徐大勇，趙 楊，舒方舟，閆 羲，戴曉強(qiáng)

（1.海軍裝備部駐南京地區(qū)第一軍事代表室，江蘇 南京 210006；2.江蘇科技大學(xué) 自動(dòng)化學(xué)院，江蘇 鎮(zhèn)江 212100）

0 引言

近年來(lái)，世界范圍內(nèi)對(duì)低碳式發(fā)展的呼聲愈演愈烈，各行業(yè)的“綠色轉(zhuǎn)型”已成為國(guó)際共識(shí)［1-2］。由于船舶具有載貨量大、可遠(yuǎn)洋航行等優(yōu)點(diǎn)，使航運(yùn)業(yè)成為了國(guó)際經(jīng)貿(mào)合作中的重要一環(huán)，但在保障全球物資流動(dòng)的同時(shí)，船舶消耗了大量化石燃料。據(jù)英國(guó)勞氏船級(jí)社統(tǒng)計(jì)，目前航運(yùn)業(yè)的二氧化碳年排放量占全球總量的2.33%，硫氧化物、氮氧化物年排放量占比分別為20%與30%［3-5］。

隨著電力推進(jìn)、電能存儲(chǔ)與新能源發(fā)電技術(shù)的發(fā)展與成熟，逐步提高的排放限制要求，造船業(yè)面臨著更換船舶主要?jiǎng)恿?lái)源的問(wèn)題［6-7］。相較于使用內(nèi)燃機(jī)、蒸汽機(jī)和汽輪機(jī)等傳統(tǒng)能源的船舶主機(jī)，使用電動(dòng)機(jī)作為全電驅(qū)船的主動(dòng)力裝置后，電能便成為了連接全部船載電氣裝置設(shè)備的紐帶。因此，船舶電網(wǎng)的電能流動(dòng)情況，將直接影響船舶航行動(dòng)力。

為了在完成預(yù)期航行任務(wù)和保證船舶動(dòng)力供應(yīng)的前提下，降低航行過(guò)程中的運(yùn)營(yíng)成本，減少污染排放，應(yīng)充分協(xié)調(diào)電網(wǎng)的各分布式電源工作狀態(tài)，優(yōu)化各船載設(shè)備調(diào)度計(jì)劃。國(guó)內(nèi)外已有相關(guān)學(xué)者對(duì)此開(kāi)展研究，Kalikatzarakis等［8］基于等效能耗最小化策略與動(dòng)態(tài)規(guī)劃方法實(shí)時(shí)優(yōu)化船舶行進(jìn)策略，降低了約6%的燃油消耗成本。肖能齊等［9］基于工況識(shí)別的規(guī)則型能量管理策略，實(shí)時(shí)調(diào)節(jié)各船載設(shè)備的當(dāng)前工作狀態(tài)，節(jié)省了船舶燃油成本，減少了污染排放。印波等［10-13］針對(duì)同一個(gè)能量管理優(yōu)化問(wèn)題，通過(guò)改變算法機(jī)制提升能量管理策略的優(yōu)化幅度，但并未結(jié)合優(yōu)化問(wèn)題本身改進(jìn)算法機(jī)制。隨著新能源發(fā)電裝置的應(yīng)用與推廣，使船舶電網(wǎng)中的電能供給形式增多，導(dǎo)致上述調(diào)度工作的復(fù)雜程度呈指數(shù)規(guī)模上升，現(xiàn)有能量管理策略的制定方式難以應(yīng)對(duì)上述變化。

綜上，本文基于全電驅(qū)船的電網(wǎng)模型構(gòu)建能量管理策略的實(shí)時(shí)優(yōu)化模型，分析模型實(shí)際需求后使用蜜獾優(yōu)化算法驅(qū)動(dòng)模型（Improved Honey Badger Algorithm，IHBA）優(yōu)化能量管理策略。此外，根據(jù)優(yōu)化問(wèn)題的實(shí)際特征改進(jìn)標(biāo)準(zhǔn)算法，通過(guò)仿真實(shí)驗(yàn)驗(yàn)證所提方法的有效性與先進(jìn)性。

1 全電驅(qū)船電網(wǎng)模型

圖1 中全電驅(qū)船的電網(wǎng)模型主要由分布式電源、電力推進(jìn)系統(tǒng)、其他電氣負(fù)載3 部分組成。分布式電源包括柴油發(fā)電機(jī)（Diesel Engine，DE）、光伏發(fā)電設(shè)備（Photovoltaic Generation Equipment，PGE）、蓄 電池 組（Storage Battery Pack，SBP）、超級(jí)電容器（Supercapacitor，SC）、岸電供給設(shè)備（Shore Power Equipment，SPE）、電力推進(jìn)系統(tǒng)（Electrical propulsion system，EPS）。EPS 包含推進(jìn)電動(dòng)機(jī)、螺旋槳等；其他電氣負(fù)載（Load，L）指除電力推進(jìn)系統(tǒng)外的全部電氣負(fù)載，電網(wǎng)各裝置數(shù)學(xué)模型可參考文獻(xiàn)［10］。

Fig.1 Power grid model of all electric ship圖1 全電驅(qū)船電網(wǎng)模型

為提高研究成果的可擴(kuò)展性與推廣價(jià)值，全電驅(qū)電網(wǎng)模型包含了4 類不同工作特性的分布式電源，基本涵蓋了目前的主流船用電源［14-16］。柴油發(fā)電機(jī)代表具有穩(wěn)定輸出能力，但發(fā)電過(guò)程伴有污染排放情況的一類電源；光伏發(fā)電設(shè)備代表出力情況受限于外界環(huán)境，具有波動(dòng)性與間歇性的一類電源；蓄電池組代表供電能力有限，能量密度高、功率密度低的一類電源；超級(jí)電容器代表供電能力有限，能量密度低、功率密度高的一類電源。

2 能量管理策略的實(shí)時(shí)優(yōu)化模型

全電驅(qū)船的實(shí)時(shí)優(yōu)化模型由4 部分組成：能量管理策略即為優(yōu)化變量；優(yōu)化變量的評(píng)價(jià)指標(biāo)即為目標(biāo)函數(shù)；優(yōu)化變量的取值范圍即為約束條件；優(yōu)化變量的求解方法即為優(yōu)化算法。

2.1 優(yōu)化變量

能量管理策略的實(shí)時(shí)優(yōu)化模型與全電驅(qū)船能量管理策略的全局優(yōu)化過(guò)程相似，需要優(yōu)化分布式電源的出力方案［17-19］，但兩者不同之處在于：

（1）船舶航行特性決定了它并不需要頻繁、主動(dòng)調(diào)整實(shí)時(shí)航速，在絕大部分航行時(shí)間內(nèi)將處于巡航狀態(tài)，因此在本文所建立的實(shí)時(shí)優(yōu)化模型中，航速將不再作為優(yōu)化變量，而是令船舶在既定航速下保持巡航狀態(tài)。

（2）實(shí)時(shí)優(yōu)化模型不再需要優(yōu)化全航程內(nèi)的各分布式電源的工作狀態(tài)，因此本文建立的實(shí)時(shí)優(yōu)化模型的優(yōu)化變量被設(shè)置為由1 小時(shí)航時(shí)內(nèi)的全電驅(qū)船中各分布式電源的出力方案組成，即每分鐘的柴油發(fā)電機(jī)的輸出功率PDE(t)、蓄電池組的輸出功率PSBP(t)和超級(jí)電容器的輸出功率PSC(t)。

綜上所述，在相同的全電驅(qū)船電力系統(tǒng)模型條件下，實(shí)時(shí)優(yōu)化模型相較于全局優(yōu)化模型，優(yōu)化變量與分量個(gè)數(shù)更少，但實(shí)時(shí)優(yōu)化任務(wù)對(duì)算法運(yùn)算速度提出了更高要求，即實(shí)時(shí)優(yōu)化模型應(yīng)具有快速響應(yīng)特性。

2.2 目標(biāo)函數(shù)

式中，S1、S2、S分別為經(jīng)濟(jì)成本、排放成本和總成本。

總成本S為優(yōu)化模型的總優(yōu)化目標(biāo)，經(jīng)濟(jì)性目標(biāo)S1由柴油發(fā)電機(jī)的使用成本CDE、蓄電池組的使用成本CSBP和超級(jí)電容器的使用成本CSC組成，排放成本S2為全電驅(qū)船航行過(guò)程中的排放廢氣總量EDE。

（1）柴油發(fā)電機(jī)使用成本。

其中，price為柴油油價(jià)，Vfuel為柴油發(fā)電機(jī)的燃油消耗量，α(·)為柴油發(fā)電機(jī)的運(yùn)維費(fèi)用系數(shù)，是負(fù)荷率LFH的函數(shù)。

（2）蓄電池組使用成本。

其中，CDeg，SBP為蓄電池組的衰退損耗費(fèi)用，βSBP為蓄電池組的衰退損耗系數(shù)，BCD為蓄電池組的充、放電交替循環(huán)系數(shù)，BE為蓄電池組的過(guò)量使用幅度。

（3）超級(jí)電容器使用成本。

其中，CDeg，SC為超級(jí)電容器的衰退損耗費(fèi)用，βSC為超級(jí)電容器的衰退損耗系數(shù)，CCD為超級(jí)電容器的充、放電交替循環(huán)系數(shù)。

（4）廢氣的環(huán)境成本。

其中，ξi為船用柴油發(fā)電機(jī)消耗燃油時(shí)排放的大氣污染物中不同污染氣體的轉(zhuǎn)換系數(shù)。

由于本文所構(gòu)建的優(yōu)化模型需要具備快速響應(yīng)特性，而基于Pareto 支配關(guān)系的多目標(biāo)處理方法計(jì)算耗時(shí)較長(zhǎng)。為此，將式（1）簡(jiǎn)化為：

其中，E'DE為全電驅(qū)船所排放廢氣的環(huán)境治理成本，ζi為各種氣體的單位體積治理成本。

綜上所述，通過(guò)式（6）、式（7）將多目標(biāo)問(wèn)題簡(jiǎn)化為單目標(biāo)問(wèn)題，進(jìn)而使實(shí)時(shí)優(yōu)化模型滿足快速響應(yīng)特性的需求。

2.3 約束條件

（1）功率平衡約束。

式中，PDE(t)、PPGE(t)、PSBP(t)、PSC(t)分別表示t時(shí)刻的柴油發(fā)電機(jī)、光伏發(fā)電設(shè)備、蓄電池組和超級(jí)電容器的輸出功率。由前文可知，本文所建立的優(yōu)化模型岸電供給設(shè)備的輸出功率PSPE(t)恒等于零，PEPS(t)、PL(t)分別為電力推進(jìn)系統(tǒng)和其他電氣負(fù)載的功率需求。

（2）分布式電源輸出功率約束。

（3）儲(chǔ)能裝置容量約束。

（4）爬坡功率約束。

式中，PDE(t)、PDE(t+1)分別為柴油發(fā)電機(jī)在第t、t+1 時(shí)刻的輸出功率，PSBP(t)、PSBP(t+1)分別為蓄電池組在第t、t+1 時(shí)刻的輸出功率，ΔPDE、ΔPSBP分別為柴油發(fā)電機(jī)和蓄電池組的爬坡功率，PDE，limit、PSBP，limit分別為柴油發(fā)電機(jī)和蓄電池組的最大爬坡功率。

2.4 優(yōu)化算法

本文使用集群智能算法驅(qū)動(dòng)實(shí)時(shí)優(yōu)化模型，優(yōu)化船舶能量管理策略。雖然，現(xiàn)階段存在諸如粒子群算法（Particle Swarm Optimization，PSO）等廣泛應(yīng)用的集群智能算法，但應(yīng)自身更新機(jī)制特點(diǎn)限制，PSO 的優(yōu)化過(guò)程普遍會(huì)陷入停滯狀態(tài)，浪費(fèi)了大量的計(jì)算算力。

本文將PSO 應(yīng)用于優(yōu)化模型后，優(yōu)化過(guò)程曲線顯示確實(shí)存在停滯狀態(tài)，因此PSO 無(wú)法應(yīng)用于本文研究之中。此外，由NFL 定理可知，直接在新研究問(wèn)題中套用集群智能算法的現(xiàn)有研究成果會(huì)產(chǎn)生不適應(yīng)性；反之，在集群智能算法的實(shí)際應(yīng)用過(guò)程中，更適合針對(duì)性地挑選標(biāo)準(zhǔn)算法改進(jìn)適應(yīng)性。

綜上所述，在集群智能算法應(yīng)用與本文所研究的優(yōu)化問(wèn)題中，需要在部分標(biāo)準(zhǔn)算法中進(jìn)行測(cè)試，選擇能成功應(yīng)用的標(biāo)準(zhǔn)算法，結(jié)合研究問(wèn)題的具體特征對(duì)算法機(jī)制進(jìn)行改進(jìn)，即由一種泛化能力（Generalization Ability）強(qiáng)的標(biāo)準(zhǔn)算法得到一種特化能力（Specialization Ability）強(qiáng)、針對(duì)性好的算法，從而提升算法的優(yōu)化幅度。

3 蜜獾優(yōu)化及其改進(jìn)算法

3.1 蜜獾優(yōu)化算法

蜜獾優(yōu)化算法（Honey Badger Algorithm，HBA）基于蜜獾對(duì)蜂蜜的搜索與采集行為而提出的一種群體智能的演化計(jì)算方法［20-24］，具體流程如圖2所示。

Fig.2 Flow of honey badger algorithm圖2 蜜獾優(yōu)化算法的流程

步驟1：算法參數(shù)初始化，生成初始候選解種群。

步驟2：設(shè)置蜂巢對(duì)第i個(gè)個(gè)體xi的吸引度Ii。

式中，xprey為蜂巢所在位置，rand為隨機(jī)數(shù)。

步驟3：更新密度因子α。

式中，it、MaxIt分別為當(dāng)前迭代代數(shù)和最大迭代代數(shù)，C為常數(shù)系數(shù)。

步驟4：選擇行為模式。個(gè)體隨機(jī)地選擇行為模式，進(jìn)入挖掘階段或采蜜階段。

挖掘階段：

式中，F(xiàn)為搜索方向標(biāo)志，β指蜜獾獲取獵物的能力。

采蜜階段：

步驟5：重新定位蜂巢。此時(shí)，種群評(píng)價(jià)最高的個(gè)體的位置即為新蜂巢位置。

步驟6：是否滿足結(jié)束條件？若滿足則執(zhí)行步驟7。否則執(zhí)行步驟2。

步驟7：結(jié)束運(yùn)算，輸出結(jié)果。

3.2 改進(jìn)蜜獾優(yōu)化算法

通常，集群智能算法對(duì)運(yùn)算過(guò)程的實(shí)際時(shí)長(zhǎng)不敏感，但對(duì)相對(duì)時(shí)長(zhǎng)較為敏感，即當(dāng)前迭代代數(shù)與最大迭代代數(shù)所表征的算法運(yùn)行時(shí)間的相對(duì)值。為適應(yīng)優(yōu)化模型的快速響應(yīng)特性需求，本文設(shè)計(jì)了一種時(shí)間尺度下的HBA 改進(jìn)算法，提高迭代初期的搜索能力并加速搜索過(guò)程。

3.2.1 改進(jìn)密度因子αS

由于集群智能算法的更新機(jī)制普遍存在強(qiáng)隨機(jī)性，即便在相同參數(shù)設(shè)置下，每次迭代運(yùn)算時(shí)長(zhǎng)具有不確定性。為滿足優(yōu)化模型的快速響應(yīng)需求，需要在其運(yùn)算時(shí)間達(dá)到限值后，立即停止運(yùn)算并輸出當(dāng)前的最優(yōu)結(jié)果。

為此，IHBA 將核心參數(shù)密度因子由原本的隨迭代代數(shù)變化方式，改進(jìn)為隨仿真時(shí)間變化的方式。如式（18）所示，隨著運(yùn)算過(guò)程進(jìn)行，算法通過(guò)改變密度因子αS值，逐漸讓搜索由全局探索轉(zhuǎn)變?yōu)榫植块_(kāi)發(fā)，使算法在既定仿真時(shí)限內(nèi)，迅速完成搜索傾向轉(zhuǎn)變，加速算法整體運(yùn)算過(guò)程。

式中，time、TIME分別為當(dāng)前仿真時(shí)間和最大仿真時(shí)間。

3.2.2 改變行為模式選擇方式

根據(jù)分析算法更新機(jī)制，在HBA 中個(gè)體行為模式差異將導(dǎo)致搜索傾向發(fā)生變化。因此，IHBA 將改進(jìn)個(gè)體行為模式的選擇方式，使個(gè)體在算法迭代過(guò)程的不同時(shí)期能擁有適宜的搜索傾向。

在HBA 中個(gè)體根據(jù)概率隨機(jī)選擇，即每次選擇行為模式時(shí)挖掘階段和采蜜階段的概率各占1/2。但在IHBA 中，個(gè)體將按優(yōu)化問(wèn)題實(shí)際需求選擇行為模式。由于本文所研究的優(yōu)化問(wèn)題存在約束條件，在仿真開(kāi)始后算法首要目標(biāo)應(yīng)尋找可行解，則個(gè)體的行為模式應(yīng)以挖掘階段為主，即此時(shí)算法更傾向于全局探索解空間，試圖快速尋找可行解，保證算法結(jié)束運(yùn)行后至少能輸出可行的優(yōu)化方案。

隨著仿真持續(xù)進(jìn)行，算法的首要目標(biāo)轉(zhuǎn)換為優(yōu)化當(dāng)前種群中的可行解，受仿真時(shí)間限制，算法無(wú)需再?gòu)慕饪臻g中尋找新的可行解再進(jìn)行優(yōu)化，而是應(yīng)在有限的剩余時(shí)間內(nèi)對(duì)現(xiàn)存可行解進(jìn)行優(yōu)化，因此算法需要快速轉(zhuǎn)換為以采蜜階段為主，即此時(shí)算法更傾向于搜索現(xiàn)有可行解周邊區(qū)域，尋找可能存在的更優(yōu)質(zhì)的解。IHBA 中個(gè)體選擇行為模式的概率計(jì)算方式為：

式中，pro為個(gè)體以挖掘階段作為其行為模式的選擇概率，選擇采蜜階段作為行為模式的概率為(1-pro)，r*為挖掘階段的初始選擇概率，設(shè)定為固定常數(shù)且r*∈(0，1)。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 算例設(shè)置

全電驅(qū)船的預(yù)期航速恒定為12.52 海里/h，其他電氣負(fù)載的功率需求曲線如圖3 所示。仿真實(shí)驗(yàn)的模擬航行時(shí)長(zhǎng)為1h，單位時(shí)間長(zhǎng)度為1min。

Fig.3 Curve of power demand of other electrical loads圖3 其他電氣負(fù)載功率需求曲線

船舶在航行過(guò)程中不可避免地會(huì)受到波浪、海風(fēng)等水文要素影響，所受阻力可分為水和空氣阻力。其中，水阻力占主要部分［25］。由于本文求解的是實(shí)時(shí)優(yōu)化問(wèn)題，無(wú)法忽略阻力對(duì)船只及推進(jìn)系統(tǒng)的影響，當(dāng)船舶處于巡航狀態(tài)時(shí)，實(shí)際推進(jìn)功率并非為一個(gè)既定航速所對(duì)應(yīng)的固定值，因此推進(jìn)系統(tǒng)會(huì)做一部分功克服船舶所受的阻力。

本文將航行水域的風(fēng)浪等級(jí)分為3 級(jí)，不同等級(jí)下的實(shí)際推進(jìn)功率曲線如圖4所示。其中，“風(fēng)浪等級(jí)I”代表此時(shí)航行水域風(fēng)浪等級(jí)較??；“風(fēng)浪等級(jí)II”代表此時(shí)航行水域相對(duì)平靜，但偶爾會(huì)出現(xiàn)較大風(fēng)浪；“風(fēng)浪等級(jí)III”代表此時(shí)航行水域風(fēng)浪等級(jí)較高。為體現(xiàn)光伏發(fā)電設(shè)備受環(huán)境因素限制而產(chǎn)生的輸出波動(dòng)性，本文按照光照強(qiáng)度將光伏發(fā)電設(shè)備的輸出能力劃分為3 個(gè)等級(jí)。具體的，當(dāng)光照強(qiáng)度較高時(shí)，令PPGE(t)=800 kW 并標(biāo)識(shí)為“A”；當(dāng)光照強(qiáng)度一般時(shí)，令PPGE(t)=600 kW 并標(biāo)識(shí)為“B”；當(dāng)光照強(qiáng)度較低時(shí)，令PPGE(t)=200 kW 并標(biāo)識(shí)為“C”。

Fig.4 Curve of real-time power in different wind-wave level圖4 不同風(fēng)浪等級(jí)下的船舶實(shí)際推進(jìn)功率曲線

為體現(xiàn)環(huán)境因素對(duì)全電驅(qū)船能量管理策略的影響，本文結(jié)合風(fēng)浪等級(jí)與光照強(qiáng)度生成9 種典型航行場(chǎng)景，分別得到該場(chǎng)景下的實(shí)時(shí)優(yōu)化結(jié)果見(jiàn)圖5。其中，“A-I”表明此航行場(chǎng)景的光照強(qiáng)度較高且航行水域風(fēng)浪等級(jí)較小。

4.2 結(jié)果分析

圖5 為在9 種典型場(chǎng)景下，IHBA 與HBA 的優(yōu)化過(guò)程比較，部分圖中信息需要額外說(shuō)明：

（1）為體現(xiàn)優(yōu)化模型的快速響應(yīng)特性，本文在評(píng)估算法性能與比較優(yōu)化結(jié)果時(shí)，將以實(shí)際仿真時(shí)間作為橫軸元素，而并非為常用的迭代代數(shù)。由于使用迭代代數(shù)作為橫軸元素時(shí)，相同橫坐標(biāo)值下的縱軸數(shù)據(jù)忽略了每次迭代計(jì)算過(guò)程中的算法復(fù)雜度差異。換而言之，評(píng)價(jià)更高的結(jié)果可能需要更多算力資源，導(dǎo)致比較標(biāo)準(zhǔn)算法與改進(jìn)算法在相同迭代代數(shù)后的性能差距有失公允。為此，本文使用實(shí)際仿真時(shí)間作為橫軸元素，在基于控制變量原則、使用同一配置的計(jì)算機(jī)進(jìn)行仿真實(shí)驗(yàn)時(shí)，通過(guò)圖5 直觀比較兩種算法的性能差距，并且相同橫坐標(biāo)值下、不同算法的縱軸數(shù)據(jù)所需算力資源相同，從而使得比較結(jié)果真實(shí)可信，并且整個(gè)過(guò)程算法的復(fù)雜度為0。

（2）由于經(jīng)濟(jì)成本S1與排放總量EDE的數(shù)量級(jí)相差較大，為直觀、清晰展示算法的優(yōu)化過(guò)程，以首個(gè)最優(yōu)解數(shù)值為基礎(chǔ)歸一化處理數(shù)據(jù)，因此每條曲線起點(diǎn)的縱坐標(biāo)皆為100%。

（3）線型較粗的線條代表HBA 的優(yōu)化過(guò)程，線型較細(xì)的線條代表IHBA 的優(yōu)化過(guò)程，實(shí)線線型的線條代表歸一化的經(jīng)濟(jì)成本S1，虛線線型的線條代表歸一化的排放總量EDE。

如圖5 所示，在C-I、C-II 和C-III 中，子目標(biāo)更新曲線無(wú)法保持單調(diào)遞減，表明優(yōu)化過(guò)程中雖然部分當(dāng)前最優(yōu)解的總目標(biāo)函數(shù)值低于時(shí)間更早的最優(yōu)解，但前、后者互不Pareto 支配，即前者的兩個(gè)子目標(biāo)評(píng)價(jià)未能同時(shí)相較于后者更高。此時(shí)，模型受限于優(yōu)化模型的快速響應(yīng)特性需求，只能按式（6）、式（7）方式犧牲解的支配水平而提高模型總體運(yùn)算速度。

本文以圖5 中A-I 的優(yōu)化過(guò)程為例，展示了兩種算法的優(yōu)化結(jié)果比較情況（見(jiàn)圖6）。由此可見(jiàn)，IHBA 較大幅度地調(diào)節(jié)了柴油發(fā)電機(jī)的出力情況，僅微調(diào)了蓄電池組與超級(jí)電容器的出力情況，從而使其經(jīng)濟(jì)成本S1明顯下降，成本S2僅存在微小降幅，總航行成本S相較于HBA 降低了13.40%。

Fig.6 Curves of each distributed generation output圖6 各分布式電源出力曲線

綜上所述，實(shí)時(shí)優(yōu)化模型在應(yīng)用IHBA 后實(shí)現(xiàn)了預(yù)期目標(biāo)，對(duì)HBA 的改進(jìn)方法行之有效，原因可能為：

（1）密度因子αS控制著算法的搜索傾向，IHBA 基于最大仿真時(shí)間和當(dāng)前仿真時(shí)間，使密度因子αS在迭代過(guò)程中恰當(dāng)?shù)剞D(zhuǎn)變搜索傾向。如前文所述，在迭代代數(shù)相同的情況下，每次HBA 仿真時(shí)間均會(huì)存在一定的差異，在計(jì)算密度因子αS時(shí)又依賴于最大迭代代數(shù)MaxIt，因此難以設(shè)置合適的MaxIt數(shù)值，導(dǎo)致算法在仿真末期難以擁有適當(dāng)?shù)拿芏纫蜃应罶。通過(guò)式（18），IHBA 能自動(dòng)適應(yīng)由仿真時(shí)長(zhǎng)限制所帶來(lái)的影響，恰當(dāng)?shù)卦诘^(guò)程中調(diào)整密度因子αS的取值。

（2）實(shí)時(shí)優(yōu)化模型的快速響應(yīng)特性需求，要求其所使用的優(yōu)化算法能在迭代早期更傾向于在解空間中全局探索，以至少得到一個(gè)可行解，然后快速集中算力局部開(kāi)發(fā)現(xiàn)有可行解。對(duì)于本文所構(gòu)建的實(shí)時(shí)優(yōu)化模型而言，其快速響應(yīng)特性需求限制了算法的發(fā)揮空間。在此問(wèn)題中，HBA 每次對(duì)個(gè)體行為模式的選擇方式僅為依據(jù)概率二選一，在迭代過(guò)程中后期的全局探索行為浪費(fèi)了相對(duì)有限的算法算力。然而，IHBA 通過(guò)改進(jìn)個(gè)體行為模式的選擇方式，將更適合本文研究的優(yōu)化問(wèn)題與構(gòu)建的優(yōu)化模型。

5 結(jié)語(yǔ)

本文在全電驅(qū)船電網(wǎng)模型基礎(chǔ)上建立能量管理策略的優(yōu)化模型，根據(jù)實(shí)際問(wèn)題需求與特征，選擇HBA 作為驅(qū)動(dòng)算法，并對(duì)標(biāo)準(zhǔn)算法進(jìn)行針對(duì)性改進(jìn)。IHBA 中使用了實(shí)際仿真時(shí)長(zhǎng)計(jì)算算法的核心參數(shù)密度因子αS，改變了個(gè)體行為模式的選擇概率，使算法能在較短運(yùn)算時(shí)長(zhǎng)限制下，迅速調(diào)整搜索傾向完成搜索過(guò)程。實(shí)驗(yàn)表明，IHBA 能在HBA 的基礎(chǔ)上進(jìn)一步降低航行成本，使全電驅(qū)船的總航行成本S降低13.40%。

當(dāng)前，國(guó)際海事組織等機(jī)構(gòu)正逐步提高船舶排放限制要求，在后續(xù)研究工作中可通過(guò)結(jié)合懲罰措施調(diào)整排放成本S2中單位體積廢氣治理成本ζi的方式，因地制宜地調(diào)整全電驅(qū)船電力系統(tǒng)的調(diào)度計(jì)劃，以滿足不同航行水域的限制條款與環(huán)保要求。