基于进化多目标优化的微服务组合部署与调度策略

面向微服务实例在不同资源中心的组合部署与调度问题,构建微服务组合部署与调度最优化问题模型。以资源服务中心计算及存储资源利用率、负载均衡率和微服务实际使用率等为优化目标,以服务的完备性、资源与存储资源总量和微服务序列总量为约束条件,提出基于进化多目标优化算法(NSGA-Ⅲ,MOEA/D)求解方法,寻求微服务序列在不同资源中心的实例组合部署与调度策略。通过真实数据集实验对比,在全部满足用户服务请求的约束下,该策略比传统微服务组合调度策略的计算、存储资源平均空闲率和微服务实际空闲率要分别低13.21%、5.2%和16.67%。

基于分解的多目标花朵授粉算法

在过去几十年里,许多多目标进化算法被广泛应用于解决多目标优化问题,其中一种比较流行的多目标进化算法是基于分解的多目标进化算法(MOEA/D)。花朵授粉算法是一种启发式优化算法,但迄今为止,花朵授粉算法在基于分解的多目标进化算法领域的研究还非常少。本文在基于分解的多目标进化算法的框架下,将花朵授粉算法拓展至多目标优化领域,提出一种基于分解的多目标花朵授粉算法(MOFPA/D)。此外,为了保证非支配解的多样性,本文提出一种基于网格的目标空间分割法,该方法从找到的Pareto最优解集中筛选出一定数量且分布均匀的Pareto最优解。实验结果表明,基于分解的多目标花朵授粉算法在收敛性与多样性方面均优于基于分解的多目标进化算法。

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。

考虑风光水多重不确定性置信风险的多目标动态分解优化调度

为更加合理灵活地评估风光水多重不确定性给优化调度带来的风险性,基于分类机会约束提出了风光水出力高估/低估功率偏差置信风险量化计算方法,并计及多重不确定性置信风险构建经济/风险多目标优化调度模型。同时,充分利用智能电网可控资源,通过优化控制发电机出力、变压器变比和无功补偿容量等,实现在满足安全约束下系统运行成本最低和风险性最小的源网协调优化调度目标。为实现对所提复杂模型的高效求解,将高效优势可行解约束处理方法与具有动态资源分配策略的分解多目标进化算法相结合,提出了一种新型的多目标动态分解进化算法;并采用改进的逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)法自动提取最优折衷解以实现多目标优化调度决策。算例分析证明了所提方法的有效性和可行性。

船舶操纵性优化的约束多目标进化算法

针对现有船舶操纵性优化算法收敛性不高的问题,将基于分解的多目标进化算法应用到船舶设计中,本文提出一种船舶操纵性设计的约束多目标进化算法。建立了以直线稳定性和相对回转直径为目标的优化模型,采用基于分解的多目标进化算法框架,结合优秀不可行解改进了差分算子;其次,充分利用优秀不可行解,设计了新的个体选择准则。将本文算法与另外3种船舶操纵性优化算法进行对比,该算法可以提供更多的设计方案,且设计方案收敛性更好。

城市危险废物运输网络多目标优化建模与求解

为降低危险废物的运输风险,提高网络运转效率,基于公众感知差异,提出了一种城市危险废物运输网络的多目标优化建模与求解方法,旨在解决多品类危险废物的运输设施选址、异构型运输车辆配置及运输网络设计的组合优化问题。考虑应急响应时间对公众感知的影响,设计了感知风险度量模型。采用双商品流方法,构建了成本和感知风险最小的多目标优化模型。针对模型复杂度,设计了一种基于MOEA/D-分支切割三阶段混合多目标求解算法。最后,结合昆明市实例和多个测试验证了运输网络优化模型和三阶段求解算法的有效性。结果表明:新模型和新算法能在1177.8 s内为决策者提供多个有效的新方案;相较于原始方案,新方案可以分别减少53.58%的运输成本和30.56%的运输风险;新模型和算法对车辆额定载重量、设施最大能力和应急响应时间阈值参数,具有一定的敏感性;相较于传统模型,新风险模型能降低10.20%的运输成本,新网络优化模型能有效降低计算量并提升最优解的优化率,可将结果与最优解的差距值缩短5.22%;相较于常规多目标优化方法,新算法能缩短67.28%的求解时间,并在求解不同规模的优化问题时保有较高的计算稳定性。

基于多级协同MOEA/D的联合火力打击目标分配方法

将不同火力打击资源进行组合,并分配给打击目标,是筹划联合火力打击作战需要解决的关键问题之一。针对联合火力打击目标分配问题的特点,综合考虑打击顺序、毁伤等级、威胁、效费比、战损等因素,建立了联合火力打击目标分配问题的多目标优化模型。将MOEA/D和多级协同进化框架相结合,提出利用多级协同MOEA/D算法求解目标分配的多目标优化模型,并设计了相关的遗传进化机制。仿真结果表明,所提出的算法具有良好的收敛性和均匀性。

高超声速试飞器系统的多目标优化设计

为了将高超飞行器可靠地运载至理想工作条件,满足"平坦"型试验弹道和入轨点的约束要求,在详细分析系统气动力特性、动力特性、结构特性、质量特性的基础上,以起飞质量、高超动力飞行段射程倒数为目标函数,建立了试飞器系统的多目标优化模型,并采用MOEA/D算法进行求解计算,在综合分析系统敏感稳健性的基础上,确定最终优化方案。结果表明:最终优化方案在满足约束要求的前提下,其起飞质量大幅度降低,高超声速动力飞行段射程(R2-R1)增加较多,验证了对试飞器系统进行多目标优化的必要性和合理性。

一种基于新型差分进化模型的MOEA/D改进算法

针对MOEA/D算法中差分进化操作收敛精度不高且速度较慢的不足,提出了一种综合基于可控支配域的向量差生成策略和基于主成分的动态缩放因子的新型差分进化模型,均衡显性与隐性搜索引导;并实现了一种基于新型差分进化模型的MOEA/D改进算法(MOEA/D-iDE)。新型差分进化是借助基于可控支配域的非支配排序对邻域进行分层,根据分层信息生成与不同进化阶段相匹配的向量差,实现对种群收敛速度的显性引导;同时对决策空间进行主成分分析,动态调整差分进化缩放因子,实现对种群收敛精度的隐性引导。实验选取ZDT、DTLZ和WFG等为测试问题,以IGD+,ER作为评价指标,将MOEA/D-iDE算法与6个同类算法进行对比实验,结果表明新算法在保证多样性的同时具有更好的收敛速度与精度,从而验证了新型差分进化模型的有效性。

混合分解多目标进化算法求解绿色置换流水车间调度问题

针对考虑能量消耗的绿色置换流水车间调度问题,以最大完工时间和总能量消耗为优化目标,提出一种混合分解多目标进化算法(HMOEA/D).首先,为了保持初始种群的多样性,使用一种混合初始化策略产生高质量初始种群;其次,采用禁忌搜索策略作为局部搜索算子,强化算法跳出局部最优能力;最后,提出节能策略,以进一步优化总能量消耗目标.通过对标准测试集进行仿真实验并与代表性算法进行比较,验证所提出算法的优越性.

多目标混合流水车间调度问题求解算法

针对多目标不相关并行机混合流水车间调度问题,建立以最小化最大完工时间、机器总能耗和机器加工成本为目标的多目标数学模型。提出一种改进的基于分解的多目标进化算法(Improved multi-objective evolution algorithm based on decomposition,IMOEAD),采用均匀设计表生成初始权重向量,提高种群多样性,利用正态分布交叉并设计了自适应高斯变异来提高算法的全局搜索能力和局部搜索能力,在权重向量邻域中选择个体产生新解,运用非支配等级和拥挤距离更新外部档案。以反世代距离、世代距离和非支配解个数为性能指标,通过大量案例仿真,与非支配排序遗传算法Ⅱ和基于分解的多目标进化算法进行对比,结果验证了该算法的有效性。

MOQPSO/D算法求解不确定目标分配问题

为了增强不确定目标分配对战场态势变化的适应性,提出了一种基于分解的多目标量子行为粒子群算法(MOQPSO/D)的不确定目标分配方法。基于模糊多目标规划方法建立了不确定目标分配模型。以MOEA/D为算法框架,以QPSO算法为寻优手段提出了一种MOQPSO/D算法。通过粒子编码和非法粒子调整,将MOQPSO/D算法成功应用于求解目标分配模型。仿真结果表明:采用多目标优化方法能有效增强不确定目标分配对战场态势变化的适应性;MOQPSO/D算法在求解目标分配模型时要明显优于MOEA/D及MOEA/D-CD算法。

考虑需求响应的多目标模糊机会约束动态经济调度

风电和需求响应共同参与电网调度带来了显著的经济效益并降低了负荷波动,但是风机出力的不确定性给电网动态经济调度带来了挑战。针对上述问题,建立了考虑需求响应的多目标模糊机会约束动态经济调度模型。首先,分析风电预测误差在不同功率的模糊特性,并拟合出模糊参数,进而获得风电的模糊隶属度函数。其次,根据模糊理论对系统约束形成可信性测度的模糊机会约束,建立考虑经济和负荷方差的多目标优化模型。最后,在模型求解上先采用清晰等价类方法将机会约束清晰化,并利用基于分解的多目标进化算法进行求解,然后选用模糊聚类的Pareto最优解集筛选最优解。算例结果表明,所提出的模型能够有效权衡风电并网所带来的风险、系统利润以及系统负荷波动。

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。

基于自适应多目标进化CNN的图像分割方法

卷积神经网络已经成为强大的分割模型,但通常为手动设计,这需要大量时间并且可能导致庞大而复杂的网络.人们对自动设计能够准确分割特定领域图像的高效网络架构越来越感兴趣,然而大部分方法或者没有考虑构建更加灵活的网络架构,或者没有考虑多个目标优化模型.鉴于此,提出一种称为AdaMo-ECNAS的自适应多目标进化卷积神经架构搜索算法,用于特定领域的图像分割,在进化过程中考虑多个性能指标并通过优化模型的多目标适应特定的数据集.AdaMo-ECNAS可以构建灵活多变的预测分割模型,其网络架构和超参数通过基于多目标进化的算法找到,算法基于自适应PBI实现3个目标进化问题,即提升预测分割的F1-score、最大限度减少计算成本以及最大限度挖掘额外训练潜能.将AdaMo-ECNAS在两个真实数据集上进行评估,结果表明所提出方法与其他先进算法相比具有较高的竞争性,甚至是超越的.

基于分解多目标进化算法的光刻区调度方法

针对晶圆制造系统光刻区调度问题,考虑设备专用性约束、掩膜版数量约束及设备加工能力约束,以最小化总完工时间和光刻成本、最大化晶圆准时交付率和设备利用率为目标,提出了基于分解多目标进化算法的光刻区调度方法.针对非支配前沿点分布不均的问题,设计了基于聚类分析的参考点生成方法;综合考虑非支配解的分布均匀性、收敛性及计算资源的合理分配,改进了惩罚边界交叉聚合函数;设计了外部档案变邻域搜索方法,提高算法的求解质量和收敛速度.24组基准算例和晶圆制造仿真系统连续12个月的测试结果表明:提出的分解多目标进化算法相对于多种多目标进化算法,能够取得更好的收敛性和解的多样性.

面向航天元器件检测订单的调度方法

针对航天元器件检测品种多、批量小,检测任务集中、试验流程差异大、数据复用难度大的特点,建立面向航天元器件检测的订单调度框架,对多品类双特性资源进行差异化调度处理。构建以订单平均耗时与检测总成本最小化为目标的多目标优化模型,并提出一种基于局部优化的改进MOEA/D算法。同时考虑了多段式实数编码解码方案,结合以解方案可行程度为基础的局部优化算子与自适应惩罚函数,保证了种群中个体的质量与多样性。最后,以某航天元器件检测单位实际业务为案例进行方法验证,对比了所提算法与改进NSGA-Ⅱ算法、经典MOEA/D算法、NSGA-Ⅲ算法的优化效果,验证了所提方案在解决此类问题上的优越性。

基于改进MOEA/D的模糊柔性作业车间调度算法

针对实际生产车间中加工时间的不确定性,将加工时间以模糊数的形式表示,建立以最小化模糊最大完工时间和模糊总材料消耗为优化目标的多目标模糊柔性作业车间调度问题数学模型,提出一种改进基于分解的多目标进化算法(IMOEA/D)进行求解。该算法基于机器和工序两层编码并采用混合的初始化策略提高初始种群的质量,利用插入式贪婪解码策略对机器的选择进行解码,缩短总加工时间;采用基于邻域和外部存档的选择操作结合改进的交叉变异算子进行种群更新,提高搜索效率;设置邻域搜索的启动条件,并基于4种邻域动作进行变邻域搜索,提高局部搜索能力;通过田口实验设计方法研究关键参数对算法性能的影响,同时得到算法的最优性能参数。在Xu 1~Xu 2、Lei 1~Lei 4和Remanu 1~Remanu 4测试集上将所提算法与其他算法进行对比,结果表明,IMOEA/D算法的解集数量和目标函数值均较优,在Lei 2算例获得的解集个数为对比算法的2倍以上。

考虑双重集卡优先的闸口通道与场桥配置协同优化

双重任务集卡指在一次进出港中完成一次送箱作业与一次取箱作业的集卡,双重任务集卡能够有效地提高码头集疏运效率,在码头作业中应该具有更高的优先级。因此,本文研究考虑双重任务集卡优先级下的闸口通道与堆场场桥配置优化,在闸口部分设立双重任务集卡优先通道,在堆场部分考虑内集卡作业为第一优先级,双重任务外集卡为第二优先级,单一任务外集卡为第三优先级的3级集卡作业优先级,建立集卡在码头闸口和堆场的排队模型。结合排队模型,以最小化启用的闸口通道和配置的堆场场桥数量,以及最小化集卡的排队数量为目标,建立双目标混合整数规划模型,优化闸口通道与堆场场桥配置数量,提出结合逐点固定流体近似算法的多目标进化算法求解。数值实验证明了所提出方法的有效性,在码头资源配置相同的前提下,考虑双重任务集卡优先级,可减少21.82%的闸口处平均双重任务集卡排队数量和18.27%的箱区处平均双重任务集卡排队数量。

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。