解决复杂Pareto解集问题的进化算法

针对各种进化算法在解决PS问题上表现出来的脆弱性,提出一种解决复杂PS问题的自适应多目标差分进化算法SA-MODE。根据随机选择的父个体X与当前种群中的个体Y的支配关系,通过改变缩放因子的大小来控制新个体和父个体的距离。当X支配Y则新个体接近X,反之远离X,当X与Y互相不支配则产生2个新个体,一个接近X一个远离X。实验结果表明,在处理复杂PS问题时,SA-MODE与GDE3和NSGA-II相比有更理想的效果。

基于Pareto解集的多目标优化方法及其应用

针对传统多目标优化设计方法的弱点,基于Pareto概念,借助遗传算法所具有的并行搜索特性,引入群体排序技术、小生境技术求得多目标优化问题的Pareto解集,实现了先寻优后决策的求解模式。实际工程算例表明,该模式可同时获得多个Pareto最优解,据此决策能有效弱化设计人员先验知识不足的影响,因而较传统多目标优化方法更为实用有效。

基于Vague集理想解的大型复杂工程项目承包商选择方法

针对大型复杂工程项目如何选出合格承包商的问题,提出了基于Vague集理想解的新方法。首先,介绍了大型工程项目的特点,然后构建了对承包商进行综合评审的指标体系,并利用网络分析法赋权。然后,建立了各投标人对所有评价指标的Vague集隶属矩阵,按照各指标和专家权重计算出所有投标人的综合评价Vague值,再将各指标适合度最高和最差的投标人分别虚拟为最优解和最差解,相应地计算出各投标人与最优与最差解间的距离,按照理想解理论确定最优承包商。最后,以某工程项目为算例对设计的模型进行的有效性检验。计算结果表明,该模型能够很好地满足工程实际要求。

基于Pareto蚁群算法的双目标路径规划研究

针对复杂建筑环境人员应急疏散单一路径不能满足火灾环境变化需求的问题,基于改进蚁群算法,结合Pareto双目标解集思想,提出一种组合优化解集的双目标蚁群算法,通过排序优化的思想,实现人员多路径动态疏散规划。在构造Pareto解集的阶段协同考虑疏散路径长度以及火灾风险程度2个优化目标,计算各个解之间的支配关系。利用排序优化蚁群算法的正反馈机制将各组解的信息素按一定比例作为最优路径信息素的积累,加快解集的寻找。最后将其与传统双目标蚁群算法相比较,结果表明:优化后的双目标算法更加适合复杂建筑人员疏散路径规划问题,在寻找多组满足要求解的同时展示目标之间的利弊关系,供决策者选择合适的路径,提高疏散效率。

面向维修的复杂装备模块智能聚类与优化求解技术

为解决传统维修过程中由单独的维修部门被动应对既成事实的复杂装备检修问题,同时加强其他部门对于维修活动的协同能力,在复杂装备的设计阶段引入维修相关的驱动要素和维修阶段的策略选择,提出一种面向维修的复杂装备模块化设计方法。从维修成本、维修复杂度、维修效率等方面探讨复杂装备模块化设计准则,得到各维修特性的量化计算方法,通过综合考虑约束条件建立面向维修的模块化设计模型。采用青蛙跳跃算法和细菌优化相结合的混合多目标蛙跳算法对模型进行优化求解,从而得到一系列代表模块化设计方案的Pareto最优解,并利用基于信息熵理论的Pareto优选方法获取最终的模块化设计方案。以沈阳某机床厂设计生产的GMC型精密五轴加工中心为例,运用数值仿真手段验证了该方法的有效性和可行性。

多目标网络相异路径的Pareto解及其遗传算法

网络相异路径一般是多目标约束路径问题,具有重要应用价值.然而,由于问题的难解性,总是利用妥协思想将其转换为单目标问题求解.本文建立了双目标相异路径的一种优化模型,给出了模型求解过程中伪理想点的概念,提出了基于小生境共享竞争复制算子的遗传算法,该算法可求解多目标优化问题的 Pareto 解集.最后,给出了一个计算分析实例.

求解机械优化的Pareto多目标中心粒子群算法

针对基于权重法的多目标算法无法求解约束多目标问题的缺陷,将中心粒子群算法与Pareto解集搜索算法相结合,提出一种Pareto多目标中心粒子群算法。将此方法用来优化气门弹簧的模型,实验结果表明,该优化方法能够快速准确地收敛于Pa-reto解集,并且使其对应的目标域均匀地分布于Pareto最优目标域。

聚类差分进化算法求解多目标工艺规划与调度集成问题

针对多目标工艺规划与调度集成问题,以完工时间、交货总拖期和设备工作负荷为优化目标,建立了多目标非线性工艺规划集成模型,提出一种聚类差分进化算法。该算法设计了包含工艺、设备和加工顺序信息的3层编码结构,结合聚类算法、差分进化算法和遗传算法的相关操作,有效地优化工艺信息和调度方案,保持可行解的多样性,实现Pareto非支配解集快速更新。通过对Pareto非支配解集进行领域搜索,使其更加接近或到达Pareto最优解集。最后通过实例验证了算法的性能。

差分选择策略在复杂多目标优化问题中的研究

在多目标进化算法中,如何提高生成解的质量一直是研究的热点与难点.为解决以上问题,该算法从差分进化算法与计算资源分配策略2个方向进行了研究.根据多目标问题从决策空间到目标空间的映射关系以及差分进化算法基本原理,提出了一种基于双种群的多目标差分选择策略.它利用2个种群来区分个体间收敛性差别,在调整差分参数以适应多目标算法特性的基础上,以收敛性差别为依据选择参与差分运算的个体,从而提高差分算法性能,加快子代个体收敛.另外,根据子代个体收敛速率的不同,动态调整计算资源的分配,进一步提高算法收敛性.与ε-MOEA和MOEA/D-DRA在一系列复杂的多目标优化问题上进行了对比实验,结果表明了所提策略的有效性.

基于Pareto蚁群算法的拆卸线平衡多目标优化

为提高产品拆卸效率,针对拆卸线平衡问题建立了数学模型。该模型以最小拆卸线闲置率、负荷均衡和最小拆卸成本为优化目标。结合拆卸线平衡问题的具体特点,提出了一种改进的基于Pareto解集的多目标蚁群优化算法。算法采用小生境技术,引导蚂蚁搜索到分布良好的Pareto最优解集,并以被支配度和分散度为个体评价规则。实验测试结果表明了该算法的可行性。最后,结合企业生产实际,给出了所提模型与算法的具体应用。

一种评估近似Pareto前沿多样性的方法

提出了一种评估近似Pareto前沿多样性的方法.它用精确Pareto前沿相对于其近似集合的"暴露程度"来评估多样性,其计算基于精确Pareto前沿,不像其他多样性评估技术基于近似集合进行计算.对于多于两个目标(分量)的近似集合,其他技术不能或者不能很好地评估,计算结果表明,该技术能够很好地评估.并且,在理论上对该方法进行了严格的论证.

多目标U型拆卸线平衡问题的Pareto蚁群遗传算法

针对传统方法求解多目标U型拆卸线平衡问题的不足,提出了一种基于Pareto解集的多目标蚁群遗传算法.在构造初始解阶段,以协同考虑最大作业时间、最小拆卸成本差作为蚂蚁的启发式信息;通过蚁群算法搜索可行拆卸序列,并根据多目标之间的支配关系得到Pareto解集;将蚁群算法的Pareto非劣解作为遗传操作的个体,进而将遗传操作的结果正反馈于最优拆卸路径上信息素的积累,并采用拥挤距离作为蚂蚁全局信息素更新策略,可以平衡多目标对信息素的影响,使算法快速获得较优解.将所提算法应用于52项拆卸任务算例和某打印机拆卸线实例,在算例验证中,通过对比Pareto蚁群算法,所提算法求得的8个非劣解在3个评价指标上性能分别提高了50.43%、3.25%、14.10%,在实例应用中所提算法求得8种可选平衡方案,从而验证了所提算法的有效性、优越性和实用性.

教与同伴学习粒子群算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出了带Pareto非支配解集的教与同伴学习粒子群算法。首先,以工件的最大完工时间、最大机器负荷和所有机器总负荷为优化目标建立了多目标柔性作业车间调度模型。然后,该算法结合多目标Pareto方法和教与同伴学习粒子群算法,采用快速非支配排序算法产生初始Pareto非支配解集,用提取Pareto支配层程序更新Pareto非支配解集,同时采用混合分派规则产生初始种群,采用开口向上抛物线递减的惯性权重选择策略提高算法的收敛速度。最后,对3个Benchmark算例进行仿真实验。理论分析和仿真表明,与带向导性局部搜索的多目标进化算法(MOEA-GLS)和带局部搜索的控制遗传算法(AL-CGA)相比,对于相同的测试实例,该算法能产生更多更好的Pareto非支配解;在计算时间方面,该算法要小于带向导性局部搜索的多目标进化算法。实验结果表明该算法可以有效解决多目标柔性作业车间调度问题。

基于Pareto GA的机械手结构/控制多目标优化设计

针对机械/控制系统并行设计的多变量、多目标优化特点,以单臂机械手为对象,研究机电融合优化设计模型和多目标并行优化的算法.根据单臂机械手的动态特性和控制性能要求,采用极点配置方法构造了基于PD反馈控制的机电融合优化设计模型,通过Pareto遗传算法(PGA)对带约束的机电融合多目标优化问题的并行求解进行了研究,并对得到的Parato可行解集进行了分析.在PGA优化过程中采用了目标函数的归一化处理、分级罚函数法将约束问题转化为无约束优化、群体分级和Pareto解集过滤器等技术,并采用聚类方法对Pareto解集中解的个数、解集的特性和解的多样性进行控制,使优化解收敛到一个非劣点集.

气田调峰生产的多目标配产优化模型及其求解

气田调峰是天然气调峰的主要方式之一,但目前国内关于天然气产量配产优化模型主要适用于中长期规划和年度计划优化,而对于短期调峰产量优化配产方面的研究尚不多见。为此,分析了气田调峰生产的性质及其对气田全生命周期成本的影响,提出了产量波动指数,并以该指数衡量调峰生产的间接成本。在此基础上,建立了以调峰生产期间的直接成本、间接成本最小为目标的多目标调峰配产优化模型。该模型综合考虑了气田各区块的产量和总需求量约束,其特点是可以形成气田不同区块、井组的配产,为实现调峰生产作业的配产提供指导意见和方案选择。该模型采用自适应遗传算法求解,实例计算结果表明,其产生的一组Pareto解在综合成本方面优于其他方法配产结果,并且所提供的一组解能为决策者提供更多选择,因而实用性强。

基于时变价格弹性矩阵的深谷电价多目标定价策略

随着碳中和、碳达峰目标的提出,构建高比例新能源的新型电力系统已成为未来能源电力的发展形态,由此导致的高比例新能源渗透使系统净负荷曲线呈现剧烈的波动性和显著的深谷特征,对电力系统安全运行以及供需平衡提出了新挑战。为此,提出了一种基于时变价格弹性矩阵的需求侧深谷电价多目标定价模型。首先,确立基于模糊隶属度的深谷时段划分方法,并利用贝叶斯判别法对时段划分结果进行合理性评估。其次,针对用户需求响应的动态性,建立具有时变特征的价格弹性矩阵模型衡量用户的响应程度。最后,以用户满意度和系统峰谷差作为待优化的两个目标,建立多目标混合整数规划的深谷电价定价模型,并用非支配排序遗传算法求解模型并得到其Pareto最优解。为了检验所提模型的有效性,将其应用于中国华东地区某省的实际场景进行仿真分析。结果表明,上述模型可在高比例新能源渗透情景下降低峰谷差,促进用户用电行为向深谷时段转移,缓解电力系统在深谷时段的运行压力。

多目标粒子群优化算法及其应用研究综述

现有研究较少涵盖最先进的多目标粒子群优化(MOPSO)算法.本研究介绍了多目标优化问题(MOPs)的研究背景,阐述了MOPSO的基本理论.根据特征将其分为基于Pareto支配、基于分解和基于指标的3类MOPSO算法,介绍了现有的经典算法.介绍相关评价指标,并选取7个有代表性的算法进行性能分析.实验结果展示了传统MOPSO和3类改进的MOPSO算法各自的优势与不足,其中,基于指标的MOPSO在收敛性和多样性方面表现较优.对MOPSO算法在生产调度、图像处理和电力系统等领域的应用进行简要介绍.并探讨了MOPSO算法用于求解复杂优化问题的局限性及未来的研究方向.

多目标优化设计中的Pareto遗传算法

遗传算法的随机性和隐含并行性,使它能同时搜索到多个局部最优解并获得最优解集。为了发挥遗传算法群体搜索的优势,提高多目标优化设计效率和灵活性,在自适应遗传算法的基础上引入群体排序技术、小生境技术和Pareto解集过滤器,建立了一种适用于多目标优化设计的Pareto遗传算法。以Pareto前沿面的形式给出优化设计的Pareto最优解集,供设计者按设计意愿选择最优的设计结果。采用Pareto遗传算法进行跨声速翼型的多目标优化设计,设计结果表明,Pareto遗传算法是十分有效的,完全可以用来进行多目标优化设计。

再论线性多目标规划有效解的有效率

对文 [1]中的优势集进行重新定义 ,讨论了非劣极点优势集的性质 .在此基础上修正了文

基于集对分析与NSGA-Ⅱ的工程项目多目标优化

工程项目进度、成本和质量三者是对立统一的,工程项目的多目标优化着重于求解三者的和谐统一。以工程项目施工过程中的进度、成本和质量水平阈值为约束条件,运用集对分析法为建筑工程多目标优化问题的处理构建了柔性的建模框架;利用NSGA-II算法求解多目标优化模型,得到多目标优化的Pareto最优解集;通过实际算例验证了该算法在解决工程项目多目标优化问题中的可行性和有效性。