阅读《基于CPSO和DE改进粒子群算法的无功优化仿真》的感想
PS：文中提到的对比的文章都是指的是《电力系统无功优化的LRS-PSO算法》-陈功贵
CPSO
Chaotic Particle Swarm Optimization 混沌优化形成的混沌粒子群，优点是减少了粒子陷入局部最优的可能。
DE
Differential Evolution 差异进化算法，特点是进行交叉操作。对于PSO的作用是可以增加粒子的多样性。
PS:经过昨天的学习，对于粒子多样性的理解是，由于PSO产生粒子都是通过rand()函数也就是一个随机的矩阵函数产生的，可能会导致产生的出现搜索的范围局限，使用交叉操作可以把这个区域变得更加多样。
这篇文章的验证思路是：将PSO、CPSO、IPSO进行对比，使用的节点系统还是IEEE30系统。
但是这篇文章多介绍了一个特点，进行20次电力系统的仿真。说明了一个特点，在每次对于算法的改进之后，都需要对于电力系统进行多次的仿真。
电力系统的无功优化的介绍
文章的下一版块对于电力系统的无功优化方程进行了说明，与上篇文章一模一样，只是在这篇文章中的特点是没有将其归纳为“潮流方程”，而是分为有功方程与无功方程进行了阐述。而在对于优化目标可化为罚函数的板块一模一样。
对于粒子群算法的改进阐述
首先是对于经典的粒子群算法进行介绍，还是与原来的一样的算法介绍，基于两个方面，一是群体性一是社会性进行迭代的粒子群算法。
混沌算法对于PSO算法的改进方向
在于rand()随机的改进。
混沌算法就是靠着几种映射，也就是几个映射的方程进行研究。
主要的映射有：Logistic映射、Lorenz系统、Henon映射三种。
这篇文章采用的是Logistic映射
zk+1=μzk（1-zk）
具体应该如何进行映射看的还是控制参数μ。μ的范围理论给定的是0-4区间，稍后将对于混沌算法进行一个研究，包括其他的混沌算法究竟是怎样进行的。需要对于文章表述的所谓“内部规律”
具体应用上的改进反应在，对于加速系数a1和a2的确定上不像往常是一个常数，而是使用混沌算法的Logistic映射函数每一次都更新产生一个新的值。
在这篇文章中，对于控制参数μ的选择为4（但是不知道为什么选4，就像是昨天不知道众多的加速系数a1、a2等等参数究竟怎么确定的取值，可能是经验数据确定的吧？）
交叉算子的操作（通过DE如何对于PSO进行改进）
在数学式子的表达上体现在对于每一次变异的与rand()函数相关联的选择。
保留原来位置的条件变为rand<p(交叉概率)，属于0-1区间的概率变量；或者是触及到边界条件。而更新位置的条件还是otherwise
但是依然有两个疑问
1.不明白p的取值究竟是怎么定的，是使用rand定义还是一个固定值。
2.不明白这个式子中对于otherwise的定义如何。
此疑问在下一版块得到解释
将教授的Matlab程序拷贝见下，该段程序可以解答应用上的许多问题。
for i=1:N//粒子总数for j=1:Cn//控制变量个数，对于无功优化来说，在使用了罚函数之后对于负荷节点电压U1i和无功发电功率Qg这两个不能自身满足约束的状态变量进行了刻画之后，加上发电机端电压Ug、变压器抽头变比T以及无功补偿装置容量Qc这三个状态变量一共是5个状态变量。if (rand<Logistic_p)||(j==round(Cn * rand +0.5))//Logistic_p就是上述中的概率变量，对于它的取值是根据DE算法来迭代给定的，首先它不是一个常数，也正是由此利用了混沌算法，区别于原来的PSO算法搜索的常数，Cn * rand +0.5参数作为rand()函数的参数，是区别于经典算法的位置之二，作用是表示对于参数Cn * rand +0.5就近取整数，保证每一个分量至少进行一次交叉操作。H(j.i)=X(j,i);elseH(j,i)=Pbest(i) .Position(j);//这个位置变量表示第i个粒子的最好位置的第j个分量endendpSample(i).Position=H(1:Cn,i)//循环结束之后新矩阵H的元素进入粒子群位置矩阵，完成一个带有交叉操作的迭代。//通过这样的操作增加了更优解的可能性，使得种群多样性增加。
下一个步骤还是与上篇文章一样，描述在无功优化的领域的操作步骤，一步步确定的值是什么。
算例分析
算例分析的第一部分应该被代吉直接拿用了，行文一模一样，节点系统连接图都连带一模一样。
接下来还是一模一样的展示出三个算法的最优、最差、平均位置，但是这次多了最大降损率、标准偏差、平均时间三个比较内容。
下面这段解释性的文字非常值得学习！！！后续数模可以考虑这样子进行有关于经济或者相关数据的解释。PS:教授写了一个错别字
记录如下
根据IPSO算法的最优化结果，IEEE30节点系统的要有功功率损耗降低了0.724 145MW（PS：这个参数是原始的有功功率损耗5.832与IPSO的最优Ploss5.107855比较的结果），比初始值条件下的有功损耗降低了12.42%。若按每度电0.5元来计算，基于IPSO的无功优化在24h内可节省约0.868974万元，该数目从经济角度来讲是非常客观的。
进一步比较了三种算法在什么位置可以达到收敛。PSO迭代了不到40代（这说明它具有早熟的缺点），而IPSO迭代到了100代收敛，CPSO迭代到了80代收敛。对于算法的研究来说，是希望迭代代数尽量大一些，这样可以确保找到最有可行解。
同时也应该对于迭代的斜率进行一个比较。斜率的比较说明的是关于交叉操作对于算法起到的作用。描述上值得学习：“在第10代-60代期间，IPSO的搜索效率更高，找到的解明显优于CPSO，说明交叉操作的执行确实增加了粒子群的多样性，提高了获得更优解的可能性”
接下来列举了在这个最优解的情况下的电网的各个部分的参数设置。
今日延伸学习内容（混沌映射）
首先是按照混沌算法进行了检索学习，看了关于混沌算法的理论研究，知道它应用的领域是混沌密码学以及混沌密码分析。发展开始的阶段是一个看似的谬论，在巴西一只蝴蝶翅膀上拍打能在美国得克萨斯产生一个龙卷风，（这说明了混沌算法具有一种不可言说的规律）
关于文章提到的几种混沌映射的更加具体的呈现是：
PS：在这里解答了究竟为什么文章里面的LOGISTIC混沌参数设置为4。混沌参数μ越接近4的地方，X的取值范围越是接近平均分布在整个0-1的区域，LOGISTIC控制参数越接近于4越好。
接下来进一步学习LOGISTIC映射的改进算法，也就是使得它的平均性更好的算法。
