RWCE优化换热网络的不可行解影响分析及强化策略

换热网络优化问题常以外罚函数法处理约束,赋予违反约束的不可行解较大的罚值。强制进化随机游走算法(RWCE)优化换热网络时,其非贪婪搜索机制使不可行解以一定概率被保留,从而改变全局寻优过程。本文首先分析不可行解对优化进程的影响,揭示偏移量较小的不可行解对结构进化的促进作用;然后提出差解概率动态调整策略,合理利用不可行解的正面作用,强化结构进化能力;最后,鉴于上述优化结果中偏移量较小的不可行解居多,提出一种可行化策略,通过分段罚指数和双种群优化技术促使过程中有潜力的不可行解快速返回可行域,并提升优化质量。将结合两条强化策略的改进算法应用于16股流与15股流算例,优化结果较文献最优解分别节省了0.35%、0.48%,表明改进后的算法较原算法全局搜索能力得到了显著提升。

JSP不可行解的一个简单判定方法及其在SBP中的应用

该文提出了一个判定作业车间调度(JSP)不可行解的简单方法,讨论了其在瓶颈移动排序方法(SBP)中的应用。给出瓶颈移动排序方法能求解JSP的充分必要条件,提出并证明了一种可求解任意JSP的简单有效的修正瓶颈移动排序方法。

基于诊断算法配网重构中不可行解问题的研究

针对一般遗传算法应用于配电网络重构中会产生大量不可行解的不足,提出了基于诊断策略的遗传算法。该算法通过运用新的编码方法,改进了遗传操作,诊断出病态基因(即不可行解),通过打开回路和连通孤岛,将不可行解修复为可行解。从而有效地解决了不可行解的问题,大大地提高了搜索效率。

基于可行解搜索和自适应免疫算法的配网重构

为提高配网重构的计算速度及效率,将自适应免疫算法(adaptive immune algorithm,AIA)用于配网重构;在此基础上结合GENOCOPⅢ(genetic algorithm for numerical optimization of constrained problems)算法对AIA进行改进,提出了对不可行解进行修复的AINOCOP(adaptive immune algorithm for numerical optimization of constrained prob-lem)算法用于配网重构,该方法综合了AIA的双层优化特点以及GENOCOPⅢ的可行解搜索方法;在基因的编码技术上,基于启发式规则,采用方便的十进制编码策略.将多种方法用于69节点系统的配网重构计算,GA、IA、AIA和AINOCOP的平均迭代次数分别为300、30、25次和12次,连续运算50次,AIA和AINOCOP在50代内可得到最优解的次数分别为8次和15次.

求解约束优化问题的不可行比率差分算法

利用差分进化算法求解约束优化问题时存在两个关键问题,一是种群个体根据约束处理准则从不可行区域中快速接近可行区域;二是在可行区域内根据约束处理准则如何更好地进行全局搜索。提出了一种基于不可行解比率的差分进化算法求解约束优化问题,算法最主要的特点是利用了种群不可行比率的信息,使种群快速地接近可行区域,并且通过不可行比率选择不同的差分算子,从而完成对约束优化问题的求解,通过对13个benchmark的测试,结果表明所提出的算法是有效的。

作业车间调度问题解的不可行性检测算法和快速修复算法(英文)

为了判别作业车间调度问题的解的可行性,提出了一种基于图论的启发式判别算法,并通过实例验证了方法的正确性.提出了普适于作业车间调度问题的快速修补新算法,可以对于作业车间调度问题的不可行解进行修正使之变成可行解.判别算法和修补算法在最不利情形下的计算复杂性均为O(n) ,判别算法在最有利情形下的计算复杂性为O(2|J|+|M|) .所提出的算法具有很大的灵活性,对于局部蚂蚁算法、遗传算法以及一般的作业车间调度问题均适用.

求解多背包问题的混合遗传算法

针对多背包问题最优解的求解,设计了一种新的价值密度;在此基础上结合传统的贪心算法,提出了一种求解多背包问题的混合遗传算法。该算法采用整数编码,并采用轮盘赌选择方法,对背包资源利用不足的可行解进行修正处理,对不可行解进行修复处理。并在大量的数值实验的基础上,将该方法与传统方法及简单遗传算法进行比较,实验结果表明,该混合遗传算法提高了问题求解的速度和精度,有一定的优越性。

一种求解约束优化问题的遗传算法

提出一种求解约束优化问题的遗传算法。通过可行解与不可行解算术交叉的方法对问题的决策空间进行搜索,对可行种群和不可行种群分别按照适应度和约束违反度进行选择。传统变异操作使得解往往偏离了约束区域,因此引入对可行解的边界变异和对不可行解的非均匀变异,并通过维变异方法保持种群的多样性。数值实验结果说明该算法的有效性。

求解多限制0-1背包问题的混合遗传算法

为求解多限制0-1背包问题,设计一种新的价值密度,提出一种基于贪心法的混合遗传算法,采用二进制编码对适应值进行升序排列,并运用轮盘赌选择方法对背包资源利用不足的可行解进行修正处理,对不可行解进行修复处理,并将其与传统遗传算法进行比较。实验结果表明,该算法能够有效提高问题求解的速度和精度,具有一定优越性。

Job Shop排序问题解空间定量分析

讨论 Job shop排序问题不可行解的构造情况 ,给出了不可行解的一个充要条件以及 2台机器n个加工工件的 Job shop问题不可行解和可行解的计算公式 ,并由此得到一种概率模型的计算方法。通过计算发现 ,Job

求解0-1背包问题的混合遗传算法

对于0-1背包问题设计一种价值密度,并在此基础上提出求解0-1背包问题的混合遗传算法.经大量数值实验比较该方法与传统方法及简单遗传算法,结果表明算法能有效求解0-1背包问题.

求解背包问题的演化算法

背包问题(knapsack problem,简称KP)是一类著名的组合优化问题,也是一类NP难问题,它包括0-1背包问题、有界背包问题、多维背包问题、多背包问题、多选择背包问题、二次背包问题、动态背包问题和折扣背包问题等多种形式,在众多领域有着广泛的应用.演化算法(EAs)是一类有效的快速近似求解KP的算法.对近10余年来利用EAs求解KP的研究情况进行了较为详细的总结,一方面讨论了利用EAs求解各种KP问题时个体的编码方法与处理不可行解的有效方法,另一方面,为今后进一步利用最新提出的EAs求解KP问题提供了一条可借鉴的思路.

求解约束优化问题的一种新的遗传算法

提出一种新的求解约束优化问题的遗传算法,算法通过重新定义可行解与不可行解的适应度函数分别对它们进行选择,有效避免了惩罚函数法引入参数所带来的困难,重新设计的交叉算子使得算法对解空间的寻优范围扩大了.数值实验结果表明算法具有较好的鲁棒性,且对最优解位于约束边界上的一类问题具有很大优势.

改进的分布估计算法求解软硬件划分问题

软硬件划分是软硬件协同设计中的关键步骤,为NP难问题。分布估计算法可以解难优化问题,具有很好的全局搜索能力,但存在局部搜索能力差、种群多样性易失问题。针对此问题,对分布估计算法进行改进,对精英解进行克隆选择以加强局部搜索能力,对概率模型进行修正以改善种群多样性损失问题。同时,针对划分问题提出一种不可行解的修复方法。将改进后的分布估计算法应用于软硬件划分问题,并与现有算法做比较,结果表明所提算法在不同的约束条件下均可获得更好的优化结果。

一种从目标空间反向引导种群进化的进化算法

目前进化算法大多是通过解从决策空间到目标空间的映射,来判断解的质量。针对约束多目标优化问题,将极限学习机代理模型与不可行解存档方法相结合,提出一种通过目标向量反向预测来引导决策空间种群进化的算法。在CTP和TYPE系列的测试问题上进行了HV度量、IGD度量的性能测试。与几种经典的算法比较,该算法在大多情况下都表现出具有竞争力的性能,且在高难度问题下比其他算法表现更好。

基于改进的动态多种群粒子群优化算法的配电网重构

提出了一种改进的动态多种群粒子群优化算法(DMS-PSO)的配电网重构算法,引入了基于集合的更新策略来解决组合问题,并结合邻域的学习策略来提高算法的局部搜索能力。此外,为了解决较大比例的拓扑不可行解问题,提出了修复机制。最后,在PG&E 69节点系统仿真结果表明,具有较高的精度和计算效率。

基于基本环矩阵与改进和声搜索算法的配电网重构

配电网快速重构的关键之一是避免不可行解的产生。文中提出一种基本环矩阵自动生成算法与无不可行解的编码方法,并利用改进和声搜索算法对网络重构模型进行求解。为充分利用和声记忆库信息,该算法采纳模糊聚类的思想,对和声记忆库考虑概率以及微调概率的确定方法进行了改进,使得二者能随着记忆库粒子信息的变化而自适应变化。对33节点与119节点系统的算例进行了仿真,结果表明改进和声搜索算法较其他算法具有更好的寻优快速性与收敛性,同时也验证了所提出重构模型的有效性。

考虑分布式发电的配电网规划问题的研究

考虑了配电网扩展规划条件下新增负荷节点的情况,根据新增负荷总量确定待建分布式电源的总容量,在分布式电源个数、位置和单个电源容量均不确定的情况下,以网络建设成本与运行费用为目标函数,建立了包含DG的配电网规划的多智能体遗传模型。应用多智能体遗传算法对分布式电源的位置、容量及配电网网架进行了整体优化。通过设计多智能体的竞争行为和自学习行为增加目标函数值寻求最优解,实现了全局收敛,提高了收敛速度。

基于免疫算法的配电网重构

配电网具有闭环设计、开环运行的特点。提出了一种新的免疫算法用于配电网重构,以减小网损。在种群初始化时,对个体进行接种疫苗,通过修改各个体的某些基因位上的基因,使得可行解的比例变大。对不可行解,利用启发式方法,通过打开回路和连通孤岛,将其修复为可行解。重构优化过程中,高频变异和免疫补充算子的采用,能有效地维持种群的多样性,避免算法早熟收敛。对69节点系统重构,结果表明提出的算法具有较高的计算效率。

基于双种群的约束多目标优化算法

为提高约束多目标优化算法的分布性和收敛性,提出一种基于双种群的约束多目标优化算法.首先,改进的Harmonic距离一方面去除了Pareto等级较差个体和较远个体的影响,从而改善可行解集的分布性;另一方面有效减少了计算量,可以提高算法效率.其次,新的不可行解集更新方式与可行解集紧密联系,保留目标函数值和约束违反度同时较优的个体,将有助于产生更优可行解,同时提高了种群的多样性和搜索效率.最后,新的变异策略充分利用最优可行解和优秀不可行解的优良信息来引导种群进化,很好地兼顾了探索和开发能力,进而平衡全局搜索和局部搜索.将提出算法与其他3种优秀的约束多目标进化算法在CTP测试集上进行对比实验,结果表明提出算法相比其他算法具有一定的优势,不仅提升了算法的收敛性能,而且保证了Pareto解集良好的分布性.