部分拆装线平衡问题的多目标人工蜂群算法

拆卸线广泛应用于拆解报废产品,当前大多数的研究关注于废弃产品的完全拆卸,缺乏对拆卸利润和节省碳排放量等的研究。针对部分拆装线平衡,构建了面向利润、节省碳排放量和线平衡的多目标数学模型。为实现问题的高效求解,设计了改进多目标人工蜂群算法。该算法采取操作排序向量和拆卸零部件数量的双层编码,同时设计双层解码以分别处理优先关系约束和节拍约束。该算法雇佣蜂阶段采取邻域操作、跟随蜂阶段采取交叉操作以获得差异化的种群,同时侦察蜂阶段采取从永久帕累托前沿选择一个解来替换抛弃的个体以获得高性能的新解。为了测试改进算法的性能,该算法与原始多目标人工蜂群算法、多目标模拟退火算法、快速非支配遗传算法进行对比。测试结果表明改进策略有效提升了人工蜂群算法的性能,同时改进人工蜂群算法优于对比的算法,可实现多目标拆卸线平衡问题的高效求解。

一种多目标人工蜂群算法

为将标准人工蜂群算法有效应用到多目标优化问题中,设计了一种多目标人工蜂群算法。其进化策略在利用精英解引导搜索的同时结合正弦函数搜索操作来平衡算法对解空间的开发与开采行为。另外,算法借助了外部集合来记录与维护种群进化过程中产生的Pareto最优解。理论分析表明:针对多目标优化问题,本算法能收敛到理论最优解集合。对典型多目标测试问题的仿真实验结果表明:本算法能有效逼近理论最优,具有较好的收敛性和均匀性,并且与同类型算法相比,本算法具有良好的求解性能。

基于多目标人工蜂群算法的微电网优化调度

针对微电网系统中微电源出力优化问题,在满足系统运行约束的条件下,建立了包含系统运行费用和排污处理费用的微电网多目标优化调度模型,提出采用多目标人工蜂群算法(MOABC)进行求解。将MOABC应用到典型微电网实例中,验证了算法的有效性。与其他多目标算法进行对比,结果显示,MOABC的运行费用和排污处理费用更少,具有更好的收敛特性和更宽广的Pareto前沿。

基于knee points的改进多目标人工蜂群算法

传统的人工蜂群算法(Artificial Bee Colony algorithm,ABC)及其在多目标上的扩展(Multi Objective Artificial Bee Colony algorithm,MOABC)存在着在高维、多峰函数情况下收敛速度变慢、后期容易陷入局部最优以及寻优精度丢失等问题。基于knee points提高收敛性和分布性的特点,设计了一种快速识别knee point的算法并将其应用到多目标人工蜂群算法中,提出了一种基于knee points的改进多目标人工蜂群算法(Kn MOABC)。算法在迭代过程中考虑pareto支配关系的同时,优先选择knee point作为下一代个体,极大地增强了算法的收敛速度,同时,在knee point识别算法中加入自适应的策略以保持良好的分布性。实验结果表明,Kn MOABC的性能优于三个最新的多目标人工蜂群对比算法。

基于改进多目标人工蜂群算法的航空发动机管路智能布局方法

针对航空发动机管路布局目前存在的问题,一种基于改进多目标人工蜂群算法的航空发动机管路智能布局方法被提出。在该方法中,首先以管路长度最短、弯头数最少和流阻最小为优化目标,将管路弯曲半径、夹角、直线段长度、距离、贴壁以及跨度约束作为约束条件,建立航空发动机管路多目标布局优化数学模型。进一步,基于约束违背度理论、混沌算法和A*算法,并结合雇佣蜂变长度邻域搜索、跟随蜂指数排序选择、侦查蜂自适应邻域搜索,设计出应用于航空发动机管路智能布局的改进多目标人工蜂群算法,从而实现了航空发动机管路布局的多样性和智能化,提高了管路布局质量和效率。最后,以标准测试函数为例对算法性能进行测试,并通过实例研究验证所提方法的可行性。

基于多蜂群模型的多目标人工蜂群算法研究

提出了一种基于多蜂群模型的新颖多目标人工蜂群算法(MCMOABC,).算法使用外部档案存储非支配解,运用自适应网格对档案进行维护.在MCMOABC算法中存在3个搜索域各不相同的蜂群,其中2个称为基本蜂群,第3个为综合蜂群.选择4个常用的性能指标,将MCMOABC与其他主流算法在CEC2009测试集上进行比较,实验结果显示了算法的优越性.

一种基于进化知识融合的多目标人工蜂群算法

提出一种基于进化知识融合的多目标人工蜂群算法.首先,采用精英群体知识和种群自身进化知识混合引导引领蜂进化,保持种群的多样性和优异性;然后,将一种融合个体支配关系和种群分布关系的方法引入跟随蜂的概率选择中,合理选择个体进行深度开发以改善算法收敛性能和分布性能;最后,提出一种更为严格的外部档案维护策略以降低外部档案维护成本,提高解集的分布性能.通过求解标准测试函数,并与其他3种多目标优化算法进行比较,仿真结果表明所提出算法具有良好的收敛性能和分布性能,且解集的覆盖范围更广.

人工蜂群算法优化的特征选择方法

在分类问题中,数据之间存在的大量冗余、不相关的特征不仅不能增加分类准确率,反而会降低分类算法执行的速度。特征选择通过最大化分类正确率和最小化特征数来解决这个问题,由于这是两个相互矛盾的目标,因此可以将特征选择问题视为一种多目标优化问题。为了提升特征选择的效率,提出了一种基于Knee Points的改进多目标人工蜂群算法的特征选择方法(artificial bee colony algorithm based on Knee Points,KnABC),设计了一种快速识别Knee Points的方法,并改进了引领蜂和引领蜂算子。与其他经典多目标算法在11个UCI测试数据集上的特征选择实验结果表明,提出的算法在减小分类特征数、增大分类结果准确率方面具有显著效果。

一种风电功率概率区间多目标智能优化预测方法

风电的间歇性和不确定性给大规模风电并网带来了挑战,风电功率的单点预测已很难满足电网安全稳定运行的需求。提出了一种基于小波神经网络的风电功率区间预测多目标优化模型,改进了基本多目标人工蜂群算法的概率选择作用和约束删减策略,以优化小波神经网络的伸缩因子、平移因子和权值解决了区间预测单目标优化模型下惩罚系数的不合理选择问题,提高了风电功率区间预测可靠性。通过分析与单目标优化方法、传统多目标优化方法下区间预测指标的对比结果,表明所构建的多目标智能优化模型对风电功率区间预测具有更优越的性能,可为电网调度提供决策依据。

基于MOABCO的多目标测试用例优先级排序

为了提高回归测试的效率,提出了一种基于多目标人工蜂群优化(Multi-Objective Artificial Bee Colony Optimization, MOABCO)算法的多目标测试用例优先级排序(Multi-Objective Test Case Prioritization, MOTCP)方法.针对标准多目标人工蜂群(Multi-Objective Artificial Bee Colony, MOABC)算法容易陷入局部最优解的问题,将差分变异策略融入到新蜜源更新阶段,且基于信息熵改进新蜜源选择方法,以避免算法陷入局部最优并增强了全局搜索能力;然后,将代码覆盖率和测试用例有效执行时间作为优化目标,并用MOABCO算法求Pareto最优解集,以解决MOTCP问题.实验结果表明, MOABCO算法求得的Pareto最优解集在逼近性和分布均匀性上均优于MOABC算法;在解决MOTCP问题上,相对于NSGA-II算法具有更高的收敛速度和更高的缺陷检测率.

基于功角稳定性的区域电网储能选址定容方法

为了缓解跨传输断面的调峰压力,同时提升电网的功角稳定性,建立了兼顾经济性与功角稳定性的储能选址定容双层优化模型,并给出了模型的求解方法。上层模型考虑区域电网的运行经济性,以储能电站收益最大为优化目标,确定储能配置总容量。下层模型考虑区域电网的功角稳定性,以储能调度期间总网损最小和储能调节区域电网功角稳定性能力最大为优化目标,进行储能选址与总容量的分配。双层模型的上层采用遗传算法进行求解,下层采用改进多目标人工蜂群算法进行求解。以某实际电网为算例进行仿真验证,结果表明,根据所提双层优化模型进行储能配置可以在保证经济性的同时,提升区域电网的功角稳定性。

水下滑翔机长航程全局路径规划

研究了以航程及精度为准则的水下滑翔机全局多目标路径规划。首先结合OUC-Ⅲ滑翔机执行机构能耗及运动规律建立了系统能耗计算表格;然后通过对运动纵平面内的滑翔形式对比,以及水平面内的定航运动控制参数选取的分析,建立了滑翔机全局路径规划模型;为解决路径规划过程中面临的带约束混合非凸多目标优化问题,应用改进的人工蜂群算法对综合航行指标最均衡的控制参数进行了求解;最后将获得的结果与海试数据对比判定解的质量。仿真结果显示算法可有效提升滑翔机长航程航行的综合性能。

有人/无人机任务联盟分阶段形成方法

针对有人/无人机任务联盟形成问题,采取任务聚类-平台匹配的分阶段形成策略。首先,给出问题要素定义,并进行相关数学描述。其次,基于对问题的分析,以最小化任务距离和为优化目标建立任务聚类的数学模型;以最小化指挥决策能力代价和资源能力代价为优化目标建立平台匹配的数学模型。然后,对任务聚类问题和平台匹配问题,分别采用优选初始簇中心的贪心聚类算法和多目标模糊人工蜂群算法进行求解;最后,通过仿真案例下的3组实验,验证了提出方法的有效性和优越性。

应用IMOABC空调房间CO_(2)浓度二自由度内模分数阶PI控制性能的研究

由于定风量空调机组(Constant Air Volume Air Handling Unit, CAVAHU)输出的新风量往往是固定的,当空调房间内的额定人员数量超员或不足时,会导致空调房间CO_(2)浓度测量值Cn高于室内CO_(2)浓度设定值Cn=Cn,set或新风负荷增大的状况。对此提出了一种空调房间CO_(2)浓度二自由度内模分数阶PI控制策略和设计改进多目标人工蜂群算法(Improved Multi-Objective Artificial Bee Colony Algorithm, IMOABCA)对控制器参数实施整定的思路。首先,基于人工蜂群算法,分别对雇佣蜂和观察蜂引入自适应惯性权重和精英组策略,进行非线性递减和柯西变异的演变,并结合观察蜂搜索特性,将最小粒子角度引入外部档案集,获取相应的Pareto解集,设计IMOABCA,进而对控制器的3个参数进行整定,获得相应的最优值。最后,借助MATLAB工具,对该室内CO_(2)浓度的二自由度内模分数阶PI控制系统进行组态和仿真。结果表明:该室内CO_(2)浓度二自由度内模分数阶PI控制系统和IMOABCA是可行的,能够实现Cn=Cn,set的调节目的和获取控制器的3个参数最优值,提升室内CO_(2)浓度的调节品质。

燃料电池电动汽车的能量管理

为了研究一类以超级电容和燃料电池作为能量来源的电动汽车能量管理的问题,首先建立了燃料电池和超级电容模型,其中,包括燃料电池性能衰退模型;其次,提出了一种改进的功率跟随能量管理控制策略,通过对二次型效用函数进行偏微分并结合Karush-Kuhn-Tucker(KKT)条件将需求功率分解为燃料电池和超级电容各自的目标功率;最后,采用多目标人工蜂群算法和Pareto解集迭代求解算法内部的最佳平衡系数,同时提升了整车经济性及燃料电池的耐久性。仿真结果表明:与传统功率跟随策略相比,本文改进功率跟随策略可以降低2%的等效氢气消耗,并降低92.66%的燃料电池性能衰退,车辆只需要消耗1.2 kg氢气即可行驶88.52 km。