提出通过提高需求侧和供应侧资源的协调可控性来应对当前电力系统双侧随机问题的新思路，在此基础上设计需求侧响应模型、储能设备充放电模型、风电及光伏发电出力预测模型，并构建以系统成本及污染排放最小化为目标函数的“源-网-荷-储”优化调度模型及相应的多目标粒子群优化算法。通过算例分析比较有无需求侧资源情况下的系统成本和污染排放，验证了所提模型和算法的科学性与合理性，以及需求侧资源在提高系统稳定性、节能减排方面的重要作用。

Multi-Objective Particle Swarm Optimization (MOPSO) 此函数执行多目标粒子群优化 (MOPSO) 以最小化连续函数。该实现是可以忍受的、计算成本低且压缩的（该算法只需要一个文件：MPSO.m）。提供了一个“example.m”脚本以帮助用户使用该实现。还值得注意的是，为了便于理解，代码被高度注释。该实现基于 Coello 等人的论文。(2004)，“用粒子群优化处理多个目标”。 重要提示：您指定的目标函数必须是矢量化的。这意味着它将获取整个种群（即矩阵 Np x nVar，其中 Np 是粒子数，nVar 是变量数）并且它期望接收每个粒子的适应度值（即向量 Np × 1)。如果函数没有向量化并且只接收一个值，那么代码显然会出现错误。 引用为

这是一个关于多目标粒子群算法，很有用，代码通用性强

此函数执行多目标粒子群优化 (MOPSO) 以最小化连续函数。 该实现是可以承受的，计算成本低，并且经过压缩（该算法只需要一个文件：MPSO.m）。 提供了一个“example.m”脚本以帮助用户使用该实现。 还值得一提的是，为了便于理解，对代码进行了高度注释。 此实现基于Coello等人的论文。 (2004)，“使用粒子群优化处理多个目标”。 重要提示：您指定的目标函数必须是矢量化的。 这意味着它将采用整个种群（即矩阵 Np x nVar，其中 Np 是粒子数，nVar 是变量数）并且它期望接收每个粒子的适应度值（即，向量 Np × 1)。 如果函数没有被向量化并且只接收一个值，代码显然会引发错误。

粒子群优化(PSO)算法是一种模拟社会行为的、基于群体智能的进化技术，以其独特的搜索机理、出色的收敛性能、方便的计算机实现，在工程优化领域得到了广泛的应用

针对粒子群算法求解多目标问题极易收敛到伪Pareto 前沿(等价于单目标优化问题中的局部最优解), 并且 收敛速度较慢的问题, 提出一种?? 占优的自适应多目标粒子群算法(??DMOPSO). 在??DMOPSO算法中, 每个粒子的 邻居根据粒子的运行动态地组建, 且粒子的速度不由其邻居中运行最好的粒子来调整, 而是由其所有邻居共同调整. 同时, 采用外部存档保存非劣解, 并利用?? 占优更新非劣解. 模拟结果表明了??DMOPSO算法的有效性.

为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.