基于Pareto最优解的梯级泵站双目标优化调度

针对大型梯级泵站运行特点,用调度周期内的机组启动次数衡量维修成本,建立以抽水电费最小和机组启动次数最少为优化目标,以调度周期内流量分配为决策变量的双目标优化调度模型,并基于Pareto最优解理论,开展混合粒子群求解算法研究,并将双目标优化调度模型应用于工程实际.研究表明,双目标优化调度能够反映抽水电费与机组维修费用之间的内在联系,即抽水电费最优解随着机组启动次数的增加,呈现出先减少后增大的趋势,但在某一范围内,随着机组启动次数的增加,抽水电费最优解变化幅度较小,系统最优调度方案在此区间内选择不仅能够有效地降低抽水电费,也能够避免维修成本的急剧增加,这为梯级泵站调度决策提供了有力的理论依据.

基于粒子群算法的梯级泵站优化调度研究

针对大型梯级泵站运行特点,用调度周期内的机组启动次数衡量维修成本,建立以抽水电费最小和机组启动次数最少为优化目标、以调度周期不同时段下流量分配为决策变量的双目标优化调度模型,并利用线性加权方法评估双目标之间的关系,最终采用粒子群求解算法进行模型求解。工程实例分析表明,基于线性加权的梯级泵站双目标优化调度,不仅可以获得抽水电费与机组启动次数之间的权重关系和最优运行方案,也可为梯级泵站调度决策提供理论依据。

基于改进NSGA-Ⅱ算法的柔性车间调度问题研究

研究了柔性车间调度中双目标调度优化问题,以最小化最大完工时间和最小化机器空载率为优化目标,基于生产机加车间产线建立数学模型。选取NSGA-Ⅱ(Non-dominated Sorting Genetic AlgorithmsⅡ,NSGA-Ⅱ)算法作为基础算法,在此基础上提出基于反向学习的NSGA-Ⅱ算法(简称OBL-NSGA-Ⅱ),通过引入反向种群,增加种群的多样性,保证了解的质量,能够有效避免算法迭代过程中由于种群多样性降低导致算法陷入局部最优的问题。最后通过Matlab仿真软件进行了对比实验,验证了所提算法的有效性。