采用多目标改进差分进化算法的环境经济发电调度

针对差分进化算法在迭代过程中可能出现的早熟收敛问题,在算法中加入早熟判定系数和混沌优化,提出了改进差分进化算法;将改进差分进化算法扩展到多目标规划领域,形成了多目标改进差分进化算法,并应用于多目标环境经济发电调度。根据模糊集方法从帕累托前沿中选择最优折衷解。以6机系统为例进行仿真计算,结果验证了本文所提多目标改进差分进化算法在解决环境经济发电调度中的可行性和有效性。

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%。

基于改进差分进化算法的自由曲面测量路径优化

为解决传统差分进化算法存在收敛速度慢、易陷入局部最优解以及由于个体选择的随机性导致求优稳定性差的问题,文章通过引入多重启动策略,多次运行算法并使用不同的随机种子,增加算法对空间的探索性,在一定程度上解决算法易陷入局部最优解问题;通过使用新的突变策略,在求优稳定性提高了约10%;通过引入参数自适应调节机制,动态地调整算法参数的取值,使收敛速度提高了约10%,并提高了算法的鲁棒性。

基于改进差分进化算法的动态防空资源分配优化

面对动态防空资源分配问题中存在的空袭目标突现和雷达、发射车等资源受干扰现象,在综合考虑雷达、发射车和导弹等武器装备性能的基础上,基于目标集、资源集建立了最小化目标总拦截价值与生存概率的混合整数决策模型。提出了一种新的改进差分进化算法进行求解,采用反向学习策略生成初始解,确保初始种群的质量,设计了一种快速修复与重构的启发式规则作用于多阶段,以提升算法的搜索能力。仿真实验验证了该算法具有求解时间和求解精度上的优越性。该研究能使武器系统在动态事件的随机影响下,保持高效的作战能力和决策效果。

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。

基于改进差分进化算法的步进式加热炉能耗预测方法

为了快速寻找到全局最优解,提高加热炉能耗的预测精度,提出基于改进差分进化算法的步进式加热炉能耗预测方法。首先,采用小波包原理对步进式加热炉的历史运行能耗数据展开去噪处理,提高能耗数据精度;其次,采用时间卷积网络建立步进式加热炉能耗预测模型;最后,采用差分进化算法对预测模型进行求解,采用禁忌搜索算法对适应度值排名前10%的优良个体进行进一步的搜索,使差分进化算法的全局最优解寻求能力得到改进提升。实验结果表明,所提出预测方法去噪效果较高,预测结果与实际能耗结果基本一致,并且最长预测耗时不超过2 min。

基于改进差分进化算法的起重机防摆控制技术

起重机运行过程中的加速和减速以及负载的变化会导致起重机负载摆动,影响起重机的运行效率。为保证起重机能够精准工作,减少意外事故发生,提出基于改进差分进化算法的起重机防摆控制技术。构建起重机系统的拉格朗日方程,利用非线性转换构建起重机状态模型;设置起重机运行限制条件,令系统功能指标函数达到理想状态;制定改进差分进化算法种群大小和个体矢量维数,增加群体的多样性,提高控制技术的收敛性,在适应度函数内加入系统超调量,控制起重机运行不发生碰撞。通过实验证明所提技术能够较好地控制起重机稳定运行,减少摆动情况出现。

基于改进差分进化算法的CCHP型微电网两阶段调度优化方法

由于CCHP型微电网两阶段调度需求的随机性,导致优化难度较大,难以找到有效的解决方案。因此,本文提出基于改进差分进化算法的CCHP型微电网两阶段调度优化策略。将微电网运行状态空间划分,构建CCHP型微电网两阶段调度优化模型,利用改进差分进化算法对微电网两阶段调度优化方案进行求解,实现CCHP型微电网两阶段调度优化。设计对比实验,实验结果证明该方法的调度转化效率最高,能够最大限度地利用。

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。

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.

基于改进差分进化算法的CFB锅炉主蒸汽压力建模

建立准确的主蒸汽压力数学模型对提升循环流化床(CFB)锅炉主蒸汽压力控制系统性能有着实际意义。受现场条件制约,近年来基于数据驱动的闭环建模已趋于实用化。针对模型参数辨识过程寻优速度和精度指标,提出一种引入两个权重系数的改进差分进化(IDE)算法。与传统差分进化算法相比,改进后的算法在模型参数辨识过程中的寻优速度和精度均有提升,辨识所得模型更加准确。该结果证明了改进后算法的稳定性。通过采集山西某电厂350 MW超临界CFB锅炉现场的实际运行数据并进行预处理,将燃料量和汽机阀门开度同时作为输入、主蒸汽压力作为输出,并利用IDE算法寻优得到主蒸汽压力的最佳模型参数。对比结果表明,模型有着更高的拟合度。该研究对350 MW超临界CFB锅炉主蒸汽压力优化控制有一定的指导意义。

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。

MaOEA/A2R:一种基于A2R支配关系的高维多目标进化算法

传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automatically reduced region Associated with the Reference vector).该支配方法在进化全过程中逐代缩减小生境规模,从而实现收敛性与多样性自动平衡,而且不引入额外参数.另外,提出利用基于L_(p)-范式(p=1/M,M为目标数)的拥挤距离度量高维目标解群的多样性.将上述两种策略嵌入到经典的NSGA-II(Nondominated Sorting Genetic Algorithm II)框架,设计一种基于A2R支配关系的高维多目标进化算法MaOEA/A2R(Many-Objective Evolutionary Algorithm base on A2R).该算法与其他5种代表性的高维多目标进化算法一同在5-、10-、15-和20-目标的DTLZ(benchmark MOP proposed by Deb,Thiele,Lau-manns,and Zitzler)和WFG(benchmark MOP pro-posed by Walking Fish Group)基准测试问题上进行IGD(Inverted Generational Distance)和HV(Hyper Volume)性能测试.结果表明,MaOEA/A2R算法总体上具有较好的收敛性和多样性.由此表明,MaOEA/A2R是一种颇具前景的高维多目标进化算法.

改进差分进化算法在铝电解多目标优化中的应用

针对多目标优化问题,提出一种改进的差分进化算法(DE)。该改进算法首先将DE与粒子群优化算法(PSO)结合,提高DE的收敛速度,然后引入多种群进化策略,有利于维持Pareto解的多样性。同时,在综合考虑机理与工艺的基础上建立铝电解多目标优化模型,并应用改进算法进行求解。仿真结果表明:在电流效率为92%时,改进算法所得的直流功耗为14.03 MW.h/t,比NSGA-II的直流功耗降低了1.45%,比传统DE的直流功耗降低了1.75%。表明本文改进算法有效地提高了传统进化算法的性能。

基于改进多目标差分进化算法的诺西肽发酵过程优化

诺西肽发酵存在着产量较低和生产效率不高的问题,多目标优化是解决此类问题的有效途径.将差分进化算法引入多目标优化,构建了改进的多目标差分进化算法(IDEMO).根据Pareto优劣等级和拥挤距离对种群进行选择操作,并引入自适应变异算子和混沌迁移算子以改善算法性能.在诺西肽分批发酵动力学模型的基础上建立了多目标优化的模型,并利用IDEMO对此优化问题进行了求解,优化结果表明了算法的有效性.

一种改进的基于差分进化的多目标进化算法

近年来运用进化算法(EAs)解决多目标优化问题(Multi-objective Optimization Problems MOPs)引起了各国学者们的关注。作为一种基于种群的优化方法,EAs提供了一种在一次运行后得到一组优化的解的方法。差分进化(DE)算法是EA的一个分支,最开始是用来解决连续函数空间的问题。提出了一种改进的基于差分进化的多目标进化算法(CDE),并且将它与另外两个经典的多目标进化算法(MOEAs)NSGA-Ⅱ和SPEA2进行了对比实验。

基于多变异个体的多目标差分进化改进算法

针对多目标差分进化算法在高维函数下收敛速度慢和易早熟的问题,提出一种基于多变异个体的多目标差分进化改进算法。通过在多目标差分进化算法的个体变异及交叉操作中,引入多个变异个体,使得在高维多目标函数情况下,多目标差分进化算法种群可以更好地保持多样性,减少种群陷入局部最优解的可能性,从而提高该算法在高维多目标优化问题环境下,最优值解的搜索速度及全局最优值解的查找能力。实验结果表明,在高维多目标环境下,与标准多目标差分进化算法相比,该算法可以更快速地找到多个目标函数组的非劣最优值解集。