近期，由智能算法研究中心研究人员设计的两种微搜索算法在国际知名优化算法会议——2021年IEEE进化计算大会(IEEE Congress on Evolutionary Computation, IEEE CEC)主办的竞赛中脱颖而出，取得了不俗的成绩。其中，区域电力市场竞价策略的双层优化算法在能源领域进化计算竞赛的智能电网应用赛道一上斩获桂冠；支持配电系统运营商(Distribution System Operator, DSO)请求的用电设备柔性管理算法则在智能电网应用赛道二上取得了第二名的好成绩。

图1 微搜索算法在IEEE CEC 2021竞赛赛道一上获得第一名

图2 微搜索算法在IEEE CEC 2021竞赛赛道二上获得第二名

IEEE CEC是进化计算领域规模最大的国际性学术会议。继前几届会议的成功举办之后，IEEE CEC 2021在进化计算和计算智能领域面向全球各国研究人员发起了更具挑战性的10项竞赛。其中，“能源领域的进化计算：智能电网应用”竞赛由IEEE CEC 2021、2021年IEEE国际电力与能源协会年会(IEEE Power & Energy Society General Meeting, IEEE PES GM)和2021年国际遗传与进化计算大会(Genetic and Evolutionary Computation Conference, GECCO)联合主办，参赛者都是进化计算研究领域的佼佼者，具有极高的专业水平，要在其中崭露头角绝非易事。

智能算法研究中心的研究人员针对智能电网优化问题设计了两种微搜索算法。微搜索是一种在微小范围内的定向有效搜索方法，它能集中算力，在某个确定方向或者范围获得高质量的解。在比赛中，我们将微搜索算法与其他算法进行数值实验对比。实验结果显示，微搜索算法在平均适应度、最小适应度、最大适应度等多个指标上处于领先地位，性能优势明显。

针对比赛中的优化问题，研究人员提出了两种基于时间属性分组的协同进化策略(Cooperative Coevolution Strategies with Time-dependent Grouping, CCS-TG)[1]，分别是针对区域电力市场的最优竞价算法CCS-TG-I和用电设备柔性管理优化的算法CCS-TG-II。接下来，我们将对这两种算法展开简要介绍。

CCS-TG-I给出了区域电力市场最优竞价策略的时间分组协同进化搜索方案。该算法基于微搜索框架，根据电力市场竞价的时间属性将决策变量分为多个变量子集，而后交替使用供电量搜索操作quantity _search和价格搜索操作price_search协同改进当前竞价策略。

图3 CCS-TG-I算法伪代码

与CCS-TG-I相比，CCS-TG-II中的分组函数并不直接作用于全体决策变量，而是采用微搜索中分类处理的思想，将固定设备与实时设备的相关决策变量分开处理，再根据时间周期对实时设备的强度变量进行分组。具体来说，CCS-TG-II交替改变固定设备的起始时间以及实时设备的最优强度，实现对家电的柔性管理，从而满足配电系统运营商的管理要求。

图4 CCS-TG-II算法伪代码

为了验证CCS-TG算法的有效性，研究人员选择了CE-CMAES、CUMDANCauchy、GASAPSO、AJSO和HyDE-DF这五种国际先进的元启发式优化方法与CCS-TG进行比较。

表1 投标策略优化问题的对比实验结果

表2 家电灵活管理问题的对比实验结果

表1和表2分别给出了以上6个算法在投标策略优化问题和家电灵活管理问题的20次试验中获得的平均最大适应度、最小最大适应度和最大适应度。由于这两个轨迹都被建模为最小化问题，因此适应度值越小，算法的性能越好。上述实验结果表明，我们所提出的微搜索算法在平均适应度方面优于所有其他算法，我们也凭借这一算法在竞赛“能源领域的进化计算：智能电网应用”中从多支队伍当中脱颖而出，取得了第一名的好成绩！

图5 竞赛成绩网页公示示意图

不仅如此，微搜索算法在2020年作为核心算法应用于国际知名通讯企业的室内AI辅助建模与产品设计中，在2021年落地应用于省级电力设计研究院的智慧能源系统优化运行策略中，近期还应用于物流路径规划[2]、图像前景提取[3]、软件自动测试[4]、滤波器自动调参和电子白板光源布局等。让我们期待微搜索算法能够再接再厉，在未来创造出更大的实用价值！

参考文献

[1] J. Su, H. Huang, and Z. Hao, "Cooperative co-evolution strategies with time-dependent grouping for optimization problems in smart grids," in Proceedings of the Genetic and Evolutionary Computation Conference Companion, 2021.

[2] H. Huang, S. Yang, X. Li*, and Z. Hao, "An embedded hamiltonian graph guided heuristic algorithm for two-echelon vehicle routing problem," IEEE Transactions on Cybernetics, doi: 10.1109/TCYB.2021.3108597.

[3] H. Huang, Y. Liang, X. Yang, and Z. Hao, "Pixel-level discrete multiobjective sampling for alpha matting," IEEE Transactions on Image Processing, vol. 27, no. 8, pp. 3739-3751, 2019.

[4] F. Liu, H. Huang, J. Su, S. D. Semujju, Z. Yang and Z. Hao, "Manifold-inspired search-based algorithm for automated test case generation," IEEE Transactions on Emerging Topics in Computing, vol. 99, pp. 1-15, 2021.

智能算法研究中心（原智能算法实验室，2018年与2020年更名）主要承担国内外重要智能算法类的研究课题，以算法与软件工具包的形式，根据国内外企业、科研与教育机构等单位在智能信息处理方面的需求，解决相关技术难点问题，并从中培养国际化算法研究型人才与算法工程化人才。