基于代理模型进化的履带车辆动力学参数优化

为解决履带车辆动力学优化过程因代理模型构建和应用的不足而导致的参数寻优精度和效率不高的问题,提出基于代理模型进化的参数优化方法,将优化迭代和代理模型动态构建相融合,来降低仿真模型调用次数和提高优化效率。根据车辆几何拓扑结构,构建考虑履带包络效应的车辆多体动力学模型;提出优化设计变量空间的3层子空间划分方法,以及具有空间聚焦、空间约简和跳出局部寻优的多级模糊聚类空间约简方法,实现设计参数在3层子空间的高效缩减。以履带车辆多体动力学模型参数优化过程为例进行应用验证。研究结果表明:在3种路况下的履带车辆多体动力学优化过程降低仿真模型调用次数最高可达85%;表征履带车辆行进特性的综合性能指标分别提升约32.4%、24.5%、20.4%。证明了新方法可有效提高动力学模型的优化效率和精度。

基于代理模型进化算法的用户侧灵活爬坡产品交易策略

高比例新能源并网引发的高波动性和高随机性使得电力系统对灵活性资源的需求更为迫切,而灵活爬坡产品可有效提升电力系统的灵活性。然而,目前灵活爬坡产品的研究主要集中在发电侧,用户侧灵活爬坡产品的交易策略还有待研究。为管理分散的用户侧提供的灵活爬坡产品,以虚拟电厂作为聚合模式,利用弹性价格统一向用户购买灵活爬坡产品并聚合后售卖给主网。为兼顾虚拟电厂和用户侧的利益,建立考虑灵活爬坡产品交易的用户侧虚拟电厂能源交互双层优化模型,并提出一种基于随机排序的代理模型进化算法进行模型求解。该算法采用径向基函数网络拟合所提双层模型,克服了用户私有信息获取的难题。此外,随机排序方式避免了单一代理模型误差过大而导致的寻优偏离。算例在PJM电价数据集上的测试结果验证了所提算法的精确性和可行性,为用户侧灵活爬坡产品的交易提供了理论决策依据。

代理模型辅助进化算法在高维优化问题中的应用

目前,代理模型辅助的进化算法是提高复杂优化问题的计算效率的一种有效手段。其中,模型管理在代理辅助进化优化中起着至关重要的作用。提出了一种基于多目标加点规则的高斯过程模型辅助社会微粒群算法(Multi-objective infill criterion based Gaussian Process model assisted Social learning particle swarm optimization,MICGP-SLPSO)。将多目标的方法引入模型管理中,提出多目标加点规则,进而发展了一种新的基于代理模型的微粒群算法优化策略。选用高斯过程构造代理模型,采用微粒群算法对所构造的代理模型进行优化,根据已知信息,将期望改进准则(EI)及统计下限最小值准则LCB作为两个目标,用来确定哪些候选解进行实际计算。将本优化策略用于基准函数测试问题和阶梯悬臂梁设计优化实例,并与国内外现有研究成果进行比较,证明了MICGP-SLPSO在有限的适应值计算次数下拥有更好的寻优性能,尤其是在高维优化问题上拥有更显著的优势。

自适应模型选用辅助的多种群进化算法

代理模型辅助的进化算法是求解目标函数评价昂贵优化问题的有效方法.在这类算法中,算法的搜索策略和填充采样策略是在有限评价次数下获得优化问题较好解的重要因素.为此,本文使用多种群搜索策略用于平衡种群搜索的多样性和收敛性,同时基于个体和训练样本之间目标函数值的距离自适应选择模型进行个体的目标函数值估计,以提高估值的准确度.为了验证算法的有效性,在CEC2005测试函数以及扩频雷达Polly编码优化设计问题上进行测试,并和现有求解昂贵优化问题的算法进行了结果对比.实验结果表明本文提出的算法在目标函数评价次数有限的情况下能够获得昂贵优化问题的较好解.

一种基于历史模型集成辅助的差分进化算法

当前,基于代理模型辅助的进化算法广泛用于解决昂贵优化问题.其中,由于集成模型策略可以有效的集合多种模型的特点从而提高模型预测的准确度,所以被广泛应用.但是建立多个模型会增加优化过程的计算成本,因此本文提出一种基于历史模型集成辅助的差分进化算法.本文工作分为两部分:首先,提出由一部分历史模型和当前模型构成集成模型,该策略可以有效的降低计算成本.其次,提出一种新的基于决策空间欧式距离的不确定度评价标准,用于选择个体进行真实计算.为了验证本文提出算法的有效性,将本文方法与相关算法在CEC2005测试函数上测试,并且进行比较.实验结果证明本文提出的算法可以更有效的解决昂贵优化问题.

双阶段填充采样辅助的昂贵多目标优化

针对代理模型引导多目标优化算法,求解决策变量数量增多的昂贵多目标优化问题时,搜索效率较低的问题,提出一种双阶段填充采样辅助的昂贵多目标优化算法。第一阶段,利用一组方向向量引导产生靠近真实最优解集的样本,加快模型引导算法搜索;第二阶段,由代理模型估计获得估值误差,融合个体与样本之间相似性、个体估值收敛性,选择个体用于真实评价后填充样本集,实现模型性能的提升。在100维和200维的多目标基准测试问题上的实验结果表明,所提算法在同等有限资源内获得了比其它算法更为显著的优势。

基于多点加点准则的代理模型辅助社会学习微粒群算法

代理模型辅助的进化算法目前已广泛用于解决计算代价高的复杂优化问题.然而,大多数现有的代理辅助进化算法只适用于低维问题且仍然需要数千次昂贵的真实适应值评价来获得较优解.为此,提出一种基于多点加点准则的代理模型辅助的社会学习微粒群算法,用于解决高维问题并使用更少的评价次数.该算法选用高斯过程构造代理模型,以社会学习微粒群算法(SLPSO)作为优化器,提出一种基于相似度的多点加点规则(SMIC),用于选取需要使用原函数进行实际计算的候选解.在仿真实验中将该方法与现有研究成果进行比较,通过对50维~100维的基准函数的测试,验证了所提出算法在有限的适应值计算次数下拥有更好的寻优性能,尤其是在高维优化问题上拥有更显著的优势.