基于多目标决策协调模型的粒子群算法及其收敛性分析

PSO在求解高维多目标优化问题对有限个体用排序策略来寻找Pareto最优个体时,粒子群体中个体之间很难进行Pareto排序比较,或出现所有个体皆有Pareto最优解而无法实施正常的个体选优.为此,提出了一种基于多目标决策协调模型的粒子群算法,该算法将运筹学多目标决策的协调模型引入粒子群迭代过程,群体按协调模型使用偏好信息进行排序,而不是基于Pareto优于关系对当代群体进行个体排序.实验表明,该算法对解决高维多目标问题行之有效,且具有较快的收敛速度.

计及风险控制的多区域ATC概率优化协调决策模型与方法

在电力市场环境下进行多区域可用输电容量(ATC)决策时,需要在维持系统安全运行与风险可控的前提下优化分配和协调利用现有的输电网络资源。利用非序贯蒙特卡洛仿真导出指定子区域在各种不确定性因素影响下的ATC概率密度分布,在此基础上构造能够使得风险收益最大化的多区域ATC概率优化协调决策模型,并利用多目标非支配排序遗传算法(NSGA-Ⅱ)进行求解,由该模型得到的各区域ATC计及了系统运行中有关不确定性因素所引起的风险成本和区域间同步协调问题。以IEEE 118节点测试系统为例对所发展的模型与采用的算法的基本特征进行了说明。仿真结果表明,电力系统运行中的不确定性以及不同区域的相对重要程度影响多区域ATC的决策风险。

排课问题的一种遗传算法适应度求解方法

排课问题的多个优化目标间可能是冲突的,如何有效优化求解的多个目标,是排课问题的关键。适应度计算方法影响遗传算法的采样空间和执行效率,研究适应度的求解方法有助于解决多目标优化问题。利用多目标决策协调模型进行排课问题的改进适应度求解方法的研究,以优化遗传算法的采样空间,加快算法的收敛。把该方法应用到排课问题中,实验结果表明对目前仍没有较好解决方法的组合优化问题,可以得到比较容易的解决。