基于变时段设计改进多目标差分进化算法的风/光/火/储日前优化调度

在高比例新能源馈入的新型电力系统中,新能源出力的不确定性导致火电难以满足调度计划的精度需求,风/光/火/储系统的经济调度求解算法面临严峻挑战。为此,提出一种基于变时段设计的多目标差分进化算法。首先按各时段负荷特征构建风/光/火/储系统的变时段日前调度规则。进而以系统运行经济成本与污染排放量为目标,基于多目标差分进化算法求解变时段系统日前调度模型的Pareto解集。最后,用IEEE 39节点系统进行测试。结果表明在风、光、储与火电的约束条件均符合校验的情形下,相较于其他算法,该方法使计算结果更加优化,火电机组出力跟踪调度计划效果显著提高,验证了所提方法的有效性。

基于改进差分进化算法的跨平台武器目标分配方法

现代战争中,跨平台武器单元的协同利用,是合同编队体系的重要内容,作战方式也正由平台级协同向着能力要素级协同转变,这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级,以毁伤概率与成本消耗为优化目标,面向多种来袭目标的编队防空场景,提出了跨平台武器目标分配算法。同时,基于混沌映射提出了混沌种群重构(chaotic population reconstruction,CPR)机制,并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive,JADE)算法提出了CPR-JADE算法,利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上,实现了对模型的高效求解。最后,通过在多种数据规模下与其他进化优化算法的仿真对比试验分析,验证了所提方法的正确性与有效性。

多目标差分进化算法改进与电工钢片磁致伸缩模型参数辨识

准确且高效地辨识电工钢片磁致伸缩模型参数是模型在变压器铁心振动分析中的应用前提。针对现有单目标优化算法不能兼顾参数辨识精度和速度的问题,该文基于改进Jiles-Atherton-Sablik和Energetic模型相结合的磁致伸缩模型,将该模型的参数辨识转换为多目标优化问题。以磁滞回线和磁致伸缩曲线的均方根误差作为待优化的2个目标,建立参数辨识的多目标优化数学模型。基于该模型,从控制参数自适应技术、变异算子改进策略以及选择算子改进策略3个方面对多目标差分进化算法进行改进,从而提出一种采用改进多目标差分进化算法的磁致伸缩模型参数辨识方法。通过与现有方法对比,该文方法的磁滞回线求解精度提升17.84%,磁致伸缩曲线求解精度提升13.60%,辨识速度提升41.57%。

基于差分进化算法和交叉算子的电力企业应急物资多目标分层调度方法

为实现电力系统应急故障的高效抢修,降低故障风险,提出基于差分进化算法和交叉算子的电力企业应急物资多目标分层调度方法。该方法结合电力企业全局调度需求,确定电力企业应急物资多目标上层调度目标函数和下层调度目标函数,同时设计对应的约束条件;采用差分进化算法求解双层调度目标函数,并且为保证解的多样性和算法收敛性,引入进化过程信息优化算法变异算子的变异概率,以此保证目标函数的求解效果。测试结果显示:反世代距离和散布性分别在0.034和0.28以下;结合应急物资供应点位置进行应急物资调配路径规划;应急物资调度的公平性、资源覆盖满意度均在0.92以上;调度后,电力系统的风险固结函数结果均在0.14以下。

基于多目标差分进化算法的机加工柔性作业车间调度

柔性作业车间的多品种、多件数导致调度难度大、耗费时间较长和成本较高,为此,以最大完工时间、能耗和刀具损耗数量为优化目标,考虑返工、次序的准备时间和批量调度约束,建立了多目标机加工柔性作业车间调度模型.提出一种引入综合考虑能耗和加工时间的轮盘赌初始化策略.针对传统差分进化算法交叉得到的子代机器部分质量较差,提出一种机器选择的策略,以此对差分进化算法进行了改进.将改进后的差分进化算法应用于机加工柔性作业车间调度,并与传统差分进化算法在机加工柔性作业车间调度进行多组实验对比.结果表明:改进差分进化在机加工柔性作业车间调度较传统差分进化算法具有收敛速度较快、鲁棒性较好的优点,优化后各机器负载更为均衡,可有效解决多目标机加工柔性作业车间调度问题,为多品种、多件数类排产任务提供了一种良好的指导方案.

Q学习差分进化算法求解热电动态经济排放调度

热电联产动态经济排放调度同时考虑了燃料成本花费和污染气体排放两个目标值,且下一时间段的热电产量受当前时间段热电产量的影响,这是近年来电力系统运行中的一个重要问题。文中提出一种基于Q学习强化多目标差分进化(Q Learning Multi-Objective Differential Evolution,QLMODE)算法,以此求解热电联产动态经济排放调度(Combined Heat and Power Dynamic Economic Emission Dispatch,CHPDEED)问题。在QLMODE中,采用Q学习技术调整算法的比例因子参数,即在迭代过程中利用子代解和父代解之间的支配关系确定动作奖励和惩罚,并通过Q学习调整参数值,以获得最适合环境模型的算法参数。文中将所提QLMODE用于求解11机组和33机组的热电联产动态经济排放调度问题。仿真结果表明,与4种成熟的多目标优化算法相比,QLMODE算法燃料成本最小,污染气体排放最少,收敛性和多样性指标优于其他4种算法,且QLMODE在两组问题上都获得了更好的Pareto最优前沿。

基于改进多目标差分进化算法的城轨列车速度曲线优化

城轨列车速度曲线研究对于优化列车运行过程具有重要的作用。为得到更好的城轨列车速度曲线优化效果,本文针对列车运行准时性、运行能耗和舒适度3个目标,提出一种基于改进多目标差分进化算法的速度曲线优化方法。首先,建立城轨列车运行过程的多目标优化模型;然后,通过采用精英镜像初始化策略、引入参数自适应和多变异策略,提升多目标差分进化(MODE)算法的性能,并通过与其他6种对比算法在ZDT系列测试函数上所得的反世代距离评价指标(IGD)值进行比较,验证了所提算法的优越性;最后,结合南昌地铁一号线某区间真实线路数据进行仿真。结果表明,改进的MODE算法(IMODE)相较于对比算法在综合性能方面具有一定优势,同时在列车节能优化问题中具有较强的实用性。

求解多目标柔性作业车间调度问题的混合自适应差分进化算法

针对多目标柔性作业车间调度问题,文章提出一种混合自适应差分进化算法,将最小化最大加工时间、最小化机器最大负荷和最小化总机器负荷3个目标函数进行优化,结合使用Pareto支配关系的精英选择策略和模拟退火算法,提高了算法性能。最后通过仿真实验表明了所提算法在解决多目标柔性作业车间调度问题的有效性。

基于参数动态调整的控制工程多目标差分进化算法设计

本文介绍了控制工程、差分进化算法、多目标差分进化算法以及多目标优化控制问题。在此基础上,提出一种基于参数动态调整的多目标差分进化算法设计,包括算法设计流程、实现细节和性能评估指标,并进行算法实验及结果分析,包括实验设置和数据收集、实验结果展示及分析、实验结果与其他算法结果比较。结果表明,基于参数动态调整的多目标差分进化算法在多目标优化控制问题上表现出良好性能,可以为解决实际工程问题提供有力支持。

基于多目标差分进化算法的含分布式电源配电网无功优化方法

由于配电网无功优化属于多目标问题,各目标之间相互制约,传统方法易陷入局部最优,优化效果较差,为此,本文提出基于多目标差分进化算法的含分布式电源配电网无功优化方法。以有功功率网损和节点电压偏差最小为目标,构建含分布式电源配电网多目标无功优化模型,基于差分进化算法求解模型,实现配电网的无功优化。采用设计方法优化IEEE-32节点系统,优化后有功功率网损较优化前减小29.13%,说明差分进化算法在多目标问题上寻优能力较强,验证了设计无功优化方法的有效性。

基于改进生物地理学算法的列车ATO多目标优化研究

高速列车运行过程优化是一个多目标、非线性优化问题.为研究列车自动驾驶系统(automatic train operation,ATO)多目标优化问题,以列车运行的准时性、停车精确性、舒适性、能耗性为控制目标,列车动力学模型为约束条件,同时考虑列车惰行过分相区,建立列车多目标优化模型,提出了一种改进的生物地理学(biogeography-based optimization,BBO)优化ATO速度曲线方法.为提高算法优化性能,使用更加倾向自然法则的双曲正切变体迁移模型;在变异过程中使用差分进化(differential evolutionary,DE)变异策略,提高种群多样性,同时加入柯西分布随机数帮助算法跳出局部最优;利用反向学习提高变异后个体的多样性,保证算法的全域搜索.同时通过基准测试函数验证该算法收敛速度和全局优化能力的优越性.以CRH3型高速列车和汉宜客运某线路进行仿真实验,结果表明,所提方法可以使列车追踪运行更加高效、舒适、安全和节能,其中舒适度提升了39.24%,能耗降低了3.5653%.

基于权重向量聚类的动态多目标进化算法

实际生活中存在许多的动态多目标优化问题(DMOP)。对于此类问题,当环境发生改变时,就要求动态多目标进化算法(DMOEA)能快速和准确地跟踪新环境下的帕累托前沿(PF)或帕累托最优解集(PS)。针对现有算法的种群预测性能差的问题,提出一种基于权重向量聚类预测的动态多目标进化算法(WVCP)。该算法首先在目标空间中生成均匀的权重向量,并对种群中的个体进行聚类,再根据聚类情况分析种群的分布性。其次,对聚类个体的中心点建立时间序列。对同一权重向量,针对不同的聚类情况采取相应的应对策略对个体进行补充,若相邻时刻均存在聚类中心,则采用差分模型预测新环境下的个体;若某一时刻不存在聚类中心,则用相邻权重向量聚类中心的质心作为该时刻的聚类中心,再运用差分模型预测个体。这样不仅可以有效地解决种群分布性差的问题,还可以提高预测的准确性。最后,引入个体补充策略,以充分地利用历史信息。为验证WVCP算法的性能,把它与四种代表性算法进行了仿真对比。实验结果表明,所提算法能够很好地解决DMOP。

多目标差分进化算法求解柔性作业车间批量调度问题

考虑生产周期、生产成本、设备利用率等调度目标,给出了多目标柔性作业车间批量调度问题模型。为解决批量划分和批次调度,采用批量染色体和批次染色体相结合的编码方式,提出一种基于差分进化算法的多目标柔性批量调度算法,引入Pareto非支配排序和拥挤距离排序来选择下一代个体,并采用外部存档保存进化过程中的非支配解集。为平衡算法的全局搜索和局部探索能力,设计了基于关键路径的动态随机搜索和随机变异相结合的多目标局部搜索策略。通过调度算例及印染生产调度实例求解表明,所提批量划分方法能有效缩短生产周期,获得更多分布均匀的Pareto非支配解。

多目标优化问题的差分进化算法研究

为保持所求得的多目标优化问题Pareto最优解的多样性,提出了一种精英保留和根据目标函数值进行排序的多目标优化差分进化算法.对排序策略中目标函数的选择方式进行了分析和比较,并提出了一种确定进化过程中求得的精英解是否进入Pareto最优解集的阈值确定方法.用多个经典测试函数进行了实验分析,并与NSGA-Ⅱ算法进行了比较.实验结果表明,该方法收敛到问题的Pareto前沿效果良好,能有效保持所求得的Pareto最优解的多样性.

用于约束多目标优化问题的双群体差分进化算法

首先给出一种改进的差分进化算法,然后提出一种基于双群体搜索机制的求解约束多目标优化问题的差分进化算法.该算法同时使用两个群体,其中一个用于保存搜索过程中找到的可行解,另一个用于记录在搜索过程中得到的部分具有某些优良特性的不可行解,避免了构造罚函数和直接删除不可行解.此外,文中算法、NSGA-Ⅱ和SPEA的时间复杂度的比较表明,NSGA-Ⅱ最优,文中算法与SPEA相当.对经典测试函数的仿真结果表明,与NSGA-Ⅱ相比较,文中算法在均匀性及逼近性方面均具有一定的优势.

解决多目标优化问题的差分进化算法研究进展(英文)

差分进化(differential evolution,DE)是一种简单但功能强大的进化优化算法.由于其优秀的性能,其诞生之日起就吸引了各国研究人员的关注.作为一种基于群体的全局性启发式搜索算法,差分进化算法在科学和工程中有许多成功的应用.本文对解决多目标优化问题的差分进化算法研究进行了综述,对差分进化的基本概念进行了详细的描述,给出了几种解决多目标优化问题的差分进化算法变体,并且给出了差分进化算法解决多目标优化问题的理论分析,最后,给出了差分进化算法解决多目标优化问题的工程应用,并指出了未来具有挑战性的研究领域.

基于多目标差分进化算法的水库多目标防洪调度研究

为求解水库多目标防洪优化调度问题,提出一种基于自适应柯西变异的多目标差分进化算法,克服了早熟收敛问题,提高了收敛精度;同时,根据多目标优化的特点对差分算子进行修正,并引入外部档案技术,提高了算法的收敛速度。本文以坝前最高水位最低、最大下泄流量最小和汛末水位最接近汛限水位为目标,对三峡水库展开多目标防洪调度研究,结果表明,该算法可在较短时间内生成大量在各目标分布均匀、分布范围广的非劣调度方案供决策者评价优选,为水库多目标防洪调度决策提供了一种新的调度方案生成方法。

武器目标分配问题的离散差分进化算法

提出一种新的求解静态武器目标分配问题的离散差分进化算法.采用整数排列建立武器–目标分配对,作为离散差分进化算法的初始个体;并通过取模运算对溢出取值范围的解向量进行修正,将其转化到解的搜索区域内,从而对差分变异算子进行设计.同时,提出相应的交叉策略,得到可行的武器目标分配对.在交叉过程中,保留目标向量与试验向量中相同的分配对,得以很好地利用上一代的分配结果.在删除重复数和重新插入整数时,为了避免倾向性,生成随机排列,保证对数据处理的公平性.实验结果表明,提出的离散差分进化算法在收敛性和求解质量方面均优于另外2种典型的离散差分进化算法,很好地实现了武器目标分配问题的有效求解.

基于非支配排序差分进化算法的多目标电网规划

在多目标电网规划问题中,综合考虑经济性、安全可靠性和环境影响等因素后,提出了非支配排序差分进化算法。以电网投资、运行维护费用、网损费用、线路走廊面积最小为目标建立了多目标电网规划模型。非支配排序差分进化算法将Pareto非支配排序法与差分进化算法相结合,采用动态调整策略调整差分进化算法控制参数,改进了个体拥挤比较机制,提高了算法的全局搜索能力和种群多样性,并基于模糊集理论选取最优折衷解。Garver-6节点和Garver-18节点系统算例结果表明,该算法可以有效生成分布均匀的Pareto最优解集,在求解多目标电网规划问题中具有可行性和优越性。

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。