本發(fā)明涉及一種基于V圖和HS算法的充電站布局規(guī)劃方法，屬于電動汽車充電站布局規(guī)劃技術(shù)領(lǐng)域。

背景技術(shù)：
：

在政府政策的積極引導(dǎo)下，目前電動汽車保有量突破50萬輛，并且電動汽車的推廣速度將繼續(xù)加快。為了滿足人們充電的便捷性，必須建設(shè)完善的充電設(shè)施來保障電動汽車的充電需求。充電站是電動汽車充電設(shè)施的重要組成部分，有著極其重要的作用。因此，需要合理布局規(guī)劃充電站建設(shè)，為電動汽車用戶提供方便快捷的充電服務(wù)。已有的充電站布局規(guī)劃方法：一是考慮因素過少，不能全面的描述充電站規(guī)劃布局特點(diǎn)；二是選用的尋優(yōu)算法過于單一，不能將多種變量進(jìn)行計(jì)算，導(dǎo)致速度過慢或?qū)?yōu)效果差。

充電站規(guī)劃主要涉及充電站的選址、定容和方案優(yōu)選問題。對充電站的選址問題主要考慮規(guī)劃區(qū)域內(nèi)電動汽車充電負(fù)荷的時(shí)間和空間分布、電網(wǎng)電能質(zhì)量及建設(shè)成本，來確定電動汽車充電站的合理位置。對充電站的定容問題主要考慮在確定規(guī)劃區(qū)域范圍基礎(chǔ)上，以滿足區(qū)域內(nèi)電動汽車充電需求為目標(biāo)，運(yùn)用排隊(duì)論方法確定充電站容量。對方案優(yōu)選問題主要以充電站的建設(shè)運(yùn)行成本、充電途中耗時(shí)成本和到站排隊(duì)等候時(shí)間成本為優(yōu)化目標(biāo)，進(jìn)行規(guī)劃方案的優(yōu)選。充電站布局規(guī)劃需要考慮多種因素，優(yōu)化問題的數(shù)學(xué)模型包含眾多變量類型，一般數(shù)學(xué)方法不適于求解。因此需要聯(lián)合V圖和HS算法對充電站布局規(guī)劃模型進(jìn)行求解。

Voronoi圖(簡稱V圖)又稱泰森多邊形。V圖可看做由生長點(diǎn)集的每個(gè)生長點(diǎn)以同等速度向四周擴(kuò)張，直到相遇為止，擴(kuò)張結(jié)束形成V圖。具備最鄰近特性的V圖在氣象、測繪、考古等領(lǐng)域，尤其是地理設(shè)施選址方面被廣泛應(yīng)用，在電力系統(tǒng)中也應(yīng)用于變電站選址定容。V圖的生成方法就算法特點(diǎn)而言，主要分為矢量生成法和柵格生成法。目前，高版本的地理信息系統(tǒng)（GIS）軟件和高版本MATLAB軟件都可以方便地實(shí)現(xiàn)V圖的生成，如MATLAB 7.9的V圖命令“voronoi”。雖然V圖有諸多適合選址的重要特性，但V圖是一種由給定生長點(diǎn)剖分區(qū)域的局部最優(yōu)，缺乏全局尋優(yōu)的能力。

而在音樂演奏中，樂師們憑借自己的記憶，通過反復(fù)調(diào)整樂隊(duì)中各樂器的音調(diào)，最終達(dá)到一個(gè)美妙的和聲狀態(tài)。Z.W.Geem等受這一現(xiàn)象啟發(fā)，提出了和聲搜索算法（Harmony Search, HS）。和聲搜索算法是新近問世的一種啟發(fā)式全局搜索算法，在許多組合優(yōu)化問題中得到了成功應(yīng)用。在有關(guān)問題上展示了較遺傳算法、模擬退火算法和禁忌搜索更好的性能。

HS算法也可以隨機(jī)給出初始解，也可以事先使用其它啟發(fā)式等算法或其它方法構(gòu)成一個(gè)較好的初始解。由于HS算法主要是基于鄰域搜索的，初始解的好壞對搜索性能影響很大。尤其是一些帶有很復(fù)雜約束的優(yōu)化問題，隨機(jī)給出的初始解很可能是不可行的，甚至通過多步搜索也很難找到可行解，此時(shí)應(yīng)針對特定的復(fù)雜約束，采用啟發(fā)式算法或其它方法找出一個(gè)可行解作為初始解。因此需要一種新的充電站布局規(guī)劃方法通過聯(lián)合V圖進(jìn)行隨機(jī)選擇初始解，提高了運(yùn)算效率。

技術(shù)實(shí)現(xiàn)要素：
：

本發(fā)明的目的在于克服上述已有技術(shù)的不足而提供一種求解速度快、尋找最優(yōu)值的充電站布局規(guī)劃方法。

本發(fā)明的目的可以通過如下措施來達(dá)到：一種基于V圖和HS算法的充電站布局規(guī)劃方法，其特征在于其包括如下步驟：

（一）估算規(guī)劃區(qū)域內(nèi)建設(shè)充電站范圍：

先估算規(guī)劃區(qū)域內(nèi)電動汽車總數(shù)量，再通過公式求得總充電樁數(shù)量，其中為電動汽車充電的排隊(duì)等候時(shí)間期望，，為充電站集合，為充電站建設(shè)的充電樁數(shù)量；，為規(guī)劃區(qū)域內(nèi)電動汽車總數(shù)量，為電動汽車每日充電概率，為電動汽車充電時(shí)段，則服從泊松分布，表示單位時(shí)間內(nèi)電動汽車到達(dá)充電站的數(shù)量；，且保證，為充電樁接入電動汽車充電時(shí)間，則為充電樁服務(wù)強(qiáng)度；則為充電樁全部空閑的概率；

若，為電動汽車充電的排隊(duì)等候時(shí)間最大期望值，當(dāng)為整數(shù)時(shí)，充電樁的數(shù)量從開始依次增加，其中為大于等于x的最小整數(shù)；當(dāng)為非整數(shù)時(shí)，充電樁的數(shù)量從開始依次增加，直到為止；隨著增加而迅速減小，循環(huán)即找到滿足時(shí)的；

設(shè)定充電站配置的充電樁數(shù)量范圍，則在規(guī)劃區(qū)域內(nèi)建設(shè)充電站數(shù)量的范圍為，計(jì)算如下：

對每一個(gè)均進(jìn)行HS算法尋優(yōu)，獲取相應(yīng)最優(yōu)的和聲向量和目標(biāo)函數(shù)值；然后從所有的最優(yōu)選出最小的，并輸出對應(yīng)的參數(shù)，包括充電站數(shù)量，第個(gè)充電站的充電樁數(shù)量，電動汽車在充電站充電的排隊(duì)等候時(shí)間期望，充電站年建設(shè)運(yùn)行成本，用戶充電途中年耗時(shí)成本，用戶到站排隊(duì)等候年時(shí)間成本；

（二）搭建充電站布局規(guī)劃目標(biāo)：

在滿足用戶充電需求的前提下，以充電站的建設(shè)運(yùn)行成本、充電途中耗時(shí)成本和到站排隊(duì)等候時(shí)間成本三者為充電站布局規(guī)劃的目標(biāo)；以1年為計(jì)算單位，充電站的社會年總成本定義：，其中為充電站年建設(shè)運(yùn)行成本，為用戶充電途中年耗時(shí)成本，為用戶到站排隊(duì)等候年時(shí)間成本；

年建設(shè)運(yùn)行成本包括年固定投資和年運(yùn)行成本；固定投資主要包括充電樁、土地、配電變壓器和其他輔助設(shè)備的投資成本，運(yùn)行成本主要包括充電站工作人員薪水和設(shè)備運(yùn)營維護(hù)費(fèi)用；固定投資和運(yùn)行成本都是充電樁數(shù)量的函數(shù)；年建設(shè)運(yùn)行成本表示為，其中，；為充電站的年固定投資函數(shù)，為充電站的年運(yùn)行成本函數(shù)，為與函數(shù)的系數(shù)（），為充電站集合；W為固定不變投資，包括營業(yè)建筑和道路輔助建設(shè)費(fèi)用，q為站內(nèi)與充電樁單價(jià)有關(guān)的投資系數(shù)，e為與充電樁數(shù)量有關(guān)的等效投資系數(shù)，包括占地面積、配電變壓器容量和電纜費(fèi)用；為貼現(xiàn)率，為充電站的折舊年限；

用戶充電途中年耗時(shí)成本表示為；其中為城市出行時(shí)間成本系數(shù)，為電動汽車每日充電概率，為城市交通平均行駛速度，為充電需求點(diǎn)電動汽車數(shù)量，為充電需求點(diǎn)到充電站城市道路距離，為充電站集合，為屬于充電站的充電需求點(diǎn)的集合；

用戶到站排隊(duì)等候年時(shí)間成本表示為；其中為城市出行時(shí)間成本系數(shù)，為電動汽車每日充電概率，為電動汽車在充電站充電的排隊(duì)等候時(shí)間期望，為充電需求點(diǎn)電動汽車數(shù)量，為充電站集合，為屬于充電站的充電需求點(diǎn)的集合；

本發(fā)明的模型約束條件分為兩大類：第一類為充電行駛距離約束，表示為，其中為充電需求點(diǎn)到充電站城市道路距離，為設(shè)定的充電行駛距離的最大限度，為充電站集合，為屬于充電站的充電需求點(diǎn)的集合；第二類為充電站間距離約束，表示為，其中為充電需求點(diǎn)到充電站城市道路距離，為充電需求點(diǎn)到充電站城市道路的空間直線距離，為充電站和的直線距離，為充電站間的最小距離，為充電站，集合；

（三）聯(lián)合V圖和HS算法求解充電站布局規(guī)劃目標(biāo)值：

建立個(gè)充電站布局規(guī)劃方法，利用HS算法進(jìn)行充電站布局規(guī)劃的具體步驟如下：

步驟1：生成初始和聲向量

在規(guī)劃范圍內(nèi)隨機(jī)生成個(gè)充電站站址坐標(biāo)，如，并對站址坐標(biāo)進(jìn)行編碼生成維向量；

利用站址坐標(biāo)生成V圖，劃定各充電站服務(wù)范圍，利用公式分別計(jì)算得到各充電站中充電樁數(shù)，判斷是否在約束條件范圍內(nèi)，若在范圍內(nèi)，則儲存初始和聲向量及其向量，否則重新進(jìn)行此步驟；

步驟2：生成和聲記憶庫

根據(jù)步驟1生成HMS個(gè)初始和聲向量并由公式計(jì)算相應(yīng)的一并存入HM中，按照從小到大進(jìn)行排序：

式中，為階矩陣；

步驟3：生成新和聲

新解的每一個(gè)音調(diào)均通過以下3種機(jī)理產(chǎn)生：(1)學(xué)習(xí)和聲記憶庫；(2)音調(diào)微調(diào)；(3)隨機(jī)選擇音調(diào)；

新解的第1個(gè)變量有P_HMCP的概率選自中相應(yīng)列的任何一個(gè)值，有(1-P_HMCR)的概率選自外(但在變量范圍內(nèi))的任何一個(gè)值，即

式中：rand為[0,1]上均勻分布的隨機(jī)數(shù)；

如果新的音調(diào)來自和聲記憶庫，要對其進(jìn)行音調(diào)微調(diào)，具體操作如下：

式中，bw為音調(diào)微調(diào)帶寬，rand為均勻分布在[-1,1]上的隨機(jī)數(shù)，PAR為微調(diào)概率；

新解的其他音調(diào)同理，用新解譯碼轉(zhuǎn)換成新站址坐標(biāo)：，生成V圖，根據(jù)約束條件對生成的新解進(jìn)行判斷，若符合要求則作為新和聲，并計(jì)算新目標(biāo)函數(shù)值，否則重新進(jìn)行此步驟；

步驟4：更新和聲記憶庫

如果優(yōu)于中最差的，則將新和聲替代原最差和聲，并重新進(jìn)行排序，否則放棄該新和聲；具體操作如下：

其中，為最差和聲向量；

步驟5：重復(fù)步驟3和步驟4，直到和聲記憶庫更新次數(shù)達(dá)到為止；儲存最優(yōu)的和聲向量及其對應(yīng)的目標(biāo)函數(shù)，并輸出對應(yīng)的參數(shù)，包括。

為了進(jìn)一步實(shí)現(xiàn)本發(fā)明的目的，所述的q取值0.7，e取值0.4，取值3%，取值5年；取值0.8，取值0.3取值50 km/h，取值58次。

充電站布局規(guī)劃的數(shù)學(xué)模型有很多變量，包括變電站及其服務(wù)區(qū)域內(nèi)充電需求點(diǎn)組成的集合變量、充電站站址坐標(biāo)組成的連續(xù)變量、各充電站的服務(wù)車輛數(shù)組成的離散變量、充電站數(shù)量及其充電機(jī)配置組成的整數(shù)變量。對于這樣的優(yōu)化問題，傳統(tǒng)優(yōu)化方法難以求解。

本發(fā)明具體求解算法是聯(lián)合V圖和HS算法對充電站布局規(guī)劃模型求解。HS算法將樂器聲調(diào)的和聲類比于優(yōu)化問題的解向量，評價(jià)即是各對應(yīng)的目標(biāo)函數(shù)值。算法引入兩個(gè)主要參數(shù)，即記憶庫取值 (Harmony Memory Considering Rate, HMCR)和微調(diào)概率(Pitch Adjusting Rate, PAR)。算法首先產(chǎn)生和聲初始解，并放入和聲記憶庫(Harmony memory, HM)內(nèi)，其中和聲初始解的數(shù)量定義為和聲記憶庫大小(Harmony memory size, HMS)；然后在內(nèi)隨機(jī)搜索新和聲，具體做法是：隨機(jī)產(chǎn)生0～1的隨機(jī)數(shù)rand，如果rand<HMCR，則新和聲在內(nèi)隨機(jī)搜索得到；否則，變量在可能的值域范圍搜索取值。再以PAR對取自內(nèi)的新和聲進(jìn)行局部擾動，用以糾偏。最后，判斷新和聲目標(biāo)函數(shù)值是否優(yōu)于內(nèi)的最差和聲，若是，則更新和聲庫，并不斷迭代，直至達(dá)到預(yù)定創(chuàng)作次數(shù)T_max為止。

HMS的大小是HS算法的一個(gè)重要參數(shù)，HS之所以具有更強(qiáng)的全局搜索能力，很大程度上依賴于HMS的存在。一般來說，HMS越大，找到全局最優(yōu)區(qū)域的能力越強(qiáng)。但由于HS算法是多點(diǎn)同時(shí)開始進(jìn)行搜索，隨著HMS的增大，計(jì)算量將會變大，從而影響到最終搜索到最優(yōu)和聲的速度。

HMCR是HS算法的另一個(gè)重要參數(shù)，其取值范圍是0～1之間的隨機(jī)數(shù)，它決定每次創(chuàng)作過程中新和聲的產(chǎn)生方式。在HS算法中，因新和聲產(chǎn)生時(shí)每個(gè)變量都依賴于HMCR，故HMCR應(yīng)取較大的值。音調(diào)PAR在和聲搜索中起控制局部搜索的作用，可使搜索逃離局部搜索，其值一般取0.1至0.5之間。

本發(fā)明同已有技術(shù)相比可產(chǎn)生如下積極效果：

本發(fā)明在綜合考慮充電站的建設(shè)運(yùn)行成本、充電途中耗時(shí)成本和到站排隊(duì)等候時(shí)間成本的基礎(chǔ)上，提出了采用V圖和HS算法的充電站布局規(guī)劃方法。本發(fā)明首先統(tǒng)計(jì)規(guī)劃區(qū)域內(nèi)電動汽車數(shù)量，利用電動汽車在充電站充電的排隊(duì)等候時(shí)間期望來估算總充電樁數(shù)量，通過設(shè)定充電站配置的充電樁數(shù)量范圍來計(jì)算充電站數(shù)量；其次隨機(jī)生成個(gè)充電站站址坐標(biāo)，并對其編碼生成和聲向量X；為解決Ｖ圖缺乏全局尋優(yōu)能力的缺點(diǎn)，采用具備全局隨機(jī)尋優(yōu)能力的HS算法與Ｖ圖聯(lián)合求解，再根據(jù)和聲向量計(jì)算相應(yīng)的目標(biāo)值，通過記憶學(xué)習(xí)、音調(diào)微調(diào)產(chǎn)生新和聲，用新和聲譯碼確定Ｖ圖生長點(diǎn)；最后結(jié)合Ｖ圖凸多邊形特點(diǎn)劃分服務(wù)區(qū)域，以電動汽車在充電站充電的最大排隊(duì)等候時(shí)間來確定每一個(gè)充電站的充電樁配置數(shù)量，達(dá)到了全局尋優(yōu)目的。

本發(fā)明無需給出充電站待選站址，能有效解決服務(wù)范圍電動汽車分布不均勻的規(guī)劃問題，可根據(jù)電動汽車分布自動生成站址和規(guī)模，并給出各充電站規(guī)劃區(qū)域劃分，使充電站建設(shè)運(yùn)行成本、充電途中耗時(shí)成本和到站排隊(duì)等候時(shí)間成本最小，方法有效實(shí)用。

本發(fā)明求解步驟是針對城市生活區(qū)、商務(wù)區(qū)的電動汽車充電站規(guī)劃問題，先統(tǒng)計(jì)規(guī)劃區(qū)域內(nèi)的電動汽車數(shù)量，再通過Voronoi圖生成各服務(wù)區(qū)域，并確定各服務(wù)區(qū)內(nèi)電動汽車數(shù)量，然后以最大排隊(duì)等候時(shí)間約束確定各服務(wù)區(qū)內(nèi)建設(shè)充電機(jī)的配置標(biāo)準(zhǔn)，最后利用HS算法自動搜索生成站址和規(guī)模，使充電站建設(shè)運(yùn)行成本、用戶充電途中耗時(shí)成本及排隊(duì)等候時(shí)間成本最小，有效解決規(guī)劃范圍電動汽車充電站合理布局規(guī)劃的問題，方法有效實(shí)用。

附圖說明：

圖1 為本發(fā)明的V圖和HS算法聯(lián)合優(yōu)化求解流程圖；

圖2為本發(fā)明的充電站選址結(jié)果及服務(wù)范圍劃分圖；

圖3為本發(fā)明的 V-HS和V-PSO算法的最優(yōu)規(guī)劃動態(tài)演化過程圖。

具體實(shí)施方式：

下面結(jié)合附圖對本發(fā)明的具體實(shí)施方式做詳細(xì)說明：

實(shí)施例：一種基于V圖和HS算法的充電站布局規(guī)劃方法，其包括如下步驟：

（一）估算規(guī)劃區(qū)域內(nèi)建設(shè)充電站范圍：

先簡單估算規(guī)劃區(qū)域內(nèi)電動汽車總數(shù)量，再通過公式求得總充電樁數(shù)量，其中為電動汽車充電的排隊(duì)等候時(shí)間期望，，為充電站集合，為充電站建設(shè)的充電樁數(shù)量；，為規(guī)劃區(qū)域內(nèi)電動汽車總數(shù)量，為電動汽車每日充電概率，為電動汽車充電時(shí)段，則服從泊松分布，表示單位時(shí)間內(nèi)電動汽車到達(dá)充電站的數(shù)量；，且保證，為充電樁接入電動汽車充電時(shí)間，則為充電樁服務(wù)強(qiáng)度；則為充電樁全部空閑的概率。

若（為電動汽車充電的排隊(duì)等候時(shí)間最大期望值），通過取式的反函數(shù)來求充電樁的數(shù)量，較為困難。因此，當(dāng)為整數(shù)時(shí)，充電樁的數(shù)量從開始依次增加，其中為大于等于x的最小整數(shù)；當(dāng)為非整數(shù)時(shí)，充電樁的數(shù)量從開始依次增加，直到為止。隨著增加而迅速減小，少量循環(huán)即找到滿足時(shí)的。

設(shè)定充電站配置的充電樁數(shù)量范圍，則在規(guī)劃區(qū)域內(nèi)建設(shè)充電站數(shù)量的范圍為，計(jì)算如下：

對每一個(gè)均進(jìn)行HS算法尋優(yōu)，獲取相應(yīng)最優(yōu)的和聲向量和目標(biāo)函數(shù)值。然后從所有的最優(yōu)選出最小的，并輸出對應(yīng)的參數(shù)，包括充電站數(shù)量，第個(gè)充電站的充電樁數(shù)量，電動汽車在充電站充電的排隊(duì)等候時(shí)間期望，充電站年建設(shè)運(yùn)行成本，用戶充電途中年耗時(shí)成本，用戶到站排隊(duì)等候年時(shí)間成本。

（二）搭建充電站布局規(guī)劃目標(biāo)：

在滿足用戶充電需求的前提下，以充電站的建設(shè)運(yùn)行成本、充電途中耗時(shí)成本和到站排隊(duì)等候時(shí)間成本三者為充電站布局規(guī)劃的目標(biāo)。以1年為計(jì)算單位，充電站的社會年總成本定義：，其中為充電站年建設(shè)運(yùn)行成本，為用戶充電途中年耗時(shí)成本，為用戶到站排隊(duì)等候年時(shí)間成本。

年建設(shè)運(yùn)行成本包括年固定投資和年運(yùn)行成本。固定投資主要包括充電樁、土地、配電變壓器和其他輔助設(shè)備的投資成本，運(yùn)行成本主要包括充電站工作人員薪水和設(shè)備運(yùn)營維護(hù)費(fèi)用。充電樁數(shù)量體現(xiàn)了充電站規(guī)模，充電樁越多，服務(wù)電動汽車數(shù)量越多，占地面積越大，相應(yīng)的土地購置和配電變壓器及其他輔助設(shè)備的固定投資越大，同時(shí)管理工作人員越多，運(yùn)行維護(hù)費(fèi)用也越大，因此充電樁是建設(shè)運(yùn)行成本的決定因素。固定投資和運(yùn)行成本都是充電樁數(shù)量的函數(shù)。年建設(shè)運(yùn)行成本表示為，其中，。為充電站的年固定投資函數(shù)，為充電站的年運(yùn)行成本函數(shù)，為與函數(shù)的系數(shù)（），為充電站集合；W為固定不變投資，包括營業(yè)建筑和道路輔助建設(shè)費(fèi)用，q為站內(nèi)與充電樁單價(jià)有關(guān)的投資系數(shù)（最佳取值0.7），e為與充電樁數(shù)量有關(guān)的等效投資系數(shù)（最佳取值0.4），包括占地面積、配電變壓器容量和電纜費(fèi)用；為貼現(xiàn)率（最佳取值3%），為充電站的折舊年限（最佳取值5年）。

用戶充電途中年耗時(shí)成本主要由充電行駛距離決定，表示為。其中為城市出行時(shí)間成本系數(shù)（最佳取值0.8），為電動汽車每日充電概率（最佳取值0.3），為城市交通平均行駛速度（最佳取值50 km/h），為充電需求點(diǎn)電動汽車數(shù)量，為充電需求點(diǎn)到充電站城市道路距離，為充電站集合，為屬于充電站的充電需求點(diǎn)的集合。

用戶到站排隊(duì)等候年時(shí)間成本由電動汽車充電期望和到站排隊(duì)等候時(shí)間期望決定，表示為。其中為城市出行時(shí)間成本系數(shù)（最佳取值0.8），為電動汽車每日充電概率（最佳取值0.3），為電動汽車在充電站充電的排隊(duì)等候時(shí)間期望，為充電需求點(diǎn)電動汽車數(shù)量，為充電站集合，為屬于充電站的充電需求點(diǎn)的集合。

本發(fā)明的模型約束條件分為兩大類：第一類為充電行駛距離約束，為避免用戶長距離行駛充電，充電行駛距離約束表示為，其中為充電需求點(diǎn)到充電站城市道路距離，為設(shè)定的充電行駛距離的最大限度，為充電站集合，為屬于充電站的充電需求點(diǎn)的集合；第二類為充電站間距離約束，為避免充電站布局過于密集，站間距離約束表示為，其中為充電需求點(diǎn)到充電站城市道路距離，為充電需求點(diǎn)到充電站城市道路的空間直線距離，為充電站和的直線距離，為充電站間的最小距離，為充電站，集合。

（三）聯(lián)合V圖和HS算法求解充電站布局規(guī)劃目標(biāo)值：

如下建立個(gè)充電站布局規(guī)劃方法，說明利用HS算法進(jìn)行充電站布局規(guī)劃的具體步驟。

步驟1：生成初始和聲向量：

在規(guī)劃范圍內(nèi)隨機(jī)生成個(gè)充電站站址坐標(biāo)，如，并對站址坐標(biāo)進(jìn)行編碼生成維向量。

利用站址坐標(biāo)生成V圖，劃定各充電站服務(wù)范圍，利用公式分別計(jì)算得到各充電站中充電樁數(shù)，判斷是否在約束條件范圍內(nèi)，若在范圍內(nèi)，則儲存初始和聲向量及其向量，否則重新進(jìn)行此步驟。

步驟2：生成和聲記憶庫

根據(jù)步驟1生成HMS（和聲記憶庫大?。﹤€(gè)初始和聲向量并由公式計(jì)算相應(yīng)的一并存入HM（和聲記憶庫）中，按照從小到大進(jìn)行排序：

式中，為階矩陣。

步驟3：生成新和聲

新解的每一個(gè)音調(diào)均通過以下3種機(jī)理產(chǎn)生：(1)學(xué)習(xí)和聲記憶庫；(2)音調(diào)微調(diào)；(3)隨機(jī)選擇音調(diào)。

以為例，新解的其他音調(diào)同理：新解的第1個(gè)變量有P_HMCP（其中HMCP為記憶庫取值）的概率選自中相應(yīng)列的任何一個(gè)值，有(1-P_HMCR)的概率選自外(但在變量范圍內(nèi))的任何一個(gè)值，即

式中：rand為[0,1]上均勻分布的隨機(jī)數(shù)。

如果新的音調(diào)來自和聲記憶庫，要對其進(jìn)行音調(diào)微調(diào)，具體操作如下：

式中，bw為音調(diào)微調(diào)帶寬，rand為均勻分布在[-1,1]上的隨機(jī)數(shù)，PAR為微調(diào)概率。

用新解譯碼轉(zhuǎn)換成新站址坐標(biāo)：，生成V圖，根據(jù)約束條件對生成的新解進(jìn)行判斷，若符合要求則作為新和聲，并計(jì)算新目標(biāo)函數(shù)值，否則重新進(jìn)行此步驟。

步驟4：更新和聲記憶庫

如果優(yōu)于中最差的，則將新和聲替代原最差和聲，并重新進(jìn)行排序，否則放棄該新和聲。具體操作如下：

其中，為最差和聲向量。

步驟5：重復(fù)步驟3和步驟4，直到和聲記憶庫更新次數(shù)達(dá)到（最佳取值58次）為止。儲存最優(yōu)的和聲向量及其對應(yīng)的目標(biāo)函數(shù)，并輸出對應(yīng)的參數(shù)，包括。

站址及其服務(wù)區(qū)域劃分如圖2所示，小圓點(diǎn)代表充電需求點(diǎn)，三角形代表的充電站站址布局，靠近充電需求的重心，并且服務(wù)區(qū)域劃分明確，有效解決了電動汽車分布不均勻的規(guī)劃問題。圖3為充電站規(guī)劃數(shù)為10座時(shí)，分別采用V圖和HS算法聯(lián)合求解（V-HS），V圖和PSO算法聯(lián)合求解（V-PSO）的動態(tài)演化過程。V-HS算法在求取最優(yōu)社會年總成本這一目標(biāo)，迭代次數(shù)較少，能較快的找到最優(yōu)解，且收斂性較好。