-
Notifications
You must be signed in to change notification settings - Fork 0
/
AG_episolon.py
381 lines (326 loc) · 12.5 KB
/
AG_episolon.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
##### Funções para Algoritmo genético para a escolha do episolon da Difusão #################
############################# Importando Bibliotecas ###############################
from random import uniform
import numpy as np
from random import random
from random import randint
import Matrizes_de_Pesos2 as mp
import math
from nt_Consenso_conectado2 import consenso_conectado
from nt_difusao_conectada2 import difusao_conectada
from nt_Difexata_conectada import difexata_conectada
from nt_difusao_conectada3 import difusao_conectada_3
a=[]
b=[]
def genpop(popsize):
pop=np.array([[uniform(0,1) for j in range(5)] for i in range(popsize)])
return pop
def consensus(pop):
Carga=[0,1]
Ren=[2]
Desp=[3]
Bat=[4]
#Agente Bateria
pmaxess = 40
alp_ess = 2
beta = 8
soc=0.1
bet_ess = alp_ess*pmaxess*(1-soc) + beta
#Agente Geração Renovável
P_ren=np.array([0,0,13.15,0,0])
#Agente Carga
Carga_lim=[30,44.9]
w=[-200.25059791, -900.44001645]
u=[w[0]/Carga_lim[0],w[1]/Carga_lim[1],0,0,0]
#Parâmetros de Custo
alp = np.array([0,0,0,0.18,2])
bet = np.array([1,1,1,97,bet_ess])
#Número de agentes despacháveis:
nDG=2
#Número de Agentes:
nG = len(alp)
################## Inicialização dos Parâmetros do Consenso sem restrições #############
#Episolon:
#Episolon:
epil = pop
#Matriz de Adjacências:
A = np.array([[0,1,0,0,1],
[1,0,1,0,0],
[0,1,0,1,0],
[0,0,1,0,1],
[1,0,0,1,0]])
#Matriz de Grau:
D=np.diag(np.sum(A, axis=1))
#Matriz Laplaciana:
L = D - A
#Matriz Identidade:
I=np.identity(len(A))
#Matriz Mean Metropolis:
MM=np.zeros([nG,nG])
for i in range (0,nG):
for j in range(0,nG):
if(i!=j):
MM[i,j] = 2./(D[i,i] + D[j,j] + 1)
MM=np.multiply(A,MM)
for i in range(0,nG):
MM[i,i] = 1 - sum(MM[i,:])
#Número Máximo de Iterações:
N_max=15000
N_max+=1
#Parâmetro de Parada:
diff=10 # Diferença inicial
diff_min=0.0001 # Diferença mínima de convergência
n_algorit=0
flag=np.zeros(nG)
Plim_inf = np.array([0,0,0,-50,-(soc*pmaxess)])
Plim_sup = np.array([0,0,0,0,(1-soc)*pmaxess])
#Agentes que ultrapassaram a Potência Máxima:
P_u_max=[]
#Agentes que ultrapassaram a Potência Mínima:
P_u_min=[]
#Agentes que não ultrapassaram os limites de potência :
P_n=[]
############################ Algoritmo de Difusão sem Restrições ##################################
while(sum(flag)!=0 or n_algorit==0):
#Inicializando as Potências dos Agente:
#Número Máximo de Iterações:
N_max=15000
N_max+=1
Pg=np.zeros([N_max,nG])
#Custo Incremental:
r = np.zeros([N_max,nG])
#Inicializando o Custo Incremental dos Agente:
#Agente Renovável:
for i in Ren:
r[0,i]=0
#Agente Carga:
for i in Carga:
r[0,i]=w[i]
#Agente Despachável:
for i in Desp:
r[0,i]=bet[i]
#Agente Bateria:
for i in Bat:
r[0,i]=bet[i]
#Inicializando o Power Mismatch:
Pd=np.zeros([N_max,nG])
Pd[0]=sum(P_ren)/nG
#Flag para rodar o while
flag=np.zeros(nG)
#Critério de Parada:
diff=10
i=0
#Flag de qual tipo de algortimo se deve rodar:(EXplicado melhor logo abaixo)
flag_sem_limites = 1
flag_limite_superior = 0
#Consenso em si:
while(i!=N_max-1 and diff>diff_min):
d=np.zeros(nG)
for j in range(0,len(MM)):
r[i+1,j] = MM[j,:]@r[i,:] + epil[j]*Pd[i,j]
'''
Quando não há problemas nos limites dos agentes despachavéis,
roda-se esse caso
'''
if flag_sem_limites ==1:
if j in Ren:
Pg[i+1,j]=0
if j in Carga:
if(abs(Pg[i,j])>=abs(w[j]/u[j])):
Pg[i+1,j]=w[j]/u[j]
else:
Pg[i+1,j] = -(r[i+1,j]-w[j])/(u[j])
if j in Bat:
if j in P_n or n_algorit==0:
Pg[i+1,j] = (r[i+1,j] - bet[j])/(2*alp[j])
elif j in P_u_max:
Pg[i+1,j]=Plim_sup[j]
elif j in P_u_min:
Pg[i+1,j]=Plim_inf[j]
if j in Desp:
if j in P_n or n_algorit==0:
Pg[i+1,j] = (r[i+1,j] - bet[j])/(2*alp[j])
elif j in P_u_max:
Pg[i+1,j]=Plim_sup[j]
elif j in P_u_min:
Pg[i+1,j]=Plim_inf[j]
'''
Logica implementada logo abaixo desse comentário:
Possivel Problema: O número agentes despachaveis que rodaram
acionaram sua flag é muito grande, sendo todos postos na geração
máxima, tem-se que a soma do limite superior de tds eles é maior
que a carga.
Solução irá ser realizado um consenso sem restrições entre esses
agentes que ultrapassaram o limite máximo, mantendo os que estão
no limite mínimo em 0. No fim, o consenso irá resolver o despacho
econômico.
'''
elif flag_limite_superior == 1:
if j in Ren:
Pg[i+1,j]=0
if j in Carga:
if(abs(Pg[i,j])>=abs(w[j]/u[j])):
Pg[i+1,j]=w[j]/u[j]
else:
Pg[i+1,j] = -(r[i+1,j]-w[j])/(u[j])
if j in Bat:
if j in P_n or n_algorit==0:
Pg[i+1,j] = (r[i+1,j] - bet[j])/(2*alp[j])
elif j in P_u_max:
Pg[i+1,j]=(r[i+1,j] - bet[j])/(2*alp[j])
elif j in P_u_min:
Pg[i+1,j]=Plim_inf[j]
if j in Desp:
if j in P_n or n_algorit==0:
Pg[i+1,j] = (r[i+1,j] - bet[j])/(2*alp[j])
elif j in P_u_max:
Pg[i+1,j]= (r[i+1,j] - bet[j])/(2*alp[j])
elif j in P_u_min:
Pg[i+1,j]=Plim_inf[j]
Pd[i+1,j]=Pd[i,:]@MM[j,:] - (Pg[i+1,j] - Pg[i,j])
d=abs(r[i+1]-r[i])
if(i==0):
diff=1
else:
diff=max(d)
i+=1
#Corte do i:
r=r[:i,:]
Pg=Pg[:i,:]
inter=i
#Limites de Potência
for i in range(0,nG):
if(Pg[-1,i]>=Plim_sup[i]):
if i in Desp:
if n_algorit==0:
P_u_max.append(i)
flag[j]=1
else:
if i in P_n:
P_n.remove(i)
P_u_max.append(i)
flag[i]=1
elif i in P_u_min:
P_u_min.remove(i)
P_u_max.append(i)
flag[i]=1
if i in Bat:
if n_algorit==0:
P_u_max.append(i)
flag[i]=1
else:
if i in P_n:
P_n.remove(i)
P_u_max.append(i)
flag[i]=1
elif i in P_u_min:
P_u_min.remove(i)
P_u_max.append(i)
flag[i]=1
elif(Pg[-1,i]<=Plim_inf[i]):
if i in Desp:
if n_algorit==0:
P_u_min.append(i)
flag[i]=1
else:
if i in P_n:
P_n.remove(i)
P_u_min.append(i)
flag[i]=1
elif i in P_u_max:
P_u_max.remove(i)
P_u_min.append(i)
flag[i]=1
if i in Bat:
if n_algorit==0:
P_u_min.append(i)
flag[i]=1
else:
if i in P_n:
P_n.remove(i)
P_u_min.append(i)
flag[i]=1
elif i in P_u_max:
P_u_max.remove(i)
P_u_min.append(i)
flag[i]=1
else:
if i in P_n:
pass #Faz nada
elif i in P_u_max:
P_u_max.remove(i)
P_n.append(i)
elif i in P_u_min:
P_u_min.remove(i)
P_n.append(i)
else:
P_n.append(i) # Se n_algorit==0 , cai nessa condicional
# Vai pegar a soma das potências dos agentes despacháveis
P_sup=0
for a in P_u_max:
P_sup += Plim_sup[a]
#Vai pegar a soma dos complementares da lista P_u_min e verificar se seus
#limites máximos realmente irão obedecer a restrição de potência.
P_inf=0
for a in P_u_min:
P_inf += Plim_sup[a]
if P_sup > sum(Carga_lim):
flag_sem_limites=0
flag_limite_superior =1
n_algorit+=1
#Colocar isso dentro do algoritmo
r=r[:inter,:] #Vai cortar a matriz até a parte útil,se parar por diferença
Pg=Pg[:inter,:]
return inter
def funcao_aptidao(pop):
return difexata_conectada(pop) # trocar essa funcao pela nova
def fitness_evaluation(pop,popsize):
fitness=[]
for i in range(0,popsize):
a=funcao_aptidao(pop[i])
fitness.append(a)
return (fitness)
def selection(fitness,popsize):
rand=np.array([0 for i in range(popsize)])
parents=np.array([0 for i in range(4)])
rand=np.random.permutation(popsize)
for i in range(4):
parents[i]=rand[i]
if(fitness[parents[0]]<fitness[parents[1]]):
parent1=parents[0]
else:
parent1=parents[1]
if(fitness[parents[2]]<fitness[parents[3]]):
parent2=parents[2]
else:
parent2=parents[3]
return(parent1,parent2)
def crossover(parent1,parent2,pop):
offspring=np.array([random() for i in range(len(pop[parent1]))])
for j in range(0,len(pop[parent1])):
offspring[j]=(pop[parent1,j]+pop[parent2,j])/2
return(offspring)
def mutation(pmut,offspring):
rand=randint(1,100)
ind=randint(0,len(offspring)-1)
ind2=randint(0,len(offspring)-1)
r=random()
if(rand<=pmut):
if(ind==ind2):
ind2=randint(0,len(offspring)-1)
else:
temp=offspring[ind2]
offspring[ind2]=offspring[ind]
offspring[ind]=temp
return(offspring)
def offspring_evaluation(offspring):
fitness_offspring=funcao_aptidao(offspring)
return(fitness_offspring)
def replacement(pop,fitness,fitness_offspring,offspring):
worse=np.argmax(fitness)
if(fitness[worse]>fitness_offspring):
fitness[worse]=fitness_offspring
pop[worse]=offspring
a.append(fitness[np.argmax(fitness)])
b.append(fitness[np.argmin(fitness)])
return(pop,a,b)