Large-Scale Multi-Objective Optimization Algorithm Based on Weighted Overlapping Grouping of Decision Variables

The large-scale multi-objective optimization algorithm(LSMOA),based on the grouping of decision variables,is an advanced method for handling high-dimensional decision variables.However,in practical problems,the interaction among decision variables is intricate,leading to large group sizes and suboptimal optimization effects;hence a large-scale multi-objective optimization algorithm based on weighted overlapping grouping of decision variables(MOEAWOD)is proposed in this paper.Initially,the decision variables are perturbed and categorized into convergence and diversity variables;subsequently,the convergence variables are subdivided into groups based on the interactions among different decision variables.If the size of a group surpasses the set threshold,that group undergoes a process of weighting and overlapping grouping.Specifically,the interaction strength is evaluated based on the interaction frequency and number of objectives among various decision variables.The decision variable with the highest interaction in the group is identified and disregarded,and the remaining variables are then reclassified into subgroups.Finally,the decision variable with the strongest interaction is added to each subgroup.MOEAWOD minimizes the interactivity between different groups and maximizes the interactivity of decision variables within groups,which contributed to the optimized direction of convergence and diversity exploration with different groups.MOEAWOD was subjected to testing on 18 benchmark large-scale optimization problems,and the experimental results demonstrate the effectiveness of our methods.Compared with the other algorithms,our method is still at an advantage.

A Modified Bi-Directional Evolutionary Structural Optimization Procedure with Variable Evolutionary Volume Ratio Applied to Multi-Objective Topology Optimization Problem

Natural frequency and dynamic stiffness under transient loading are two key performances for structural design related to automotive,aviation and construction industries.This article aims to tackle the multi-objective topological optimization problem considering dynamic stiffness and natural frequency using modified version of bi-directional evolutionary structural optimization(BESO).The conventional BESO is provided with constant evolutionary volume ratio(EVR),whereas low EVR greatly retards the optimization process and high EVR improperly removes the efficient elements.To address the issue,the modified BESO with variable EVR is introduced.To compromise the natural frequency and the dynamic stiffness,a weighting scheme of sensitivity numbers is employed to form the Pareto solution space.Several numerical examples demonstrate that the optimal solutions obtained from the modified BESO method have good agreement with those from the classic BESO method.Most importantly,the dynamic removal strategy with the variable EVR sharply springs up the optimization process.Therefore,it is concluded that the modified BESO method with variable EVR can solve structural design problems using multi-objective optimization.

Application of fuzzy optimization model in the evaluationof urban flood-waterloggedvulnerabilitybased on the synthetic weight ofgame theory

The evaluation of urban flood-waterlogged vulnerability is very important to the safety of urban flood control. In this paper, the evaluation of consolidated index is used. Respectively, AHP and entropy method calculate the subjective and objective weight of the evaluation indicators, and combine them by game theory. So we can obtain synthetic weight based on objective and subjective weights. The evaluation of urban flood-waterlogged vulnerability as target layer, a single variable multi-objective fuzzy optimization model is established. We use the model to evaluate flood-waterlogged vulnerability of 13 prefecture-level city in Hunan, and compare it with other evaluation method. The results show that the evaluation method has certain adaptability and reliability, and it＇ s helpfid to the construction planning of urban flood control.

基于综合赋权与云熵优化的园区综合能源系统评价

综合能源系统(integrated energy system,IES)作为能源转型中的重要环节已得到越来越多国家的广泛关注。构建一套匹配中国国情的综合能源系统评价体系和评价方法不仅能够为综合能源系统规划后评价打下基础,以此对规划方案进行优劣排序;还能够提高综合能源系统项目的管理水平,在制定统一、完整的综合能源系统综合评价标准时提供参考。为此,首先结合园区IES基本特征以及运行特性,构建包含经济性、可靠性、环保性以及智能友好性4个方面的综合评价指标体系;然后为解决IES在运行中的不确定性问题,对基于传统云物元模型的综合评价体系提出云熵优化,即考虑不同评价者对模糊性的可接受程度;为解决单一赋权方法可能导致的评价结果过于主观或过于客观的问题,选择基于最小鉴别信息原理将决策实验室法与熵权法相结合的综合赋权法,并采用变权法进一步完善综合评价指标;最后通过算例分析,验证所提综合评价体系的科学正确性。

属性权重动态更新的自适应群体共识决策方法

为了提高不确定语言环境下异构多属性群决策的质量、效率及可解释性,提出一种属性权重动态更新的自适应群体共识决策方法。首先,定义不确定语言变量与中间值之间的转换函数,发展多级共识测度,建立计算属性初始权重的双目标优化模型;进而,构建包含群体共识自动达成规则和属性权重动态更新机制的自适应共识模型,实现待调整值的精准定位和自动修改,在优化属性权重的同时进一步提升群体共识水平;然后,对于达成共识的群体决策矩阵,先利用转换函数将中间值转换为不确定语言变量,再使用属性权重和集结算子得到各方案的综合评价结果;最后,通过供应商选择实例和实验比较分析验证所提方法的有效性和可行性。本文研究结果为灵活、高效地求解复杂环境下的多属性群决策问题提供了有效途径。

基于WPSO-BP和L-MBWO的多翼离心风机优化研究

针对多翼离心风机气动性能、噪声情况难以同时改进的问题,提出了一种基于变权重粒子群优化算法的反向传播神经网络风机性能预测模型(WPSO-BP),以及一种基于逻辑混沌初始化的多目标白鲸优化算法(L-MBWO),并将二者应用于多翼离心风机的优化设计中。首先,选取了叶片进出口角、倾斜蜗舌的最大蜗舌半径、叶片切除角度作为设计变量,把风机的全压、效率、声压级作为优化目标;然后,构建了WPSO-BP预测模型,以反映设计变量与优化目标之间的关系,定量分析对比了该模型与BP神经网络预测模型,预测值用于风机的性能优化;接着,将逻辑混沌初始化引入到白鲸优化算法(BWO),基于第三代非支配排序遗传算法(NSGA-Ⅲ)构建了L-MBWO优化算法;最后,在实验验证仿真可靠的前提下,将提出的预测模型和优化算法应用于风机优化,并对优化效果进行了综合分析。研究结果表明:优化后的风机全压增加了34.79 Pa,效率提高了0.67%,噪声降低了1.73 dB,实现了多个优化目标之间的平衡,有效改善了风机的综合性能,为多翼离心风机的优化设计提供了一种新思路。

改进粒子群优化算法在搬运机器人机械臂中的应用

针对搬运机器人机械臂空间规划的时间最优问题,提出一种含有动态学习因子、变惯性权重因子并结合天牛须搜索(Beetle Antennae Search,BAS)算法的改进粒子群优化(Particle Swarm Opitimization,PSO)算法。通过运动学分析得到工作空间,引入3-5-3多项式插值进行轨迹规划,对运动过程的加速度和速度进行约束,得到运动过程的最短时间;对比改进前后的粒子群优化算法收敛速度,分析了各个关节的运动时间变化情况,并进行了仿真和试验验证。该算法将学习因子设为变量,使算法跳出局部最优;采用变惯性权重因子提高了算法搜索效率;结合天牛须搜索算法,加快了算法搜索速度、提高了搜索精度。结果表明,改进粒子群优化算法的收敛速度和精度都有所改善,避免了局部最优情况;整体的运动时间缩短了约15.9%。使用该算法的搬运机器人机械臂的关节角度、速度、加速度曲线平滑稳定,该改进算法有效。

变权-混合决策评估的复合功能并网逆变器多目标协同优化控制方法

复合功能并网逆变器(multi-functional grid-connected inverter,MFGCI)在完成功率输出的同时,具备解决配电网中多种电能质量问题的能力,但该能力往往受其可用于电能质量治理的补偿容量的限制。以MFGCI的控制结构为基础,给出了无锁相环补偿指令电流及并网跟踪电流指令,提出了基于变权-混合决策评估的多目标协同优化方法,以更好适用于因新能源不确定性及非线性负荷接入导致的电能质量指标波动问题。构建了以电能质量补偿效果最佳和所需补偿容量最小的多目标函数,采用基于多目标人工蜂鸟算法(multi-objective artificial hummingbird algorithm,MOAHA)更新机制的优化算法,求解补偿各电能质量问题的最优容量分配系数,并通过多种场景下仿真,验证了所提方法的正确性和有效性。

农机装备电控液压提升系统变权重因子自适应控制研究

针对传统大马力拖拉机电液提升系统控制精度不足的问题,提出利用多个反馈参数进行综合调节的控制方案,通过对不同的反馈控制方式进行权重划分,可综合各反馈控制的优势以实现多性能平衡的目的。另外,考虑到常规控制的权重因子固定不可变的问题,提出权重因子基于反馈信号的自适应变化控制方案,利用3种反馈信号与设定值的偏差进行权重因子的增量调节,使得权重因子能更好地满足性能参数的变动,分别设计了3个权重因子的自适应控制规则和对应控制器的输入输出参数。选用犁耕深度、牵引力、滑转率作为控制性能的评价指标对无反馈控制、力位综合控制以及所提自适应控制进行对比,结果表明:所提控制方法的犁耕深度均匀性较高,牵引力和滑转率数值较小,且变化范围明显小于其他2种控制方式;在提高犁耕均匀性的同时也提高了燃油经济性,并降低了悬挂系统的冲击效应。

基于改进粒子群优化算法的源网荷储系统容量配置研究

随着可再生能源技术的发展,源网荷储系统成为保证电力系统可靠性和稳定性的重要解决方案。合理的容量配置可优化投资成本、保证系统的供电可靠性并减少可再生能源的浪费,对提升系统性能和经济效益至关重要。提出了一种改进的粒子群优化(PSO)算法,结合可变惯性权重,增强算法的搜索能力和收敛速度,采用多目标优化,在保证供电可靠性、尽可能减少弃风弃光量的前提下,寻找投资成本最低的源荷储容量及功率配置方案。将所提算法应用于小岛源网荷储测试系统,并与典型优化算法进行比较。仿真结果表明,基于改进PSO算法的多目标优化方法不仅能够有效实现源网荷储系统的容量配置,而且收敛速度和解的质量都有显著提升,为电力系统规划和运行提供了一种新的优化工具。

基于XGBoost-PSO的混凝土重力坝体型多目标优化设计

为解决重力坝优化设计以截面尺寸作为唯一设计变量,缺乏考虑材料属性对重力坝优化设计影响的问题,综合经济、抗震安全进行重力坝多目标优化设计方法研究,构建了综合经济、抗震安全指标的多因素评价体系;采用ABAQUS软件对重力坝进行有限元静动力分析,基于计算结果采用变权功效系数法进行量化评价;采用XGBoost-PSO算法进行寻优得到最终优化方案。实例验证结果表明:多目标优化方案与初始方案相比,在经济、抗震安全指标上都得到了明显改善;相比传统单目标优化模式,经济、安全多目标优化更适用于抗震安全要求高的重力坝工程。

基于改进的变权缓冲灰色模型在沉降预测中的应用

针对灰色模型在中后期沉降预测中的精度问题,提出了单、双权幂函数弱化缓冲算子,并结合变权背景值建立改进的变权缓冲GM(1,1)模型。证明了新算子能提高光滑性、缩小级比偏差,实现对原始沉降数据的预处理。对于模型中的权值采用以还原值与原始值平均相对误差最小为目标的粒子群优化算法确定。最后,以高填方机场地表沉降数据预测为例,验证所提改进模型的有效性。结果表明:新算子能够有效弱化沉降序列受到的冲击扰动影响,结合变权背景值能显著提高灰色模型在中后期沉降预测中的精度。此外,对新算子的权值进行限定后,可得到两种不同的变权弱化缓冲算子。

基于主轴和进给轴电流的铣削力间接预测方法

提出了一种基于主轴和进给轴电流最优变权法的瞬时铣削力预测方法。首先,分析了主轴电流与x向瞬时铣削力的映射关系,基于互相关方法考虑了电流信号的延迟效应;其次,基于Devavit Hartenberg法对五轴机床进行运动学建模,将进给轴驱动力矩从机床坐标系映射到刀具坐标系,基于力雅可比矩阵得到进给轴驱动力矩和瞬时铣削力的映射关系;最后,基于最优变权法,综合考虑了主轴和进给轴电流对瞬时铣削力的影响,进行了瞬时铣削力预测实验。实验结果表明,基于主轴和进给轴电流最优变权法的瞬时铣削力预测误差在10%以内,能够有效预测加工过程的瞬时铣削力。

基于变权重大坝预测模型的组合告警方法研究

针对传统大坝测点安全监测采用单一模型进行预测告警时存在虚假警报频次较高、人工干预较少的问题,提出了一种基于预测模型权重分配及修改的大坝测点预测组合模型。以常见的多种预测模型和数据评价指标为研究对象,通过引入残差修正技术对预测结果进行处理,建立预测模型评价指标体系并确定指标的客观和主观权重,依据主客观权重对模型进行排序优选,通过实时的评价指标和告警状态反馈修改优选模型权重进而对大坝测点进行告警。实例验证表明:该告警反馈算法有效降低了误警告频次和告警等级,使结果更加符合大坝性态。

基于熵权法优化组合的PSO-SVR-NGM边坡位移预测

基于边坡监测数据建立数学模型,是边坡变形和稳定性分析的重要方法。但是单一预测模型的形式和应用范围具有一定的确定性,不同模型对数据的利用程度也有所差别,往往不能充分运用已知信息,导致模型精度不高,适用性不强。针对单一预测模型存在的问题,提出一种基于熵权法的PSO-SVR-NGM优化组合模型。该模型结合高精度变权缓冲NGM(1,1,k,c)模型和PSO-SVR模型,能够减小单一预测模型的误差,大幅度提高预测精度。首先通过引入变权缓冲算子λ和背景值权重系数η、κ改进无偏NGM(1,1,k,c)模型,构建新的3参数变权缓冲NGM(1,1,k,c)模型。结合最大灰色关联度和最小平均相对拟合误差重新构造粒子群算法的适应度函数,利用改进的粒子群算法对提出的变权缓冲模型进行搜索寻优,确定最佳的参数组合。然后通过熵权法对改进的变权缓冲NGM(1,1,k,c)模型和PSO-SVR模型进行赋权建立优化组合模型。最后,将该组合模型应用于3个不同变形特征的边坡工程中,并与其他单一模型进行对比分析。结果表明,相对于单一模型,本文所提出的组合模型的拟合和预测误差较小,与原始位移数据的相关性较好,能够更真实地反映边坡变形规律,具有较强的工程适应性。同时组合模型的提出与发展也促进了单一模型的优化改进,为解决实际工程问题提供了良好的思路。

深海着陆车路径规划及跟踪控制方法

为降低深海着陆车(DSLV)在复杂海底自主作业时规划路径长度及提高路径跟踪精度,提出一种变参数蚁群算法及自适应权重模型预测控制算法。改进了蚁群算法的启发算子和信息素挥发因子,减少规划路径长度和寻优迭代次数;基于DSLV运动学方程建立预测模型,并在跟踪目标函数中引入自适应权重调节思想。仿真结果表明:规划路径长度降低4.60%,跟踪精度提高47.6%;相比传统方法,新算法具有更好的性能,实现了短距离、高精度的路径规划及跟踪。

空射诱饵弹干扰资源动态分配策略

基于空射诱饵弹干扰机理和战术使用原则,针对诱饵弹动态干扰资源分配中存在的问题,提出一种更加贴合战场实际且时效性更强的空射诱饵弹对抗组网雷达干扰资源动态分配方法。采用基于ICRITIC—变权理论的威胁评估方法确定组网雷达的动态威胁矩阵;结合诱饵弹有源假目标干扰模式,从匹配度角度分析了影响干扰效果的相关指标,并构造了干扰效能矩阵;基于最优干扰效能建立了资源优化目标模型,并利用改进粒子群优化算法对资源优化问题进行求解。仿真结果表明,提出的优化方法能更合理地实现干扰资源分配,更加符合诱饵弹作战实际;相比传统方法,其计算效率和最优解正确率具有更明显优势。

基于正反向累加的含线性时变参数DGM模型的变权组合预测

电力负荷预测是电力系统优化规划的依据。为了从一组原始电力数据序列中获取更多信息,提高中长期电力负荷预测的精度,本文在研究数据正向联系和逆向联系的正、反向累加方式基础上,对含线性时变参数的离散灰色模型进行改进,同时加入进一步减小误差的迭代基值优化过程。最后利用两种单项预测模型构造出一种双向获取信息的变权组合预测模型,给出其建模步骤,并对某城市电力供电量发展水平进行预测。通过与DGM和LT-DGOM及其单项预测模型进行对比验证其预测效果。

基于改进距离权重双电枢绕组电励磁变磁阻电机多目标优化研究

双电枢绕组电励磁变磁阻电机结构简单且适合在极端环境中运行。针对该电机结构参数变量多,非线性特征明显,常规方法难以快速准确反映结构参数与多优化目标之间的关系等问题,提出一种基于改进距离权重的快速回归建模和多目标遗传算法相融合的结构优化方案。首先,依据磁场调制理论和绕组函数理论推导电机空载反电势和相绕组自、互感模型,并对优化目标进行定性分析;其次,采用缩减样本空间的综合敏感度分析方法,筛选出高敏感度结构参数,并基于改进距离权重的机器学习算法建立电机模型,映射高敏感度参数与多优化目标之间的非线性关系;然后以电机容错性能、电压波动和振动为优化目标,采用多目标遗传算法在设定约束条件下进行结构参数全局寻优。优化结果表明,所选的优化参数能够抑制12%的电机径向力波并在故障时减缓电机25%的相电流;最后,通过样机实验验证了方法的有效性与可行性。

A novel fractional grey forecasting model with variable weighted buffer operator and its application in forecasting China's crude oil consumption

Oil is an important strategic material and civil energy.Accurate prediction of oil consumption can provide basis for relevant departments to reasonably arrange crude oil production,oil import and export,and optimize the allocation of social resources.Therefore,a new grey model FENBGM(1,1)is proposed to predict oil consumption in China.Firstly,the grey effect of the traditional GM(1,1)model was transformed into a quadratic equation.Four different parameters were introduced to improve the accuracy of the model,and the new initial conditions were designed by optimizing the initial values by weighted buffer operator.Combined with the reprocessing of the original data,the scheme eliminates the random disturbance effect,improves the stability of the system sequence,and can effectively extract the potential pattern of future development.Secondly,the cumulative order of the new model was optimized by fractional cumulative generation operation.At the same time,the smoothness rate quasi-smoothness condition was introduced to verify the stability of the model,and the particle swarm optimization algorithm(PSO)was used to search the optimal parameters of the model to enhance the adaptability of the model.Based on the above improvements,the new combination prediction model overcomes the limitation of the traditional grey model and obtains more accurate and robust prediction results.Then,taking the petroleum consumption of China's manufacturing industry and transportation,storage and postal industry as an example,this paper verifies the validity of FENBGM(1,1)model,analyzes and forecasts China's crude oil consumption with several commonly used forecasting models,and uses FENBGM(1,1)model to forecast China's oil consumption in the next four years.The results show that FENBGM(1,1)model performs best in all cases.Finally,based on the prediction results of FENBGM(1,1)model,some reasonable suggestions are put forward for China's oil consumption planning.