al.Multi-objective and Multi-district Transmission Planning Based on NSGA-II and Cooperative Co-evolutionary Algorithm[J]．Proceedings of the CSEE，2006，26(12)：11-15(in Chinese)．

[22] Shi Y，Eberhart R．A modified particle swarm optimizer[C]//Proceedings of IEEE International Conference on Evolutionary Computation．Piscataway，NJ：IEEE，1998：69-73．

[23] Suganthan P N. Particle swarm optimiser with neighbourhood operator[C]//Proceedings of the 1999 Congress on Evolutionary Computation, 1999. CEC 99.. IEEE, 1999.