基于CatBoost-MOEAD的大直径泥水盾构施工多目标预测优化

为有效优化盾构施工参数,实现在大直径泥水盾构掘进过程中安全、高效和节能的目标,提出分类助推(CatBoost)和基于分解的多目标进化算法(MOEAD)相结合的混合智能算法;综合考虑盾构施工参数与地质条件,以主要的盾构施工参数为研究对象,选择地表沉降、贯入度和掘进比能为预测和控制目标;优化调控选择的盾构施工参数,并以武汉市轨道交通某号线为例,验证该混合算法的有效性。结果表明:采用CatBoost算法建立的预测模型在大直径泥水盾构上表现出来的预测性能良好,对3个控制目标的拟合精度(R 2)均达到0.9以上;预测模型的重要性排序表明:大直径泥水盾构的总推进力和推进速度对地表沉降、贯入度和掘进比能有显著影响;所提出的CatBoost-MOEAD混合智能算法对3个控制目标的优化效果明显,地表沉降、贯入度和掘进比能分别达到12.35%、7.47%和10.70%的优化幅度,并给出相应盾构施工参数的控制范围。

基于归一分解的并行多目标Dividing Rectangles算法

多目标优化问题普遍存在且难以解决,目前多采用多目标进化算法进行求解.然而,这些方法通常在种群初始化阶段和进化过程中包含随机操作以保持多样性,导致了其结果不可复现且缺乏全局收敛的理论保证.鉴于此,提出了一种基于归一分解的多目标Dividing Rectangles(DIRECT)算法,首先通过一种可较好捕捉复杂前沿的归一分解方法将原问题分解为一系列子问题,以降低问题计算复杂度;其次,采用Dividing Rectangles算法同时优化分解得到的子问题,并在优化过程中基于全局关联机制将生成的候选解分配给相应的子问题,以更好地保留优秀候选解并提高算法搜索效率;最后,证明了算法的收敛性.此外,为了进一步提高计算效率,提出了一种基于自适应关联迁移策略的多层次多粒度并行方案,并基于该方案对所提出的算法进行了并行化.将所提算法应用于多个基准优化问题,实验结果表明,相比于NSGA-II,所提串行算法能够产生收敛性、多样性更为优越的帕累托最优解集,并行算法可在大规模缩短问题求解时间的同时,进一步提升帕累托前沿近似精度.

基于改进MOEAD算法的CCHP系统运行优化

通过综合考虑冷热电联供(CCHP)系统中各类约束条件,基于夏冬两季典型日负荷需求曲线,构建了吸收式制冷机、燃气内燃机和燃气锅炉等主要机组设备模型。针对区域内系统经济性与环保性两者的协调优化问题,提出一种改进的基于分解的多目标进化算法(multi-objective optimization algorithm based on Decomposition, MOEA/D)对系统模型进行多目标优化求解。最后以某商业区能源站为实际算例,通过Matlab进行仿真。仿真结果显示所提出的系统优化方法,能使该能源站的运行更加经济与高效。

基于分解的演化多目标优化算法综述

基于分解的演化多目标优化算法(MOEA/D)的基本思想是将一个多目标优化问题转化成一系列子问题(单目标或者多目标)来进行优化求解.自2007年提出以来, MOEA/D受到了国内外学者的广泛关注,已经成为最具代表性的演化多目标优化算法之一.总结过去13年中关于MOEA/D的一些研究进展,具体内容包括:(1)关于MOEA/D的算法改进;(2) MOEA/D在超多目标优化问题及约束优化问题上的研究;(3) MOEA/D在一些实际问题上的应用.然后,实验对比几个具有代表性的MOEA/D改进算法.最后,指出一些MOEA/D未来的研究方向.

改进分解进化算法求解动态火力分配多目标优化模型

战前制定合理的火力分配(WTA)方案,可以优化资源配置,用最小的代价获取最大的战场收益。其一,建立了面向多型武器协同进攻作战的动态火力分配(DWTA)多目标优化模型,由多个阶段静态模型构成,各阶段静态模型参数需根据战场态势实时获取;其二,重点研究阶段静态模型求解算法。针对模型特点,设计了一种满足资源约束的编码方式,融合禁忌搜索和拥挤距离策略,提出了一种改进分解进化算法。对比实验验证了算法的可行性、快速性和有效性。

基于分解进化多目标优化算法的火力分配问题

战前制定合理的火力分配方案,可以优化资源配置,用最小的代价获取最大的战场收益。综合考虑攻击、资源和毁伤概率等约束条件,建立了火力分配多目标优化数学模型。提出了一种求解火力分配模型的分解进化多目标优化算法,并设计了不可行解修复方法。仿真实验得出两个结论,一是不可行解修复方法可以显著提高算法的收敛性;二是在解决火力分配优化问题上,所提算法具有较好的收敛性和分散性,采用合适的分解方法可以有效提高算法的性能。

多目标分解随机粒子群优化算法及其在直线电机优化设计中的应用

本文提出了一种多目标分解随机粒子群优化算法(MDSPSO).该算法优化过程中,所有粒子按各自固定的权重向量,采用改进Tchebycheff分解方法,将求解多目标非支配解问题转化为求解多个单目标最优解问题;而后每个粒子在以自身位置、个体历史最优参考位置及群体最优参考位置的几何中心为中心,以中心到自身位置为半径的区域内,随机生成一个新的起始位置,并参考当前的速度更新下一时刻的位置.通过对测试函数多次计算得到的数据进行统计分析,表明MDSPSO的收敛性和多样性均优于另外3种对比算法.最后针对直线电机磁路复杂、有限元计算费时的问题,使用神经网络拟合直线电机结构参数与性能的关系作为优化设计的模型,应用MDSPSO算法,优化结构参数.实际测试结果表明,优化后的直线电机推力大、效率高,同时有效控制了其推力波动和生产成本.

基于多目标粒子群算法的稀疏分解参数优化

针对振动信号稀疏分解过程中存在的复杂参数设置问题,提出利用多目标粒子群算法进行稀疏分解参数优化,以实现振动信号的有效压缩。根据多目标粒子群理论,建立稀疏分解参数优化模型,确定粒子群优化目标函数、待优化参数,分析参数设置与目标函数之间的泛函关系。设计仿真实验,研究数据压缩指标之间的约束关系,指导多目标粒子群算法参数优化,改善数据压缩效果。应用实测数据,验证多目标粒子群算法的参数优化能力,实验结果表明:多目标粒子群算法能够优化振动信号稀疏分解参数,取得良好的振动信号数据压缩效果。

自适应迁移的分解多目标多任务进化算法

多目标多任务进化优化是多目标优化的一个重要研究方向,通过跨任务共享有益信息以同时解决多个相关任务的优化问题。然而,现有多目标多任务进化优化研究存在相似任务匹配准确度低、缺少对知识迁移的动态控制等问题。为提高多目标多任务进化优化算法的优化效果,引入相似性动态指标和迁移概率动态调整机制,提出自适应迁移的分解多目标多任务进化算法。为了给目标任务子问题匹配关联度最高的迁移源,同时考虑种群的当前分布以及种群的进化方向2个指标,设计一种基于种群静态和动态特征相结合的迁移源匹配策略。为了合理地控制任务间的信息传递,提出基于种群进化状态的知识迁移概率自适应调整策略,在优化过程中根据优化任务的进化状态自适应地调整任务间的知识迁移概率,以满足优化任务在不同进化阶段对外部知识的需求。实验结果表明,相比MOEA/D、MO-MFEA、MO-MFEA-Ⅱ等算法,该算法具有较优的稳定性和收敛性,在常用的9组(18个独立任务)多目标多任务测试问题中有15个表现较优,优化率为83%。

基于多目标优化的柔性作业车间调度模型设计与实现

柔性作业车间调度问题由来已久,为优化车间调度问题,建立了车间优化调度模型。对生产车间单目标展开分析,以最短时间完成最大任务量为优化目标,构建柔性车间调度模型。考虑车间生产为多目标调度优化问题,将生产能耗、设备负荷、最大任务时间以及延期时间作为四个优化目标,采用多目标进化算法(Multi-Objective Evolutionary Algorithm Based on Decomposition,MOEAD)求解车间调度模型。选取柔性生产线某一产品来检验调度优化效果,柔性生产线未优化前产品总的延期时间为63.54分钟,优化后产品总的延期时间为0分钟。同时,设备总能耗、设备总负荷均有明显改善。研究内容对提高柔性生产线工作效率,提升企业竞争优势有重要的参考价值。

基于优化VMD与斜率熵的目标辐射噪声特征提取方法

为了在复杂多变的环境中有效提取目标辐射噪声的特征信息,提出一种基于优化变分模态分解(variational mode decomposition,VMD)和斜率熵的目标辐射噪声特征提取方法。采用蝴蝶优化算法(butterfly optimization algorithm,BOA),提出基于BOA的参数优化VMD算法(BOA-VMD),实现VMD最佳参数组合的自适应选取,从而对四类辐射噪声信号进行分解,得到一定数量的固有模态函数(intrinsic mode functions,IMF)。计算各IMF分量的斜率熵作为特征值,通过仿真实验和实际噪声信号进行实验分析,并与散布熵、波动散布熵和排列熵3种特征相比较。结果表明:所提出的基于BOA-VMD与斜率熵的特征提取方法可以实现不同种类目标的分类识别,并且在单特征和多特征条件下均具有最高识别率,而且随着提取的特征数量的增加,最高识别率也会随之增加。

基于改进MOEA/D分解算法的天线阵优化设计

针对天线阵列设计需要优化的目标数量多、耗时长且难以收敛的问题,提出一种新的根据拥挤度动态调节邻域大小的基于分解的多目标进化算法MOEA/D。该算法引入一个拥挤参数集合,根据种群拥挤度的排名区间为子问题选取集合中不同的拥挤参数值,根据搜索阶段计算每个子问题的选择邻域和替换邻域,并间隔50代重新进行拥挤度排名计算达到动态调节邻域的目的,以平衡种群的收敛性和多样性。在对比实验中,选取测试函数DTLZ、WFG和直线阵列优化设计问题,将改进算法与其他4种算法进行性能对比。实验结果表明,改进算法在测试函数和直线阵列优化设计问题上表现均优于对比算法,搜索得到的Pareto解集满足天线阵列的设计需求。

基于混沌多目标蚁狮优化算法和核极限学习机的冲击性负荷预测模型

针对冲击性负荷预测问题,提出了一种基于混沌多目标蚁狮优化算法(chaotic multi-objective antlion optimization algorithm,CMOALO)和核极限学习机(kernel extreme learning machine,KELM)的冲击性负荷预测模型。首先,为了降低预测难度,使用集合经验模式分解(ensemble empirical mode decomposition,EEMD)将原始冲击性负荷分解为一系列更为平稳的子序列。为了同时提升模型的预测精度和稳定性,提出了一种MOALO;其次,为进一步提高算法的解搜索能力,将MOALO与混沌运算融合,提出了CMOALO算法,将其用于优化KELM。最后通过某地区真实采集的冲击性负荷数据对所提出的EEMD-CMOALOKELM模型进行验证。通过案例分析可知,所提出的冲击性负荷预测模型,无论是在预测精度还是预测稳定性方面,性能最好。

基于分解的多目标优化算法

多目标优化问题（MOP）的目标函数有两个或两个以上，其解通常是一组Pareto最优解。采用传统的优化算法处理多目标优化问题时不能达到令人满意的效果。文字研究基于分解的多目标进化算法（MOEA／D），该算法将一个多目标优化问题分解为一组单目标优化问题并对它们同时优化，通过利用与每一个子问题相邻的子问题的优化信息来优化它本身，比其他同类的优化算法具有更低的计算复杂度。在0—1背包问题和连续的多目标优化问题上，利用一些简单的分解方法本算法就可以比MOGLS和NSGA—Ⅱ表现得更加出色或者表现相近，未来该算法具有较大的发展空间。

自适应分解式多目标粒子群优化算法

为了提高多目标粒子群优化算法解的分布性,文中提出了一种自适应分解式多目标粒子群优化算法(Adaptive Multiobjective Particle Swarm Optimization based on Decomposed Archive,AMOPSO-DA).首先,设计了一种基于优化解空间分布信息的外部档案更新策略,有效提升了AMOPSO-DA的空间搜索能力;其次,提出了一种基于粒子进化方向信息的飞行参数调整方法,有效平衡了AMOPSO-DA的探索和开发能力.最后,将提出的AMOPSO-DA应用于多目标优化问题,实验结果表明,文中提出的AMOPSO-DA能够获得分布性较好的优化解.

基于CEEMDAN-PE-WPD和多目标优化的超短期风电功率预测方法

为了提高风电功率预测的精度,提出了一种基于总体平均经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)、排列熵(permutation entropy,PE)、小波包分解(wavelet packet decomposition,WPD)和多目标优化的超短期风电功率预测方法。首先,利用CEEMDAN、PE和WPD构成的信号处理方法降低原始风电信号的随机性和波动性;然后,将分解后的子分量输入到长短期记忆(long short-term memory,LSTM)神经网络,并且利用精英T分布麻雀优化算法(elite t-distribution sparrow optimization algorithm,ETSSA)优化LSTM的隐藏层单元数,提升LSTM网络的预测性能;最后,建立多目标优化损失函数,将准确率、稳定度和合格率3个优化目标同时加入到损失函数中,综合提升模型的预测性能。对内蒙古某地区风力发电场的实测数据进行实验分析结果表明,与其他经典预测方法相比,所提方法提升风电功率预测性能有显著效果,并且在不同季节风况下预测效果良好。

基于IGD^(+)指标的两阶段选择高维多目标进化算法

针对在高维空间下多目标进化算法难以维持种群收敛性和多样性平衡的问题,本文提出一个基于IGD^(+)指标的两阶段选择高维多目标进化算法(MaOEA–ITS).在第1阶段,算法基于IGD^(+)指标选择收敛性良好的精英个体,其所需的参考点通过引入切割平面截距法构建.在第2阶段,MaOEA–ITS使用模糊c均值算法对参考向量进行聚类,聚类后的参考向量引导种群分解策略对剩余个体进行环境选择,从而维持种群的多样性.另外,为了保护能够提高种群多样性的极值解,本文提出一个参考点分布自适应策略.最后,通过仿真实验来验证MaOEA–ITS的有效性和优越性.

基于自适应多种群策略的混合多目标优化算法

为了能够快速准确地获得多目标优化问题的一组具有较好质量和分布性的非支配解,提出了一种自适应多种群混合多目标优化算法.该算法将多目标优化问题分解为多个单目标子问题,在每次迭代时,根据种群在目标空间和解空间的分布情况为多个子问题分别构造子种群,并采用粒子群优化算法对子问题最优解实施搜索,利用差分进化算法对外部档案实施进化.通过对标准测试函数仿真实验,并与经典的及类似策略的多目标优化算法进行比较,结果表明所提出的算法能够利用较少的估值次数获得较好质量和分布性的非支配解集.

结合分解技术的多目标引力搜索算法

针对基于分解的多目标遗传算法在解决多目标问题时无法有效解决前沿面非均匀、不连续的问题,提出一种基于分解技术的多子群串行搜索的多目标引力搜索算法(MOGSA/D).为充分利用算法优化分解出的目标函数所得到的进化信息、提高收敛速度,采取多种群串行的搜索方式;针对理想前沿面为非超平面的情况,提出一种预测理想前沿面形状的方法,并针对预测结果选择适合的权重系数生成方式;为提高解集的整体质量,提出一种基于目标权值的策略删减种群.通过标准测试函数的实验验证,所提算法与其他多目标进化算法相比在解集的收敛性以及分布性上均有较大提高,验证了算法的有效性.

基于分解机制的多目标蝙蝠算法

在分析蝙蝠算法性能基础上,将蝙蝠算法融入分解机制,提出了一种基于分解机制的多目标蝙蝠算法。为了进一步提高算法的多样性,将差分进化策略引入算法中。对14个具有复杂Pareto前沿的多目标优化问题(LZ-09系列和ZDT系列)测试不同邻域规模对算法性能的影响,结果表明新算法的邻域规模为20时性能最优;将其与MOEA/D-DE和NSGA-II算法进行对比分析,结果显示该算法的分布性、收敛性和多样性均优于另外两种算法。为了验证其求解含有约束问题的性能,将其应用于滑动轴承多目标优化设计问题中,获得的Pareto前沿分布均匀,表明算法具有工程实用性,是求解复杂高维多目标问题的有效方法。