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。

基于非支配遗传算法及协同进化算法的多目标多区域电网规划

基于快速分类的非支配遗传算法(NSGA-II)是一种新型的多目标遗传算法,文中首次将其应用于电网优化规划。多个算例分析表明NSGA-II算法在电网规划中具有良好的优化效果,为各目标之间的权衡分析提供了有效的工具;协同进化算法采用分解-协调的思想处理复杂系统的演化,可以克服当优化问题规模扩大时,常规进化算法易于出现过早收敛的现象。据此提出将协同进化算法和NSAG-II算法相结合,以用于处理大规模多区域的电力系统规划问题,在各子网采用NSAG-II算法优化的过程中进行多区域协调。与常规遗传算法相比,算例分析取得了更好的规划结果。

基于协同进化多目标遗传算法的复式液压摆动缸结构设计

针对舰船操舵过程中舵叶与水动力之间存在强力位耦合的问题,本文设计出一种新型复式液压摆动缸转舵机构,该机构由内外两层转子组成,内层转子控制舵叶转角,外层转子进行力矩解耦。为减小复式液压摆动缸的质量和体积,本文提出一种基于协同进化的多目标遗传算法,算法包含两类种群,一类用于进化决策解,并评价罚因子,另一类用于调整罚因子,并指导第一类种群进化,两类种群通过信息交换,来指导自身的搜索,从而使整个系统协同进化,以此求解复式液压摆动缸各几何参数的数值,直至获得满意解。最后,将该算法得到的参数数据,在三维软件中完成建模,并利用有限元软件进行应力应变分析。结果表明,相较于传统遗传算法,协同进化多目标遗传算法得到的复式液压摆动缸的质量减少了约25.5%,其得到的几何参数数据更为合理。

基于递归式多目标协同进化遗传算法的电厂负荷分配研究

提出以多目标优化方法来完成电厂负荷调度分配。综合考虑了经济性、快速性和稳定性的要求,建立多目标优化的数学模型,采用递归式多目标协同进化遗传算法求解负荷分配问题。与传统多目标算法相比,该方法减少了各个目标之间可能产生的偏移,并且进化过程简单,具有较强的灵活性和实用性。

基于协同进化遗传算法的微网经济环保调度

为合理调度分布式电源使微网经济和可靠运行,提出一种基于协同进化遗传算法实现微电网分布式电源出力调度的方法。建立了冷热电联产型的微网经济环保调度模型,新增考虑热备用约束条件;建立分阶段目标函数,将蓄电池虚拟放电和充电价格计入群体寻优目标函数;给合协同进化遗传算法,使用群体寻优目标函数和精英寻优目标函数寻求分阶段经济调度最优解;给出了孤网和并网运行方式下的调度策略。通过算例分析了并网和孤网两种运行方式下冬季的经济调度方案,结果表明调度模型和算法是有效的。

基于协同交互式遗传算法的复杂产品概念设计

针对复杂产品概念设计中的方案求解问题,建立了基于进化思想的求解过程模型,提出了一种新的基于协同进化算法与交互式遗传算法相结合的复杂产品概念设计方法。针对手机概念设计中功能设计的特点提出了变长度编码和两层编码的混合编码方式。实例表明,该方法对多目标、人机交互的复杂产品概念设计方案求解是有效的。

使用共生机制对遗传算法的改进

自然界中,不同生物种群的个体通过交互作用可以弥补其自身的不足,获得更强的适应性。这种互利共生现象最终可以使种群获得通过遗传进化无法得到的新特性。文中使用人工生命方法建模仿真共生现象,结果表明,用共生方法改进过的遗传算法具有更快的收敛速度。

基于Pareto协同进化算法的多个FACTS元件协调控制

针对多个FACTS装置的控制器之间存在的负交互影响,提出一种基于Pareto协同进化算法的协调控制方法。利用协同进化算法对控制器参数进行种群划分,对各种群采用遍历组合法构造新的个体并计算目标函数值。采用多种群合作策略进行非支配排序,取排序后的最优个体进行遗传操作,最后得到一组Pareto最优解集。与常规多目标优化算法相比,避免了一般多目标优化进化算法中难以处理的适应度值的分配问题,且利用协同进化算法的并行性大幅提高了收敛速度。利用该方法对静止同步串联补偿器(SSSC)与静止同步补偿器(STATCOM)2种典型FACTS装置的协调控制器进行了设计,并通过仿真验证了设计的协调控制器的控制效果良好。

基于间隔时间学习和抽样法的协同进化算法

协同进化算法中,计算个体适应度时,代表个体的选择以及代表个体与个体的组合评估需要很大的计算量。协同进化遗传算法虽然计算量相对小一点,但是只能获得一个贪婪解。多模式共生进化算法虽能克服协同进化遗传算法的这个缺点,但是计算量太大。本文利用间隔时间学习方法提出间隔时间学习协同进化算法,该算法每隔N代交互一次信息。在此基础上,将抽样法应用到协同进化算法中。实验结果表明,这种方法能有效地减少计算量,且本文从数学方面进行了分析验证。

供应商选择与订单分配多目标协同决策研究

采用复杂适应系统理论和复杂人Agent的行为方式,进行系统节点Agent群体之间的协同进化机制研究。以成本、质量、服务水平三个准则为目标函数,构建供应商系统节点Agent决策模型;以买方选择供应商数量最少为目标函数,构建总部配送中心系统节点Agent决策模型。提出了基于多目标共生型协同进化遗传算法的Agent群体间行为优化算法,通过系统节点Agent群体间的行为优化,巩固了连锁零售供应链上下游企业之间的关系,降低了供应链的总成本。

应用于大规模SoC软硬件划分的多种群协同进化方法研究

针对非支配遗传算法NSGA-Ⅱ在大规模SoC软硬件划分中存在的不足,鉴于协同进化机制在解决复杂问题上所体现出来的优势,提出了一种基于协同进化的混合算法CO-NSGA-Ⅱ,并引入了三个协同算子:种间交叉算子、淘汰算子和分裂算子。实验表明,在基准测试函数实验和较大规模的软硬件划分实验中,CO-NSGA-Ⅱ的性能要明显优于NSGA-Ⅱ,这也体现了协同进化在解决大规模软硬件划分问题上的优势和潜力。

基于NSGA-Ⅱ的自适应多尺度特征通道分组优化算法

针对轻量型卷积神经网络(LCNN)的精确度和复杂度均衡优化问题,提出基于快速非支配排序遗传算法(NSGA-Ⅱ)的自适应多尺度特征通道分组优化算法对LCNN特征通道分组结构进行优化。首先,将LCNN中的特征融合层结构的复杂度最小化和精确度最大化作为两个优化目标,进行双目标函数建模及理论分析;然后,设计基于NSGA-Ⅱ的LCNN结构优化框架,并在原始LCNN结构的深度卷积层之上增加基于NSGA-Ⅱ的自适应分组层,构建基于NSGA-Ⅱ的自适应多尺度的特征融合网络NSGA2-AMFFNetwork。在图像分类数据集上的实验结果显示,与手工设计的网络结构M_blockNet_v1相比,NSGA2-AMFFNetwork的平均精确度提升了1.2202个百分点,运行时间降低了41.07%。这表明所提优化算法能较好平衡LCNN的复杂度和精确度,同时还可为领域知识不足的普通用户提供更多性能表现均衡的网络结构选择方案。

CE-GA协同进化算法求解人机共同作业的U形装配线平衡问题

针对一类广泛存在的生产装配问题,建立人机共同作业的资源约束U形装配线平衡问题(ResourceconstraintU-shaped assembly line balancing problem with man-robot cooperation,RCUALBP_MRC)模型。该模型中机器人与助理均为有限资源,机器人可替代人工操作,助理可协助工人操作,优化目标为同时最小化总成本指标和最大化线效率以及负载标准差综合指标。一种用于求解RCUALBP_MRC的基于交叉熵(Cross-entropy,CE)方法与遗传算法(Geneticalgorithm,GA)的协同进化算法(CE-GACo-evolutionaryalgorithm,CE-GACEA)被提出。首先,根据问题特点,对解中工序子序列设计了一种基于工序选择因子的编码(Task selection factor based code,TSFBC)。其次,在算法的全局搜索阶段对解中工序子序列和机器人及助理子序列所确定的子空间,分别利用GA和CE的操作进行协同搜索,可丰富搜索方向并发现优质解区域;局部搜索阶段加入种群分裂-合并机制,可有效平衡算法的全局与局部搜索,改善算法性能。最后,通过在不同规模问题上的仿真试验和算法对比,验证所提CE-GACEA的有效性。

基于协同多目标算法的多机器人路径规划

多机器人路径规划是群体机器人协同工作的前提,其特点是在防碰撞与避障的前提下追求多方面资源的最小消耗.针对这一特点,提出协同非支配排序遗传算法,解决具有多个优化目标的多机器人路径规划问题;运用改进的多目标优化算法,克服多目标优化取权值的不足,同时考虑机器人能源与时间两大资源,以多机器人的路径总长度、总平滑度、总耗时为规划目标.同时引入合作型协同算法框架,将难以求解的多变量问题分组求解.每个机器人的路径视为子种群,子种群通过带精英策略的非支配排序遗传算法,进化并筛选出子种群的部分进入协同进化,每次迭代更新外部的精英解集,最终生成一组非支配路径解.仿真结果表明,在栅格地图环境下,本文算法可有效实现多移动机器人的多优化目标路径规划.

多配送中心危险货物配送路径鲁棒优化

针对危险货物配送路径对不确定因素敏感度较高的问题,提出了鲁棒性可调的多配送中心危险货物配送路径鲁棒优化方法。首先,以最小化运输风险和最小化运输成本为目标,根据Bertsimas鲁棒离散优化理论,建立鲁棒优化模型;然后,在改进型强度Pareto进化算法(SPEA2)的基础上设计一种三段式编码的多目标遗传算法进行求解,在遗传操作中对不同染色体段分别采用不同的交叉和变异操作,有效避免了种群进化过程中不可行解的产生;最后,以庆阳市西峰区部分路网为例进行实证研究,并将配送方案落实到运输过程的路段中,形成具体的运输路径。研究结果表明:在多配送中心下,运用该鲁棒优化模型及算法,能快速得到具有较好鲁棒性的危险货物配送路径。