利用多目标粒子群算法MOPSO以及多目标免疫算法NNIA求解综合能源系统规划问题
最近在搞综合能源系统规划，发现这玩意儿真是个大坑——既要考虑电力、热力、冷能多种能源耦合，还得兼顾经济性、环保性和可靠性。传统的单目标优化根本hold不住，这时候多目标优化算法就成了救命稻草。今天咱们重点唠唠MOPSO（多目标粒子群）和NNIA（多目标免疫算法）这两个实战派选手。
先拿MOPSO开刀，这算法的核心思想就是让一群粒子在解空间里群魔乱舞。每个粒子都带着自己的位置和速度满地图乱窜，边飞边记录个人最优解，同时参考群体里的精英解。不过多目标场景下"最优解"变成了一堆帕累托解，这时候就得搞个外部存档来存这些优质方案。
看个简化版的粒子更新代码片段：
class Particle: def __init__(self, dim): self.position = np.random.uniform(-5,5,dim) # 解空间范围根据实际问题调整 self.velocity = np.zeros(dim) self.best_position = self.position.copy() def update_velocity(self, global_best, w=0.6, c1=1.4, c2=1.4): leader = random.choice(global_best) self.velocity = w*self.velocity + \ c1*np.random.rand()*(self.best_position - self.position) + \ c2*np.random.rand()*(leader - self.position) def update_position(self): self.position += self.velocity # 这里需要添加越界处理逻辑这里有个骚操作：每次更新速度时，不是直接找全局最优，而是随机从外部存档里挑个解当leader。这样做既能保持解的多样性，又能避免算法过早收敛。实际应用时得注意速度限制和位置越界处理，特别是能源规划问题中变量往往有物理约束（比如设备容量不能为负）。
再来说说NNIA这个免疫算法界的扛把子。它的核心机制是克隆扩增——让优质抗体大量复制，同时引入变异操作保持种群多样性。在能源规划中，这个特性特别适合处理各种约束条件，比如设备启停的耦合关系。
看段克隆操作的实现：
def clone_amplify(antibodies, clone_factor=10): clones = [] for idx, ab in enumerate(antibodies): clone_num = int(clone_factor * (len(antibodies)-idx)/len(antibodies)) for _ in range(clone_num): new_ab = mutate(ab) # 变异函数需要根据问题设计 clones.append(new_ab) return sorted(clones, key=lambda x:x.domination_rank)[:500] # 控制种群规模这里用了个反向排序克隆的策略——质量越高的抗体（支配等级越低）克隆得越多。这种精英保留机制能快速收敛到帕累托前沿，不过要注意变异强度的自适应调整，否则容易陷入局部最优。在实际的能源规划中，变异操作需要结合设备类型的约束，比如燃机启停次数限制就得用特殊编码处理。
两种算法在实际应用中的表现差异挺有意思。MOPSO在中小规模问题上计算速度更快，适合需要快速出方案的场景。之前做过一个包含风光储能的微网规划案例，MOPSO在200代左右就能找到不错的解集。而NNIA在处理复杂约束时更稳，特别是当目标函数存在多个局部最优时，它的克隆抑制机制能更好保持解集分布性。
不过两种算法都会遇到通病——参数调优。比如MOPSO的惯性权重设置，在冷热电联供系统规划中，初期需要较大探索空间（w=0.8），后期则需要精细搜索（w=0.4）。这可以通过动态调整策略来优化：
# 动态惯性权重示例 def adjust_weight(iteration, max_iter): return 0.8 - 0.4 * (iteration / max_iter)最后给个实战建议：做综合能源规划时，可以先用MOPSO快速筛选出潜力解区域，再用NNIA在这些区域里深度挖掘。记得目标函数里一定要加入网损和碳排放的惩罚项，不然优化出来的方案可能在工程上根本没法落地。代码实现时多注意约束处理的技巧，比如用修复函数处理越界值，比单纯用惩罚项更有效。
