可持续能源开发总是涉及设计、规划和控制等复杂的优化问题，而传统优化方法往往难以计算这些问题。 幸运的是，人工智能的不断进步已经产生了越来越多的启发式优化方法来有效地处理这些复杂的问题。 特别是，受自然生物进化和/或社会群体集体行为原则启发的算法表现出了良好的性能，现在越来越流行。 本文总结了生物激励优化方法的最新进展，包括人工神经网络、进化算法、群体智能及其杂交，这些方法应用于可持续能源发展领域。 本文回顾的文献显示了当前的研究现状，并讨论了未来潜在的研究趋势。
1.简介 近年来，能源供应需求快速增长，未来可能会继续增长。 化石燃料资源日益稀缺，气候变化与碳排放有关，这一认识激发了人们对可持续能源发展的兴趣[ 1 ]. 总的来说，可持续能源发展战略涉及三大技术变革：需求方的能源节约、能源生产效率的提高以及用各种可再生能源替代化石燃料[ 2 ]. 特别是，由于它具有取之不尽、安全、减少外部能源依赖、减少电力生产和改造的影响、提高农村人口的服务水平等多重优势[ 三 ]可再生能源现在被视为世界各地的重要资源，并被视为实现社会可持续发展的关键组成部分。
可持续能源发展战略的实施涉及广泛的设计、规划和控制优化问题。 各种传统优化方法，如线性规划[ 4 – 6 ]，整数编程[ 7 , 8 ]，混合整数线性规划[ 9 – 12 ]，非线性规划[ 13 – 16 ]，动态编程（DP）[ 17 – 20 ]，约束编程[ 21 , 22 ]等已被应用于解决这些问题。 然而，当前可持续能源系统中的优化问题变得越来越复杂，特别是当它们包括可再生能源在连贯能源系统中集成时。 这是因为大多数此类问题都是非线性的、非凸的、具有多个局部最优值的，并且包含在NP-hard问题的类别中[ 23 ]. 因此，在最坏的情况下，这些传统方法可能需要指数计算时间才能获得最优解，这导致计算时间对于实际用途来说太长[ 24 ]. 近年来，现代启发式优化技术，即受人工智能概念和原理启发的随机搜索方法，在可持续能源系统的优化中越来越受欢迎。
本文综述了可持续能源开发中生物激励解决方案的最新研究进展。 我们特别关注生物激励优化算法，这些算法已应用于可再生和可持续能源系统领域的设计、规划和控制问题。 我们大致将这些方法分为三类，即人工神经网络（ANN）、进化算法（EA）和群体智能。 此外，我们还描述了最近关于个体方法杂交的工作。 这些启发式方法通常不需要深入的数学知识，并且已经证明在科学和工程领域的复杂优化问题的优化搜索中非常有用和有效。 我们相信，本文可以帮助研究人员了解这些年来出现的主要发展，并找到在实施可持续能源系统的实践中可以应用的有价值的方法。
本文的其余部分综合如下： 2 回顾了人工神经网络在可持续能源发展中的应用，第节 三 总结了EAs应用于不同类型能源优化问题的工作，第节 4 介绍了该领域使用的基于群体的方法的最新进展，第节 5 介绍了结合上述两种或多种方法的混合技术，以及第节 6 以讨论结束。
2.人工神经网络 ANN是一组神经元样处理单元的集合，这些单元之间具有加权连接，这是受我们目前对生物神经系统的理解启发的。 粗略地说，人工神经网络使用由可变权重链接连接的处理元素来形成系统的黑箱表示[ 25 ]. 神经网络可以通过调整权重进行训练，以便能够预测或分类新模式，并且它们提供了一些使用其他计算技术难以模拟的问题解决的人类特征。 人工神经网络的优点包括其对噪声数据的高容忍度，处理未经训练的模式的能力，以及可以在没有太多关于问题领域的初步知识的情况下使用它们。 然而，人工神经网络通常需要较长的训练时间，并因其可解释性差而受到批评[ 26 ].
人工神经网络在预测和预测非线性物理序列（如风[ 27 ]和水位[ 28 ])它们超出了自回归（AR）、滑动平均（MA）和自回归滑动平均（ARMA）等线性预测因子的能力[ 29 – 31 ]. 自20世纪90年代以来，人们对人工神经网络在预测电力负荷和能源需求方面的应用进行了各种研究。 川岛的早期作品[ 32 ]为1993年美国采暖、制冷和空调工程师协会举办的第一届建筑能源预测比赛开发了一个带三相退火的ANN反向传播模型。 Islam等人[ 33 ]提出了一种基于人工神经网络的天气负荷和天气能量模型，其中为这两种模型识别了一组天气和其他变量，以及它们对预测变量的相关性和贡献。 他们将这些模型应用于马斯喀特电力系统1986年至1990年的历史能源、负荷和天气数据，1991年至1992年的预测结果表明，月度电力和负荷的预测最大误差为6%和10%。 阿尔·谢赫里[ 34 ]采用人工神经网络模型对沙特阿拉伯东部省的居民用电进行预测，预测结果比多项式拟合模型更接近实际数据。 Azadeh等人[ 35 ]开发了一种基于模拟的人工神经网络，并将其应用于伊朗1994年3月至2005年2月（131个月）的月用电量预测，结果表明，与时间序列等其他模型相比，人工神经网络模型总是提供最佳解和估计。
人工神经网络也已应用于不同工业部门、地区和国家的中长期能源预测，并证明了其与传统预测模型相比的优势[ 36 – 41 ]. 在[ 42 ]Ermis等人提出了一个ANN模型，该模型基于1965年至2004年的世界能源消费数据进行训练，并应用于预测2050年的世界绿色能源消费。 据估计，2050年后，世界绿色能源和天然气消费将继续增长，而2025年和2045年后，全球石油和煤炭消费预计将保持相对稳定。
近年来，基于人工神经网络的模型也被广泛应用于各种可再生能源系统的设计和实现中。 例如，在太阳能系统的设计中，辐射数据的估计和计算非常重要。 Bosch等人[ 43 ]提出了一种仅使用一个辐射站的数据计算复杂山区太阳辐射水平的人工神经网络方法。 曹和林[ 44 ]提出了一种对角递归小波神经网络，该网络利用云层的历史信息对数据集进行采样训练，并将其应用于上海市小时辐照度预测。 Zervas等人[ 45 ]建立了一个基于人工神经网络的水平面全球太阳辐照度分布预测模型，并应用于雅典佐格拉夫大学NTUA的气象数据库。
同样，水位预测对于海洋能源的产生也是至关重要的。 Huang等人[ 46 ]开发了一个用于水位预测的ANN，该ANN已应用于考虑长期水位观测的沿海进水口。 Kazeminezhad等人[ 47 ]研究了基于人工神经网络的波浪参数预测模糊推理系统，并将其应用于安大略湖深水位置采集的波浪数据和水面风数据集。
光伏系统的性能在很大程度上取决于气象条件，尺寸是光伏系统设计的重要组成部分，即太阳能电池板数量、电池板尺寸、蓄电池尺寸以及用于某些混合应用的风力发电机尺寸的最佳选择[ 48 ]. 人工神经网络能够对复杂的非线性过程建模，而不必假定输入和输出变量之间的关系，因此基于人工神经网络的模型，包括自适应人工神经网络[ 49 , 50 ]，周期性ANN[ 51 ]，径向基函数网络（RBFN）[ 52 ]已成功应用于光伏系统的尺寸确定。
3.进化算法 进化算法（EA）是受自然生物进化原理启发的随机搜索方法，用于解决计算困难的问题。 它们非常适合于复杂的工程优化问题，这些问题可能是多模态、不可微或不连续的，因此无法用传统的基于梯度的方法求解。 通常，EA会同时演化一组可能的解决方案，并返回一组解决方案。 典型的EA包括遗传算法（GA）[ 53 ]进化编程（EP）[ 54 ]，进化策略（ES）[ 55 ]，差异演化（DE）[ 56 ]和基于生物地理学的优化（BBO）[ 57 ]. EA的优点包括实现相对简单、固有的并行体系结构以及可扩展到高维解决方案空间。
此外，在实际应用中，存在大量的多目标优化问题，即需要同时优化多个目标的问题，这些目标往往相互冲突。 对于大多数这样的问题，没有单一的最优解，因此解决方法应该搜索一组非支配（帕累托最优）解，即所有的解，以便在所有目标中没有其他更好的个体。 EA能够在一次算法运行中找到Pareto最优集的几个成员，而不像传统数学编程技术那样必须执行一系列单独的运行[ 58 ]因此非常适合处理复杂的多目标优化问题。
3.1. 遗传算法 遗传算法（GA）是一种著名的进化算法，它模拟了达尔文的自然选择原理和优胜劣汰的优化方法[ 53 ]. 遗传算法通常使用固定大小的解决方案群体，并使用三种遗传操作，即选择、交叉和变异，来修改从当前代中选择的解决方案，并选择最合适的后代传给下一代。
遗传算法在可持续能源系统优化设计和运行中的应用已有大量研究报道。 对于风能系统，Li等人[ 59 ]采用多级遗传算法解决了强风激励下建筑物中执行器数量、执行器配置和主动控制算法的集成优化设计问题。 Li等人[ 60 ]采用遗传算法优化多混合永磁风力发电系统的变速箱速比和额定功率范围。 Grady等人[ 61 ]使用遗传算法确定风力涡轮机的最佳位置，以实现最大生产能力，同时限制安装的涡轮机数量和每个风电场占用的土地面积。 Emami和Noghreh[ 62 ]针对类似问题，提出了一种具有新编码和新的可调系数目标函数的遗传算法，其算法在风电场成本、功率和效率的最优控制方面表现出更好的性能。 对于太阳能系统，瓦伦和悉达多[ 63 ]提出了一种遗传算法来优化系统参数，以最大限度地提高平板式太阳能空气加热器的热性能。 Zagrouba等人[ 64 ]采用遗传算法识别光伏太阳能电池和组件的电气参数，以根据照明电流-电压特性确定最大功率点。 GA也被用于地热系统[ 65 ]和混合光伏系统[ 66 – 70 ].
3.2. 进化规划与进化策略 进化规划（EP）是为了在先前观测的基础上进化有限状态机来预测事件而设计的，并且已经证明它对于搜索非线性函数的最优解是有用的[ 71 ]. 考和凯[ 72 ]提出了一种构造性EP方法，以最小化具有多个分布式储能资源的电力系统的运行成本。 他们的方法通过演化分段线性凸成本函数将DP和EP结合起来，从而将多阶段调度问题分解为易于处理的较小的单阶段子问题。 Fong等人[ 73 ]开发了一种模拟-EP耦合方法，用于解决与暖通空调（HVAC）系统能量管理相关的离散、非线性和高度约束优化问题。 将该方法应用于一个本地HVAC安装项目，与现有的操作设置相比，节省了约7%的潜在成本，且无任何额外成本。 在[ 74 ]MacGill提出了一种双EP方法，该方法集成了电力系统资源的软件代理，以在重复电力系统仿真中共同进化最佳运行行为。 提出的工具已成功应用于一个实际问题，该问题探索了重要光伏贯穿件和分布式储能选项（包括可控负载）之间的潜在运行协同效应。
进化策略（ES）是一类通过变异和选择来进化一组解的通用优化方法。 原始ES使用一个突变操作符，该操作符从给定的祖先生成一个名为
，并逐步推广到
也就是说，有几个祖先(
)和后代(
)每一代[ 75 ]. 在[ 76 ]Chang使用ES方法求解了制冷机的最优负荷问题，该问题以冷冻水供水温度为变量来确定解耦空调系统。 结果表明，该方法优于拉格朗日方法和遗传算法。 考虑到分布式能源的最优选择和规模确定问题，可将其表述为非线性混合整数最小化问题，Logenthiran等人[ 77 ]使用ES最小化DER在各种系统和机组约束下的资本和年度运营成本。 他们的方法被应用于智能配电系统项目的集成微电网设计。
3.3. 差异进化 差分进化（DE）方法将简单的算术算子与交叉、变异和选择的经典算子相结合，将随机生成的初始种群进化为最终解。 它类似于(
)ES，但在DE中，变异不是通过一些单独定义的概率密度函数实现的[ 78 ]. Chakraborty等人[ 79 ]提出了一种求解与太阳能系统集成的火电机组组合问题的模糊DE方法，其中太阳辐射、预测负荷需求和相关约束被表示为考虑误差的模糊集。 斯利马尼和布克蒂尔[ 80 ]提出了一种求解最优潮流问题的DE方法，其目标函数是使不同规模的火力发电机组和风力发电机组的成本最小化。 该方法将电力系统的优化约束分解为直接由DE控制的有源约束和使用传统约束潮流保持在其软限制内的无源约束。
dos Santos Coelho等人[ 81 ]开发了一种用于优化使用热力发电机的电能经济调度的文化DE算法，并在由13台热力发电机组成的测试系统上验证了他们的方法，该测试系统的非光滑燃料成本函数考虑了阀点负载效应。 铃木等人[ 82 ]研究了用于发电厂优化运行规划的大规模混合整数非线性问题，并开发了一个
约束DE算法，无需太多参数调整即可有效解决问题。 Hejazi等人[ 83 ]开发了一种用于优化能量分配和旋转备用的DE算法，该算法考虑了稳态和系统可信突发事件下的所有安全和电力系统约束。 Lee等人[ 84 ]对DE、GA、PSO和LP方法进行了比较研究，以解决降低能耗的最优冷水机组负荷问题，结果表明DE算法取得了最佳效果。 Peng等人[ 85 ]考虑了地月低能传输设计中的一个问题，以找到围绕太阳-地球L2的Lyapunov轨道的不稳定流形和围绕地月L2的稳定流形的补丁点。 他们设计了一种改进的差分进化算法，将均匀设计技术和自适应参数控制方法结合到标准差分进化中，以加快其收敛速度和提高稳定性，从而有效地解决了该问题。
3.4. 多目标进化算法 近年来，多目标进化算法（MOEA）受到了广泛关注。 许多元启发式算法，如非支配排序遗传算法NSGA[ 86 ]和NSGA-II[ 87 ]，强度Pareto进化算法（SPEA）[ 88 ]和SPEA2[ 89 ]，帕累托存档进化策略（PAES）[ 90 ]Pareto差分进化算法（PDE）[ 91 ]非支配排序差分进化（NSDE）[ 92 ]等在解决多目标优化问题方面取得了巨大成功[ 93 ].
贝尼尼和托福洛[ 94 ]提出了一种用于设计失速调节水平轴风力涡轮机的MOEA，其目的是在风电场每平方米总发电量和成本之间实现最佳的权衡性能。 他们的方法可以优化风力涡轮机转子配置的几何参数，实现两个目标之间的最佳权衡性能。 Zhao等人[ 95 ]采用了一种遗传算法，其输入参数是风电场的主要组成部分和关键技术指标，其输出是风电场电气系统的最优设计，从生产成本和系统可靠性两方面进行了优化。 Kusiak等人[ 96 ]提出了一种用于评估风力涡轮机性能的MOEA，其目标包括最大化风力输出和最小化传动系统和塔架的振动。 在[ 97 ]Kusiak和Song使用MOEA根据风力分布优化风力涡轮机布局，包括从给定的可用涡轮机列表中选择最佳涡轮机组合。
Bernal-Agustin等人[ 98 ]将SPEA应用于光伏柴油系统的设计，其目标包括在装置的整个使用寿命内将总成本和污染物排放降至最低。 他们后来将该算法应用于问题的扩展，增加了系统中未满足负载的目标[ 99 ]. 乌尔德·比拉尔[ 100 ]提出了一种多目标遗传算法，用于最小化混合太阳能-风力电池系统的年化成本系统和电源损失概率。 Montoya等人[ 101 ]将PAES与模拟退火（SA）和禁忌搜索（TS）相结合，以最小化电网中的电压偏差和功率损耗。 Thiaux等人[ 102 ]应用NSGA-II通过降低总能源需求和最小化存储容量来优化独立光伏系统。 在[ 103 ]Rao和Peng考虑了电力系统节能减排发电调度的多目标优化模型，并开发了一种具有小生境策略的多目标DE算法，用于改善Pareto非支配排序操作过程中的拥挤机制。 实验表明，他们的方法可以取得比NSGA-II和NSDE更好的结果。
4.群体智能 “群体智能”一词最初用于细胞机器人系统的上下文中，用于描述简单机械代理通过近邻交互的自组织[ 104 ]. Bonabeau等人[ 105 ]将定义扩展到包括“任何受社会昆虫群落和其他动物群落集体行为启发而设计算法或分布式问题解决设备的尝试。”自20世纪90年代以来，许多基于群体的算法，包括粒子群优化（PSO）[ 106 ]，蚁群优化（ACO）[ 107 ]，人工蜜蜂算法[ 108 , 109 ]，人工免疫系统（AIS）[ 110 ]已被提出用于解决困难的优化问题，特别是在具有大型连续或组合搜索空间的情况下。
4.1. 粒子群优化 粒子群优化（PSO）是另一种基于种群的全局优化技术，它使许多称为粒子的单个解决方案能够在超维搜索空间中移动以搜索最优解。 每个粒子都有一个位置向量和一个速度向量，通过学习粒子自身发现的局部最佳值和整个群发现的当前全局最佳值，在迭代时对其进行调整。 实证研究表明，粒子群优化算法在收敛到理想最优解方面具有很高的效率，在许多问题上都优于遗传算法和其他进化算法[ 111 ].
AlRashidi和EL-Naggar[ 112 ]采用PSO算法估计电力系统年峰值负荷预测，其目标是最小化与估计模型参数相关的误差。 他们的方法根据科威特和埃及网络的实际记录数据进行了验证。 Niknam和Firouzi[ 113 ]开发了一种结合单纯形搜索的粒子群优化算法，用于估计电力系统的负荷和可再生能源输出，对比实验表明，该算法的性能优于几种EAs和其他基于群的算法。
Amjady和Soleymanpour[ 114 ]针对水热发电日调度问题，提出了一种改进的自适应粒子群优化算法，该算法是一个具有不连续解空间的复杂非线性、非凸、非光滑优化问题。 与其他一些自适应PSO一样[ 115 , 116 ]他们的方法动态改变算法的惯性权重和加速度系数，以增加粒子的活动性，探索广阔的空间。 李[ 117 ]应用粒子群优化算法求解风电机组电力系统短期水力发电调度问题。 Kongnam和Nuchprayoon[ 118 ]将粒子群优化算法用于风力涡轮机的控制问题，该问题涉及确定转子速度和叶尖速度比，以最大限度地从风中获取功率和能量。 Khanmohammadi等人[ 119 ]开发了一种基于PSO和Nelder-Mead算法的方法，用于确定水电站的最优机组组合（启动和关闭调度）。 López等人[ 120 ]提出了一种基于二进制粒子群优化算法的分布式发电生物燃料系统优化选址方法，该方法以森林剩余物为生物质源，在考虑技术约束的情况下，使盈利能力指数最大化，其结果优于遗传算法的结果。 在[ 121 ]作者还将PSO算法应用于生物发电厂的最佳选址和供应区域。 也有许多关于粒子群优化算法在混合光伏系统设计和控制中应用的研究报告[ 122 – 126 ].
经济调度问题的主要目的是调度承诺的发电机组输出，以满足所有机组和系统运行约束的最低成本满足所需的负荷需求，通常具有非线性、非凸型目标函数，具有强烈的等式和不等式约束。 Mahor等人[ 127 ]介绍了应用粒子群优化算法解决各种经济调度问题的年度（2003年至2008年）工作回顾。 算法包括线性变化惯性权重PSO[ 128 , 129 ]，带收缩因子和惯性权重的粒子群优化算法[ 130 , 131 ]，带收缩因子的惯性权重线性变化的粒子群优化算法[ 132 ]，混沌粒子群算法[ 133 – 135 ]和多目标PSO[ 136 – 139 ]. 与传统方法相比，PSO算法（尤其是具有时变控制参数的算法）可以在更少的计算时间内获得更好的结果，但PSO算法还需要进一步改进，特别是对于实时调度问题。
4.2. 蚁群优化 蚁群优化（ACO）算法模拟生活在蚁群中的真实蚂蚁的行为，这些蚁群使用信息素相互通信，以完成复杂任务，例如建立从巢穴到食物来源的最短路径[ 107 ]. Li等人[ 140 ]将蚁群算法应用于空间站太阳能动力系统的优化设计，以系统的发射质量最小为目标，受压力、温度、压缩系数、换热器数量和直径、回收制冷剂高度、， 等等。 考虑到独立混合风电/光伏发电系统设计的最佳规模，Xu等人[ 141 ]采用蚁群算法使总资金成本最小化，受约束条件下的失电概率通过仿真计算得出。 Foong等人[ 142 ]考虑了在搜索实际维护计划时纳入缩短维护时间和/或推迟维护任务选项的电厂维护计划优化公式，并开发了一种改进的ACO算法来解决该问题。 华纳和沃格尔[ 143 ]通过同时选择工厂和最优网络，考虑了能源供应网络的规划问题，并实现了该问题的ACO算法。 参见等人[ 144 ]采用蚁群算法确定能量提取控制模型的最优参数值，从而提高了波能转换器的性能及其长期经济价值。
托克萨里[ 145 ]提出了一种ACO电能估算模型，用于预测发电量和需求，同时考虑人口、国内生产总值（GDP）、进口和出口。 他发现，由于经济指标的波动，带有二次方程的模型可以提供更好的拟合解。 所提议的模型用于显示2025年前土耳其的净发电量和需求。 Baskan等人[ 146 ]使用ACO通过国内生产总值、人口和车辆公里数估算土耳其的运输能源需求。预计这项工作将有助于为运输能源政策制定高度适用和富有成效的规划。
4.3. 人工蜜蜂算法 人工蜜蜂算法模拟蜜蜂群的智能觅食行为。 两种最流行的算法是人工蜂群（ABC）算法和蜜蜂交配优化（HBMO）算法[ 147 ]. Niknam等人[ 148 ]提出了一种多目标HBMO算法，用于可再生发电机组的选址和规模确定，以通过考虑损失、发电成本和电压偏差等目标函数来优化可再生发电机组布局。 在[ 149 ]Niknam等人还提出了一种改进的HBMO算法，用于电力系统的经济调度，目的是使用最小资源获得最大可用功率。 阿布·穆蒂和埃尔哈瓦里[ 150 ]考虑了一个动态经济调度问题，其目标是确定在线发电机组的最优功率输出，以满足有限调度周期内满足各种运行约束的负荷需求，并应用ABC算法求解该问题。
Vera等人[ 151 ]提出了一种二元蜜蜂觅食（HBF）群方法，用于搜索为投资者提供最佳盈利能力的最佳位置、生物质供应区域和发电厂规模。 实验结果表明，HBF方法的性能优于PSO和GA.Hong[ 152 ]提出了一种基于混沌ABC算法的电力负荷预测模型，并将其与季节性递归支持向量回归模型相结合，实验表明该模型能够为电力负荷提供良好的预测性能。
4.4. 人工免疫系统（AIS） 受理论免疫学、观察到的免疫功能、原理和模型的启发，AIS刺激生物的自适应免疫系统来解决现实工程优化问题中的各种复杂性。 Abdul Rahman等人[ 153 ]针对经济调度问题，提出了一种以总发电成本为目标函数的AIS算法。 通过遗传进化，产生具有高亲和力测度的抗体并成为解，算法在可接受的执行时间内收敛，并以最小的发电成本获得经济调度的高度最优解。 科埃略和马里亚尼[ 154 ]通过使用混沌人工免疫网络方法解决了这一问题，实验证明，该方法是一种有效的替代方案，可以在满足系统约束的同时，以最小的运行成本调度承诺的发电机组输出，以满足所需的负荷需求。 最近，Arsalani和Seddighizadeh[ 155 ]使用AIS算法将母线电压与标称值的偏差以及电力系统中的能量损失降至最低。 该算法的主要优点是避免了相似解的多次重复，结果表明，尽管阈值是通过模糊逻辑确定的，以反映优化目标的不精确性，但该算法可以获得比所需更好的满足偏好水平的解。
5.混合方法 通过利用两种或两种以上求解方法的优缺点，我们有机会获得一种比任何单个方法都更有竞争力的强大方法。 自20世纪90年代末以来，可持续能源系统中混合生物启发方法的研究和开发急剧增长。
梅利特和卡洛吉鲁[ 156 ]研究了遗传算法和人工神经网络相结合的独立光伏系统优化规模。 首先利用遗传算法对场地尺寸参数进行优化，然后利用人工神经网络对偏远地区的最优参数进行预测。 Mellit后来开发了一种将自适应网络模糊推理系统（ANFIS）和遗传算法相结合的混合模型，并证明了该模型与ANFIS的结合能提供更准确的结果[ 157 ]. Chang和Ko[ 158 ]设计了一种将粒子群优化（PSO）与非线性时变进化（ANN）相结合的混合启发式方法，以最大化光伏组件的电能输出为目标，确定光伏组件的倾角。
Li等人[ 159 ]提出了一种结合AIS和PSO的梯级水电站负荷优化分配方法。 他们的混合方法将免疫信息处理机制引入到粒子群算法中，从而通过其特殊的浓度选择机制和免疫接种提高了发现全局最优结果的能力和收敛速度。 Yang等人[ 160 ]将遗传算法和ABC算法相结合，形成一种蜜蜂进化遗传算法（BEGA），该算法具有精度高、收敛速度快的特点，已有效地应用于在不降低舒适度的前提下最小化中央空调系统能耗的问题。 在一个常见的负荷分配案例上的测试表明，该混合方法可以实现25.1%的节能率。
科兰等人[ 161 ]提出了一种PSO和ACO相结合的能量需求估算方法，PSO求解连续优化部分，ACO求解离散部分。 实验表明，该混合算法的性能优于单个粒子群算法和蚁群算法。 在[ 162 ]Ghanbari等人将GA和ACO相结合，对相关因素影响下的能源需求波动进行建模和模拟。 首先使用遗传算法生成专家系统的数据库，然后使用蚁群算法学习语言模糊规则，从而提高数据库和规则库之间的协作程度。 结果表明，与ANFIS和基于ANN的方法相比，该方法可以提供更准确的静态结果。
6.讨论和结论 我们总结了用于可持续能源系统设计、控制和实施的生物激励解决方案的最新研究进展。 文中给出了ANN、EA、基于群的算法及其混合的典型示例。 本文总结了一些具有代表性的作品，以帮助读者全面了解最新技术，并在实际解决方案中轻松引用合适的方法。
本文的第一个发现是，自20世纪90年代以来，关于可持续能源问题的生物启发优化算法的研究论文数量急剧增加。 早期工作的很大一部分与GA相关。 然而，近年来，DE在EA类别中越来越流行，基于群体的方法也越来越受到研究者和实践者的关注。 在过去三年中，我们发现粒子群优化算法已经成为可再生能源和可持续能源发展领域中应用最广泛的方法之一。
一般来说，在所有类型的问题上，没有一种单独的方法能比所有其他方法表现得更好，这表明需要根据各自的问题仔细选择或设计定制的方法。 但研究人员和从业者可以从早期研究人员的经验中学习。 例如，在独立混合能源系统的大多数机组规模确定问题上，粒子群优化算法通常优于遗传算法[ 163 ]这主要是因为粒子群优化算法更适合于高维优化问题，并且改进版本的粒子群算法对多个局部最优解的敏感性低于遗传算法。
随着能源系统的重要性和复杂性不断增加，我们面临着提高解决方案的性能、可靠性和可扩展性的挑战[ 164 , 165 ]. 因此，可以预见，未来的研究将继续高度重视生物激发方法的杂交。 此外，越来越多的可持续能源现实问题考虑的目标不止一个。 可以预计，多目标生物启发优化算法和并行处理将是该领域很有前景的研究领域[ 166 ]. 此外，目前对结合多个元启发式的多目标算法的研究仍然很少，我们认为这对研究人员来说可能是一个有价值的方向。
当今新的计算范式，如量子计算[ 167 ]、DNA计算[ 168 ]和分形计算[ 169 – 172 ]，为为为极其困难的问题创建新的启发式方法提供了宝贵的灵感。 因此，基于这些新范式的当前生物启发方法的扩展有望在计算性能上取得显著改进。 例如，受量子启发的EA被视为与量子计算与EA之间的复杂相互作用相关的三个主要研究领域之一[ 173 ]. 在量子计算方面，如果应用ANN，则值得考虑Bakhoum和Toma所讨论的这方面的时间序列模型[ 174 , 175 ]. 我们相信，这些研究的成果正在不断成为解决新的开放问题的新技术解决方案，而其全部潜力还远未实现。
致谢 本研究得到了国家自然科学基金（61105073、61173096、61103140）、教育部博士基金（20113317110001）和浙江省自然科学基金会（R1110679）的资助。
