基于多目标粒子群优化算法的动力电池仿生冷板结构优化设计

为了提高锂离子电池的冷却效果,提出一种高度对称的仿生网状流道冷板。首先,利用单因子分析法分析了冷板结构参数对其性能的影响,然后,以冷板的平均温度、温度标准差和冷却液压力损失为性能指标,采用多目标粒子群优化(MOPSO)算法对冷板的结构参数进行了优化,得到性能最优时的流道宽度、流道深度和冷板壁厚分别为9.0 mm、1.5 mm和1.4 mm,对应的平均温度、温度标准差和压力损失分别为33.20℃、1.33℃和65.63 Pa,相比于初始结构参数,优化后的平均温度和温度标准差分别下降1.92℃和0.02℃,但压力损失增大27.10 Pa。最后,在电池模组层面验证了优化结果。

机械臂空间轨迹的非支配扰动粒子群算法优化

为了减少机械臂工作时间同时减小机械臂的运动冲击,提出了基于非支配排序扰动粒子群算法的机械臂轨迹多目标优化方法。以那智MZ04机械臂为研究对象,对机械臂空间轨迹规划问题进行描述,并建立了时间最少、冲击最小的多目标优化模型。在粒子群算法中融入了扰动策略和非支配排序策略,扰动策略使粒子不再向固定的种群最优学习,而是向种群最优邻域学习,有效维持了粒子多样性并提高了算法优化能力;将非支配排序扰动粒子群算法应用于机械臂轨迹规划,其Pareto前沿解优于非支配排序粒子群算法。将非支配扰动粒子群算法和非支配粒子群算法的时间、冲击等权重解进行比较可以看出,非支配扰动粒子群算法规划路径的时间和冲击均优于非支配粒子群算法,且轨迹连续、平滑,运动轨迹参数在约束范围内,证明了非支配扰动粒子群算法在机械臂轨迹规划中的有效性。

基于多目标粒子群的景电二期梯级泵站优化调度研究

梯级泵站在调度运行过程中,设法降低工程运行成本、保障运行安全具有重要意义。针对大型梯级泵站运行特点,以甘肃景电二期工程总干渠一泵站至六泵站(PS1—PS6)为例,建立以运行费用最小和级间水位变幅最小为优化目标,水泵叶片角度为决策变量的多目标优化调度模型,提出梯级泵站优化调度方案,从而为灌区梯级泵站节能降耗运行提供技术支撑。结果表明:优化方案(M1—M6)在谷电价时段的抽水量比峰电价时段高73295~125733m^(3),而实际方案(M0)在两个时段的抽水量基本相同;与实际方案(M0)相比,优化方案(M1—M6)平均单位提水成本降低7.9%~27.15%;M0的平均水位变化量为0.09m,比M1—M6(0.071~0.036m)的平均水位变化量大0.019~0.054m;各优化方案中,降低梯级泵站平均单位提水成本的最有效途径是提升一泵站(PS1)效率。运行成本和安全性方面最佳方案分别为M1方案和M6方案,且大多数优化方案都优于实际方案。

基于多目标粒子群优化的微电网最优调度

针对包含光伏、风力发电机、蓄电池和柴油发电机的微电网经济优化问题,构建以功率平衡、分布式资源出力与运行等为约束条件,以最小运行成本和环境污染物排放量为优化目标的多目标优化调度模型,基于多目标粒子群算法对微电网经济优化问题进行求解。算例仿真验证该优化方法具有更优的准确性和性能,可有效支撑微电网的经济优化运行。

基于Pareto邻域交叉算子的多目标粒子群优化算法

针对粒子群优化(PSO)算法局部搜索能力不足的问题,提出一种基于Pareto邻域交叉算子的多目标粒子群优化算法(MPSOP)。该算法利用粒子群优化算法和Pareto邻域交叉算子相结合的策略产生新种群,并利用尺度因子在线调节粒子群优化算法和Pareto邻域交叉算子的贡献量。数值实验选取6个常用测试函数并对NSGA-Ⅱ、SPEA2、MOPSO三个多目标算法进行比较,数值实验结果表明MPSOP算法的有效性。

基于粒子群算法求解多目标优化问题

粒子群优化算法自提出以来 ,由于其容易理解、易于实现 ,所以发展很快 ,在很多领域得到了应用 通过对粒子群算法全局极值和个体极值选取方式的改进 ,提出了一种用于求解多目标优化问题的算法 ,实现了对多目标优化问题的非劣最优解集的搜索 。

基于拥挤距离排序的多目标粒子群优化算法及其应用

针对多目标粒子群算法在全局寻优能力和Pareto集多样性上的不足,提出基于拥挤距离排序的多目标粒子群算法。该算法采用精英策略,基于个体拥挤距离降序排列,进行外部种群的缩减和全局最优值的更新,并在内部粒子群中引入小概率变异机制,增强算法的全局寻优能力,控制Pareto最优解的数目,同时保证其收敛性和多样性特征。在电梯曳引性能的多目标优化应用中,证明了该算法对于两目标和三目标优化问题求解的有效性。不同规模实例的运算对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于改进强度Pareto进化算法,且缩短了运算时间,具有较高的效率与鲁棒性。

基于小生境粒子群算法的公差多目标优化设计

为解决产品设计中的公差优化问题,提出一种基于小生境粒子群算法的公差多目标优化方法。以加工成本、质量损失成本和公差敏感性为优化目标,以装配功能要求和加工能力为约束条件,建立了公差多目标优化模型。对标准粒子群算法进行改进,根据小生境数和Pareto优劣性确定孤立粒子,并通过个体历史最优粒子与孤立粒子的变异、选择操作更新粒子的个体历史最优位置;利用Pareto支配数排序更新粒子群的全局最优位置。利用改进的粒子群算法对公差多目标优化模型进行求解,得到分布均匀的Pareto前沿。设计并开发了原型系统,通过实例验证了该方法的有效性。

基于多目标粒子群优化的服务选择算法

基于多目标粒子群优化算法提出一种高效的服务选择算法(MOPSOSS).首先将服务选择问题建模为带QoS约束的多目标组合优化问题;其次,根据支配的概念构造远小于原子服务集的新子服务集;最后基于多目标粒子群优化算法求解由新子服务集构成的服务选择问题,从而获得一组满足约束的pareto最优解.理论分析表明,MOPSOSS能正确、高效地求出原问题的全局最优解.与遗传算法(GA)的对比结果表明当问题规模大于150时,MOPSOSS的平均运行时间仅为GA的7%,求出的解的个数是GA的1.15倍,75%的解能支配GA求出的解,分布广度是GA的1.5倍.随着约束强度的增加,MOPSOSS的平均运行时间减少,而解的质量并无显著下降.与GA相比,MOPSOSS能用更短的时间求出更多高质量的解.

基于粒子群优化算法的电网GIC-Q多目标优化策略

地磁感应电流(GIC)流经变压器绕组会产生直流偏磁现象,造成变压器无功损耗增加,破坏电网无功平衡,影响电网安全稳定运行。为了有效地抑制GIC对电网的不良影响,以无功补偿设备成本和电压偏移量最小为目标,提出一种基于粒子群优化算法的多目标无功优化策略,保证地磁场扰动下电网无功平衡。所提策略利用小生境共享机制不断更新粒子位置,并依据拥挤距离排序对Pareto最优解进行存档,保持解的多样性和均匀性;引入混沌变异避免陷入局部最优解,同时提高全局搜索能力。GIC标准算例的仿真结果验证了所提策略的准确性和有效性。

多目标粒子群算法用于补料分批生化反应器动态多目标优化

多目标优化是过程系统工程的重要课题,通常以加权或约束方式将其转换为单一目标,未能反映多目标间的复杂关系,不利于随时根据需求作出有效的决策。基于群智能的粒子群算法具有全局优化性能,且易于实现。为使其适于多目标优化,应拓展功能,实施改造。以Pareto支配概念评价种群个体的优劣,设计了确定局部最优点和全局最优点的操作。又利用各粒子的局部最优点信息进行速度更新,以加强种群的多样性,避免因早熟而陷于局部最优。还设置了外部优解库,并通过分散度计算,以适当的策略进行更新,使之逐步均匀地逼近于Pareto最优解集。由此构建一种多目标粒子群优化算法(multi-objective particle swarm optimization,MOP-SO),并用于补料分批生化反应器的动态多目标优化,取得了满意的结果。可基于所搜得的Pareto最优解集,分析目标间的关系,为合理决策提供有效的支持。经与NSGA-II比较,MOPSO算法具有更为优良的性能。

基于多目标粒子群算法的配电网多目标优化重构

本文建立了系统有功损耗、节点最低电压幅值及开关操作次数的配电网多目标优化重构模型,并运用多目标粒子群优化算法求解。多目标粒子群算法的关键是如何选取个体的极值和全局极值,本文依据Pareto支配关系对个体极值进行选择,外部存储器就是全局极值的候选解集,计算外部存储器中各粒子与其他粒子的海明距离之和并作为各粒子的适应值,然后采用与适应值呈比例的轮盘赌方式选取粒子的全局最优位置,避免种群多样性的丧失。带时限的粒子全局极值淘汰策略使粒子能跳出局部最优,防止算法早熟收敛,保持了良好的收敛性。通过IEEE 33节点测试系统仿真计算,实验结果表明了该方法的可行性和有效性。

基于多目标粒子群算法的冲压成形工艺优化

基于Pareto最优解集的多目标粒子群优化算法和有限元方法,提出了一种解决板料冲压成形工艺优化的方法。以方盒件冲压成形为例,将最大增厚率和最大减薄率作为目标函数,以压边力、模具间隙、摩擦系数、冲压速度和凹模圆角半径作为设计变量,建立多目标数学模型。首先运用正交设计安排有限元仿真,然后利用RBF神经网络建立冲压成形工艺参数与厚度变化率之间的近似模型,再利用基于Pareto最优解集的多目标粒子群优化算法对冲压工艺参数优化得到一组非劣解集,最后从非劣解集中选取一组最优粒子。结果表明,利用该方法能快速、有效获得最优参数,起皱现象明显改善,避免产生破裂。

基于动态聚集距离的多目标粒子群优化算法及其应用

为了增加Pareto集的多样性,提高多目标优化的全局寻优能力,提出了一种基于动态聚集距离的多目标粒子群算法(DCD-MOPSO)。该算法利用改进的快速排序方法来减少计算量,采用动态变化的惯性权重和加速因子以增强算法的全局寻优能力,并基于动态聚集距离对外部集进行维护以增加Pareto集的多样性。通过典型测试函数的仿真实验和应用实例对DCD-MOPSO算法性能进行了分析,并与多目标优化算法MOPSO和NSGA-Ⅱ进行了比较。结果表明,DCD-MOPSO算法收敛速度较快,且得到的Pareto集分布均匀。

基于改进粒子群算法的牵引供电系统多目标优化设计

针对以往牵引供电系统的设计过于依赖专业人员的经验及难以全局寻优的问题,并且为满足牵引供电系统精细化设计的要求,采用车—网耦合系统模型和负荷潮流分布计算仿真的方法,以主要设计原则为约束条件、以全线总容量和平均有功功率损耗最小为目标,构建牵引供电系统多目标优化模型;为提高模型求解过程中的全局搜索能力和收敛速度,设计基于Pareto熵的混沌多目标粒子群优化算法;应用模糊隶属度函数计算Pareto解集中各个目标函数对应的满意度值,以确定最终的系统优化方案。以某高速铁路牵引供电系统设计为例,用给出的模型及算法进行系统的优化设计,并与用ELBAS/WEBANET软件和传统的供电计算方法得到的系统优化方案比较,验证了模型和算法的正确性和可行性。

公差设计多目标模型及其粒子群优化算法研究

为解决成本—公差设计模型中忽视产品质量的问题,以新型的田口质量观和Pareto最优解集概念为基础,提出了一种公差设计多目标模型。该模型将加工成本和质量损失分别作为设计目标,并以统计法公差装配成功率为约束条件,获得了比极值公差法更加宽松的公差限。改进了传统的粒子群优化算法,利用Pareto最优性重新定义粒子,然后采用快速非支配排序技术进行粒子的适应度排序,使其能够有效地对多目标模型进行求解。该算法对具体工程实例求解时,一次运行就可求得令人满意的Pareto最优解集,设计者可以根据生产实际和市场需求从中进行选取。通过对求得的Pareto进行最优前沿的分析,可得到该类零件公差设计的特性,其结果验证了公差设计的一般规律。

基于混合粒子群算法的数控切削参数多目标优化

为选择合理的数控切削用量,建立了加工成本和数控切削加工效率的数学模型。针对模型其多约束、非线性的特点,采用约束违背度方法处理约束条件。为避免算法陷入局部最优,两次引入Metropolis抽样准则,提出混合多目标粒子群优化算法(HMOPSO)求解。最后采用层次分析法选择最优Pareto解,并通过实例计算对所提出方法进行了验证。

基于混沌的多目标粒子群优化算法

针对多目标优化问题,提出了一种改进的粒子群算法。该算法为了寻找新解,引入了混沌搜索技术,同时采用了一种新的方法——拥挤距离法定义解的适应度。并采取了精英保留策略,在提高非劣解集多样性的同时,使解集更加趋近于Pareto集。最后,把算法应用到4个典型的多目标测试函数。数值结果表明,该算法能够有效的收敛到Pareto非劣最优目标域,并沿着Pareto非劣目标域有很好的分散性。

一种改进的多目标粒子群优化算法

提出一种改进的多目标粒子群优化算法,该算法采用精英归档策略,由档案库中的非劣解提供粒子速度更新时的全局最优位置,根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的线密度度量非劣解前端的均匀性,通过删除小密度的非劣解提高非劣解前端的均匀性。针对多目标进化算法理论型指标的不足,设计了应用型评价指标。标准函数的仿真实验结果表明,所提算法能够获得大量的非劣解,快速地收敛于Pareto最优解前端,且分布比较均匀。

求多目标优化问题的粒子群优化算法

将粒子群优化算法应用于求解多目标优化问题,提出一种双向搜索机制,指导粒子向着搜索空间中非劣目标区域以及粒子分布最为稀疏的区域这两个方向进行寻优,进而提出了求解多目标优化问题的基于粒子群优化算法的双向搜索法,该算法对粒子全局最优经验的选择策略以及粒子群的状态更新机制进行了改进。实验研究表明,该算法不仅能快速有效地获得多目标优化问题的非劣最优解集,而且求出的解集具有良好的分布性。