基于协方差分析的合作协同进化差分进化算法

在大规模高维优化问题中,随着决策变量数目的增加,协同进化算法在搜索全局最优解过程中容易陷入局部最优。基于此,提出了一种基于协方差分析的合作协同进化差分进化算法,在根据决策变量之间的相关性对优化问题进行分组之后,针对子组件内部变量之间的相关性会影响种群进化过程的现象,在对子组件优化的过程中,利用协方差计算种群分布的特征向量,通过坐标旋转消除变量之间的相关性,有效避免在种群搜索过程中陷入局部最优,同时加快了算法的寻优速度。在CEC2014测试函数集上进行了对比实验,实验结果表明,所提算法具有可行性。

基于合作协同进化算法的航迹冲突解脱研究

为解决基于航迹运行(Trajectory Based Operation,TBO)模式下大规模航迹战略冲突解脱问题,建立了综合考虑最小化冲突数量和航迹调整成本的双目标优化模型.设计了基于超体积指标的多目标合作协同进化算法(Indicator-based Cooperative Coevolution Multi-objective Evolutionary Algorithm,IBCCMOEA)进行模型求解,采用非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm Ⅱ,NSGA-Ⅱ)进行子种群优化.同时,设计了自适应遗传算子加快算法收敛速度.分别采用中国航路网络繁忙时段442架和1014架航班历史飞行数据进行仿真验证,将所提算法与NSGA-Ⅱ,基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)以及多目标合作协同进化算法(Cooperative Coevolution Multi-objective Evolutionary Algorithm,CCMOEA)进行对比分析.实验结果表明所提算法相比于其他算法收敛速度提升了7.54%,可以获得无冲突的飞行计划且航迹调整成本减少了约9.62%.所获得的结果可以满足TBO环境下的协同决策需求,算法收敛速度可以满足效率要求.

导弹总体参数优化设计的合作协同进化MDO算法

传统的导弹设计方法不能很好地实现各子系统设计的协同 ,而多学科设计优化技术十分适合现代计算机网络环境下的多学科协同设计。根据协同进化与MDO在本质上的相似性 ,采用合作协同进化的方法进行MDO算法研究 ,以充分发挥进化算法的优越性。给出了一种基于合作协同进化的MDO算法 ,将该算法应用于导弹的气动 发动机 控制一体化优化设计。

求解连续函数优化问题的合作协同进化布谷鸟搜索算法

为改善布谷鸟搜索算法求解连续函数优化问题的性能,提出合作协同进化的布谷鸟搜索算法.改进算法通过应用合作协同进化框架,将种群的解向量分解成若干子向量,并构成相应子群体.利用标准布谷鸟算法更新各子群体的解向量.各子群体为其它子群体提供最优个体,组合成问题解向量并完成子群体评价.经10个测试函数实验仿真,结果说明改进算法能有效改善求解连续函数优化问题的性能.同时,针对连续函数优化问题,该算法与其它算法相比是有竞争力的优化算法.

基于合作协同进化的多机空战目标分配

为寻找一种满足多机空战需求的目标分配优化方法,提升空战效能,提出了一种基于合作协同进化的多机空战目标分配方法。首先,该方法基于单机空战优势,建立多机协同空战优势评价指标体系。然后,对战机间的协同相关性进行分析计算,建立多机协同空战目标分配模型。在变长度染色体遗传算法(genetic algorithm,GA)的基础上,设计了基于交叉、嫁接、分裂和拼接算子的改进合作协同进化算法,提高了模型的进化效率。最后,设计实验分别对优势评价指标体系的有效性、静态算例、动态算例和大规模无人战斗机算例进行仿真验证,并将2种模型以及4种算法的计算结果和所提算法的实验结果进行对比。仿真结果表明,改进合作协同进化算法适用于该模型计算,结果收敛稳定,亲和度值显著提升,能够优化目标分配方案,在空战中具有一定的应用意义。

基于合作协同进化遗传算法的大型工程项目组合管理模型研究

针对大型工程项目组合管理问题,在分析工程项目组合中项目间收益、资源、工期和结果相关性的基础上,建立考虑相关性的工程项目组合选择数学模型。将合作协同进化算法与遗传算法相结合,应用于工程项目组合选择模型问题的求解,根据工程项目实施阶段划分不同的子种群,各子种群之间通过合作协同进化算法进行协调。最后,通过实例计算验证了算法的有效性和实用性。

基于合作协同进化和IMPSO算法的多阶段多目标电网规划

提出一种模型,其任务是在满足安全约束的条件下,确定何时、何地,新建多少线路以满足各阶段电网负荷增长的需要,同时使建设费用、运行费用和网损费用最小。尝试将合作协同进化算法与IMPSO算法结合,应用于多阶段多目标的电力系统规划问题,在各阶段中采用IMPSO算法多目标优化,各阶段之间通过合作协同算法根据各约束条件进行协调。与常规算法比较,在算例分析与实际应用中取得了较好的效果。

基于合作协同进化的多回收站点垃圾收运问题求解

随着经济的持续发展和城镇化进程的快速推进,城市生活垃圾的产出量越来越多,垃圾处理成本不断增大,其中垃圾收运成本占据相当大的比例,为此分析了一种实际生活中复杂的垃圾收运问题——多回收站点的垃圾收运问题(multi-station refuse collection problem,MSRCP),并将其映射为多中心车辆调度问题,从而建立了以最小车辆运输费用为目标的多回收站垃圾收运问题模型.依据MSRCP的特点,设计了一种基于协同进化(cooperative co-evolutionary,CC)作为外部框架的问题求解方法.首先使用改进聚类算法,将各垃圾收集点分配至合适的回收站点,从而将MSRCP转换成若干单回收点的垃圾收运问题.以各回收站点为中心,采用一种混合遗传算法(hybrid genetic algorithm,HGA)进行车辆路径规划.最后,以安庆市大观区生活垃圾收运为例进行了上述模型及其算法的验证,结果表明,该算法在降低复杂垃圾收运的运输费用时,具有良好的性能.

合作型协同进化遗传算法求解分布式柔性作业车间调度问题

针对以最小化最大完工时间为优化目标的分布式柔性作业车间调度问题,提出一种合作型协同进化遗传算法。采用工厂分配和工序排序解耦编码,基于机器负荷解码并基于工厂负荷初始化种群,使算法在较优的解空间内迭代搜索。利用分而治之的思想,将问题分解为多个子问题,通过随机协同机制促进子种群协同进化并提高全局搜索能力。使用基于关键工厂的多重局部扰动策略,提高算法的局部开发能力。在基准实例上进行实验,并与其他算法进行对比,验证了所提算法的有效性。

从动态适值空间补偿信息:一种抗病态合作协同进化算法

针对合作协同进化算法(CCEA)动态适值空间的特点,研究信息补偿方法以消除由问题分解所导致的病态现象,并提出基于动态多种群进化策略的抗病态CCEA.每个协进化种群可动态分离出多个变化的子种群,利用它们同时获取多个全局或局部最优解作为交互信息,以实现信息补偿.针对引发病态行为的标准测试函数,与3种典型CCEA进行比较分析,实验结果表明所提出算法能有效克服病态现象,具有良好的全局优化能力.

基于多策略协同进化差分算法的社区居民负荷优化调度

针对需求响应下负荷调度的问题,为提供满足居民利益的响应方案,并提高电网运行稳定性,综合考虑电价、激励型需求响应机制与居民用电需求,以用电成本和社区负荷方差最小化为目标,建立了多用户负荷调度高维目标优化模型。结合模型特征提出一种基于多策略的合作协同进化差分进化算法,设计了基于居民用电特征的混合编码与种群初始化策略,以提高解的质量;引入合作协同进化思想将问题变量分解,依据高维目标分组与聚合对种群进行划分,避免陷入局优;各子种群进化时采取双差分模式协同策略,并构建知识迁移个体实现种群间信息交互,最后经贪婪与随机选择结合的种群合并策略保留完整优秀解至外部档案,以提高Pareto最优集的收敛性与分布性。算例仿真表明,所提方法可降低社区居民用电成本18%左右、负荷波动方差30%以上;随着居民数量增加,算法的收敛性与多样性与同领域其他算法相比优势更为明显。

一种改进的多目标合作型协同进化遗传算法

针对传统多目标算法早熟收敛及多样性不足的问题,提出了一种改进的非支配排序合作型协同进化遗传算法(Improved Non-dominated Sorting Cooperative Coevolutionary Genetic Algorithm,INSCCGA)。该算法利用外部档案存储每一代进化过程中产生的精英个体,并对其不断进行更新,以加快算法的收敛速度。同时提出了一种新型子种群之间协同进化的方式,增强候选解的多样性。利用ZDT系列标准测试函数,与经典的多目标进化算法NSGA-II以及多目标协同进化算法NSCCGA进行了对比,结果表明改进算法具有更好的收敛性以及均匀的解分布。

变种群规模合作型协同进化遗传算法及其在优化中的应用

分析合作型协同进化遗传算法的进化效率和计算复杂性等与子种群规模的关系;在此基础上提出子种群规模自适应调整算法的思想,给出子种群规模调整的依据和调整方法;进而提出基于实数编码的变焦遗传算法.典型函数优化实例验证了该算法具有计算复杂性小和进化效率高的优点.

基于合作式协同进化算法的神经网络优化

针对一般遗传算法优化神经网络存在的不足,提出合作式协同进化遗传算法实现神经网络结构和权值同步优化方法.首先,结合合作式协同进化遗传算法本身特性和神经网络特点,给出种群分割方法;其次,为了实现结构和权值的同步优化,提出一种新的混合编码方法,并根据该混合编码方法设计新的交叉和变异算子;然后,根据编码结构、代表个体和合作团体之间的关系,提出一种新的结构优化方法;再次,给出进化过程所需代表个体选择、适应度构造方法等.最后,通过双螺旋线问题验证本文算法的有效性.

Stewart平台的合作型协同进化控制

针对Stewart平台的非线性和强耦合性,提出合作型协同进化的控制方式,在此控制方式的基础上,根据控制系统的特征引入χ2分布来调节个体产生的概率,来提高进化速度.与传统的遗传算法相比,本文提出的控制方式大大减小了搜索空间.经在Stewart平台上测试,本文提出的控制方式具有响应速度快、超调小和鲁棒性好等优点.

灾变合作型协同进化遗传算法及其在Job Shop调度中的应用

合作型协同进化遗传算法是多个子种群通过协作而共同进化的新型算法,常应用于多目标、大规模的优化问题。本文在合作型协同进化遗传算法的基础上,进一步模拟自然界中的灾变现象,在原先的算法中加入灾变算子,提出灾变合作型协同进化遗传算法,以防止出现不成熟收敛现象,并用经典的函数优化问题和Job Shop车间调度问题进行仿真实验,其结果验证了改进算法的优良性能.

双系统合作式协同进化算法求解不可分解函数

针对不可分解函数求解问题,基于合作式协同进化(cooperative co-evolutionary,CC)框架,发展一种双系统协同进化算法。该算法给出一种双系统A,B的CC框架新结构形式及其相应的协调机制,以增加算法的多样性和收敛性;给出双系统A,B各自求解的两种算法,例如差异进化、改进粒子群算法选择原则和匹配方式,使该两种算法具互补性,并且与双系统A,B各自角色相匹配,目的是提高基于CC框架双系统算法的计算性能。经不可分解函数集(维数D=1 000)测试表明,本文算法计算性能(计算精度和标准差)与其他3种典型算法相比,对于其中某些函数求解占优,总体上4种算法对函数集的求解各有所长,具有互补性。

多Agent系统中的协同进化研究

协同进化作为多Agent系统研究的一个重要手段,近几年得到了广泛的关注和快速发展,渐渐成为进化研究的一个主流方向。该文系统介绍了协同进化的研究现状,分析总结了协同进化的基本特点,并指出了协同进化可能的发展方向。

基于正交设计的多星测控调度协同进化代表个体选择

针对多星测控资源调度问题,设计了和问题特征结合的合作型协同进化调度算法,给出了算法的编码、操作算子和流程,鉴于调度算法采用传统的代表个体最优选择和随机选择将导致求解效果不稳定,提出一种子种群代表个体选择方法及对应的个体适应度计算方法.综合考虑代表个体的协同性和计算开销,借鉴正交设计的思想,依据贪婪性强弱从每个子种群选择三个代表个体,并利用正交表进行个体适应度计算.最后通过一个实例,验证了该方法的有效性.

多能流系统合作协同的不确定多目标决策

多能流工业生产过程具有多目标、强耦合、时变、不确定性等特点,针对此类系统的平衡调度问题,本文提出一种基于合作协同优化的不确定多目标决策方法.以钢铁企业副产煤气系统为例,针对系统未来状态的不确定性,本文在优化决策的过程中结合卡尔曼滤波方法和贝叶斯定理,提出一种考虑条件预期的不确定决策模型.该模型能够同时分析当前目标和预期目标,从而消除未来状态不确定性带来的影响.针对副产煤气系统多能流强耦合的特点,本文在优化决策过程中综合考虑单能流系统特性以及多能流系统的协同关系,基于图模型原理提出基于双向权重的协同进化方法,从"总体"–"局部"相结合的角度给出最优的决策策略.通过实际钢铁企业数据的仿真实验表明,该方法能够充分考虑未来的不确定性,同时兼顾单能流系统性能和多能流耦合关系,给出合理的调度决策方案.该方法可用于具有多目标、强耦合以及不确定性的复杂多能流系统,为其调度决策问题提供支持.