随着科技快速的发展,环境恶化和能源危机问题日益加剧。电动汽车作为一种使用清洁能源的交通工具,一经问世便受到了广泛的关注。电动汽车充换电站作为电动汽车普及的重要保障,其调度优化问题较为流行。随着电动汽车数量的增长和充电需求的日益增大,大规模的无序充电行为会影响电网的稳定性甚至增加充换电站运行成本,因此解决充换电站优化调度问题具有重要意义。而传统优化算法在解决这类优化问题往往存在一定的弊端,如收敛速度慢、易陷局部最优。作为一种用于解决优化问题的演化计算基数,群智能算法在一定程度上克服了传统优化算法的缺陷,其优化效果较传统方法要好。由于优化问题种类较多,且尚不存在一种优化算法可以解决所有的优化问题,为此本文对能够较好解决优化问题的一种群智能算法即蚱蜢优化算法进行了改进并提出了精英反向学习策略的蚱蜢优化算法。本文通过构建一个电动汽车充换电站的充电调度模型用来检验精英反向学习策略蚱蜢优化算法的寻优性能。本文主要工作内容如下:1、首先对课题的研究背景与意义以及电动汽车技术的发展情况进行简单地介绍;然后对群智能算法进行了简单介绍,包括群智能算法的起源、发展、优势等,并重点介绍了蚱蜢优化算法;最后介绍了对蚱蜢优化算法的改进。2、对蚱蜢优化算法提出了四个方面改进,提出精英反向学习策略的蚱蜢优化算法。第一:采用混沌序列机制代替了原始算法的随机生成初代种群机制,提高了初代种群的质量;第二:提出一种精英协商的反向学习策略机制,此方法对原始的全局搜索机制进行了改进,提高了算法的寻优能力;第三:采用Lévy飞行策略对种群个体进行随机扰动,增加了种群活性的同时提高了跳出局部最优的能力;第四:提出一种非线性收敛策略更好地平衡了全局搜索与局部开采两个过程,并加快了算法的收敛速度。3、为验证本文提出改进蚱蜢优化算法的寻优能力,进行了大量的对比实验。将精英反向学习蚱蜢优化算法与遗传算法、粒子群算法、蝙蝠优化算法等几个较为流行的群智能算法以及原始的蚱蜢优化算法进行对比,通过23个测试函数的求解结果分析,验证了精英反向学习蚱蜢优化算法在处理优化问题方面较其他群智能算法具有一定优势,改进算法较原始蚱蜢优化算法具有更好的寻优能力。4、为验证精英反向学习蚱蜢优化算法求解电动汽车充换电站模型的能力,本文以平抑负荷曲线和运营成本两个角度建立多目标优化函数,目的是减小电网负荷曲线的离差平方和以及峰谷差的同时,降低充换电站的电力成本支出。采用本文提出的改进蚱蜢优化算法以及现有的多种较流行群智能算法对目标函数进行求解,仿真实验结果验证了本文充换电站模型的合理性,并证明了精英反向学习蚱蜢优化算法在解决充换电站充电调度问题时较现有群智能算法具有一定的优势。