一种基于正态分布交叉的ε-MOEA

实数编码的多目标进化算法常使用模拟二进制交叉(simulated binary crossover,称SBX)算子.通过对SBX以及进化策略中变异算子进行对比分析,并引入进化策略中的离散重组算子,提出了一种正态分布交叉(normal distribution crossover,称NDX)算子.首先在一维搜索空间实例中对NDX与SBX算子进行比较和分析,然后将NDX算子应用于Deb等人提出的稳态多目标进化算法ε-MOEA(ε-dominance based multiobjective evolutionary algorithm)中.采用NDX算子的ε-MOEA(记为ε-MOEA/NDX)算法在多目标优化标准测试集ZDT和DTLZ的10个函数上进行了实验比较.实验结果和分析表明,采用NDX的ε-MOEA所求得的Pareto最优解集质量明显优于经典算法ε-MOEA/SBX和NSGA-Ⅱ.

快速多目标无功优化方法在实际系统中的应用

多目标进化算法(MOEA)已经被应用到电力系统无功优化这一问题的求解,但是由于MOEA算法需要相当长的寻优时间,同时其优化结果针对性不强,因此难以用于电网的无功电压自动实时控制。将以ε-支配域为基础的多目标优化方法应用到实际系统的无功电压自动实时控制中,该方法包括多目标模糊评价函数、自适应ε-MOEA优化算法以及后评价模糊控制器。通过在一个实际35节点系统上的应用,验证了所提方法的有效性与实用性。

基于分解的多目标进化算法在工程优化中的应用

将基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)应用于工程优化问题时,由于各目标函数在数量级及量纲上的不同,需要对目标函数进行归一化处理.首先,采用一种自适应ε约束差分进化算法(εConstrained Differential Evolution,εDE)寻找各个目标在Pareto前沿上的最大值和最小值,利用这些值对各目标进行归一化处理;然后,用MOEA/D进行求解,并在算法中加入了自适应ε约束处理技术;最后,采用一个标准测试问题和一个焊接梁设计优化问题对该算法进行测试,并与其他两种归一化方法进行了比较.根据提出的方法,MOEA/D能对Pareto前沿的一端进行集中优化,因而能处理一些Pareto前沿两端难以优化的问题.