分解协调的多Agent约束优化算法及应用

针对约束优化系统易陷局部优化的问题,提出了基于分解协调的多Agent约束优化算法(DCMACOA)。对可分系统,不同于传统的分解协调算法,DCMACOA选用各子系统间的关联变量为协调变量,借助于多Agent及生物免疫的进化思想,对各子系统优化及系统协调采用了多Agent免疫优化方法,优化搜索算子主要包括:邻域克隆选择、邻域竞争及邻域协作。工业流程和换热器面积优化仿真实例表明,相比传统的分解协调算法,DCMACOA能改善整体与局部的搜索性能,提高对可分系统的约束优化求解能力,具有较好的全局搜索性能。

计及多目标约束的成品卷烟销售订单配送调度优化

针对制造业供应链中的跨地域多运输中心大数据订单物流调度问题,对涉及多约束条件和多目标的异构运输车辆调度问题展开研究。根据烟草制造工业的实际运输任务需求,考虑制造订单安排、车辆准运证限制、运输车辆物理限制、运输时间窗、排产出库时间等实际约束,搭建了以包括车辆等待卷烟出库的最短运输时间,最低运输费用及最高车辆利用率为优化目标的成品烟物流车辆跨地域调度优化模型。设计了基于差分进化的混合多元宇宙算法(DE-MVO)用以解决该模型。最后基于某烟草工业企业的实际生产订单数据进行实验,将所设计的算法分别与粒子群(PSO)算法、差分进化(DE)算法、鲸鱼优化(WOA)算法、遗传优化(GA)算法、乌鸦搜索(CSA)算法、天鹰座优化器(AO)、多元宇宙(MVO)等前沿算法进行横向对比,对比结果表明所设计的算法在全局搜索能力、寻优精度等方面更优于其他算法,进一步表明所建立的模型在求解制造业供应链运输车辆调度问题中具有可行性。

时间窗约束下农产品物流配送路径优化研究

农产品需求量增加对物流配送提出较高挑战,基于此提出时间窗约束下农产品物流配送路径优化方法研究。依客户预期服务时间需求,取混合时间窗约束函数确定时间窗、物流配送车辆最大载重、配送路径长度与物流配送车辆约束条件,构建农产品物流配送路径优化模型;基于农产品物流配送需求改进传统遗传算法,求解构建模型,即获农产品物流配送路径优化结果。实验结果显示:相较生鲜农产品多车型冷链物流车辆路径优化,所提方法最优农产品物流配送路径获取迭代次数更少、配送路径长度更短、总成本更低,应用性能更佳。

带隐藏约束昂贵黑箱问题的自适应代理优化方法

针对带隐藏约束的昂贵黑箱全局优化问题,提出采用自适应转换搜索策略的代理优化方法。在转换搜索子步中采用与已估值点个数相关的标准差在当前最优点附近通过随机扰动生成候选点,以更好地平衡局部搜索和全局搜索。为更好地近似真实黑箱目标函数,采用了自适应组合目标代理模型。在50个测试问题上进行了数值实验,计算结果说明了所提算法的有效性。

基于约束区间算法的模糊优化问题的Karush-Kuhn-Tucker条件

主要研究带有不等式约束的模糊优化问题,利用截集构建了与原问题等价的区间值优化问题,基于约束区间算法(CIA)将所得区间值优化问题转为等价的非线性优化问题,从而达到了去模糊化的目的.首先,定义了带有模糊系数函数截集的导数,并利用Zadeh分解定理给出模糊函数的导数概念.其次,在正线性无关约束规范下,建立了模糊优化问题的Karush-Kuhn-Tucker(KKT)条件.最后,利用KKT条件求解具体的模糊优化问题.

基于自适应填充准则的昂贵约束优化算法

近年来,代理模型辅助的优化算法用于求解昂贵约束问题逐渐受到关注。这类算法中,选择个体进行真实昂贵约束和目标函数计算的策略将直接影响算法的求解结果。但目前的算法对模型更新操作不够严谨,为了解决在昂贵评价次数有限的情况下获得较好的可行解。该算法提出了利用可行规则法进行环境选择,并根据到目前为止是否找到可行解提出一种自适应的填充准则。该方法填充准则思路是:当样本库没有找到可行解时,利用可行性概率选择概率最大的个体进行真实评价。否则若至少找到一个可行解时,选择约束期望提高值最大的个体进行真实的昂贵目标函数和约束函数评价。该方法提高了高斯过程模型的准确度和进化种群的收敛能力。在实验对比上,10个测试函数和工字梁设计优化问题上的运行结果表明,该算法相比于已有针对昂贵约束优化问题的求解算法具有更好的寻优能力。

刚性约束下人民胜利渠灌区水资源优化配置方案研究

为解决人民胜利渠灌区水资源利用的“瓶颈”制约问题,创新性地构建了基于刚性水资源约束的灌区水资源优化配置模型,并引入高效的改进型非支配遗传算法(NSGA-II)求解,生成规划水平年2035年不同供水保证率的100组优化配置方案。采用结合层次分析法(AHP)与CRITIC权重法的综合权重计算方法,利用TOPSIS法进行方案排序与优选,从众多可行方案中遴选出最优配置方案,为人民胜利渠灌区水资源节约集约利用提供参考,并有助于实现水资源的可持续利用。

基于应力约束和启发式算法的建筑钢筋混凝土桁架结构拓扑优化方法

为了解决建筑钢筋混凝土桁架结构承载力较低的问题,文章提出了基于应力约束和启发式算法的建筑钢筋混凝土桁架结构拓扑优化方法。建筑钢筋混凝土桁架结构设计变量过滤处理为后续计算提供基础。根据轴心受力构件计算标准,构建应力约束条件。使用启发式算法中的组合优化方法,在MATLAB软件完成建筑钢筋混凝土桁架结构拓扑优化。试验结果证明:此方法具有较高的计算能力,可提升桁架结构的应力承载力至70.251J,得到最优优化结果。

空间约束下电动汽车无线充电系统结构优化

针对电动汽车无线充电系统在车辆底盘空间受限条件下面临的技术挑战,开展了系统的优化设计研究。通过对电磁场、小型化集成、多模态充电、智能调度、安全防护等方面进行深入分析,提出了一系列结构优化策略。研究表明:合理的线圈拓扑、磁芯材料选择可有效提升电磁耦合性能;采用先进的功率器件与集成封装技术可显著提高系统功率密度;多层多模复合充电可实现充电功率密度的大幅提升;智能调度系统可显著提高充电时间利用率;电磁屏蔽与参数优化可确保系统符合电磁安全标准。研究成果可为电动汽车无线充电产业化应用提供理论指导和技术支撑。

基于帕累托前沿关系求解约束多目标优化问题

为解决约束多目标优化问题中的平衡约束满足与目标函数优化以及可行域复杂等挑战,提出了基于不同帕累托前沿关系的分类搜索方法。提出一种双种群双阶段框架:进化一个辅助种群Pa和一个主种群Pm,并将进化过程分为学习阶段和搜索阶段。学习阶段,种群Pa向UPF(unconstrained Pareto front)进行搜索,而种群Pm向CPF(constrained Pareto front)进行搜索,旨在探索UPF与CPF之间的关系;完成学习后,对不同问题的UPF与CPF关系进行分类,以指导后续搜索策略;在搜索阶段,根据不同的分类关系,调整种群Pa的搜索策略,旨在使种群Pa为种群Pm提供更有效的辅助信息。基于此算法框架,对不同类型约束多目标优化问题的帕累托前沿关系进行了分类,实现了对CPF更有效的搜索。实验结果表明:所提算法与其他7种先进的约束多目标优化算法相比具有更显著的性能优势。通过学习与利用UPF与CPF的关系,能够选择更合适的搜索策略去应对具有不同特性的约束多目标优化问题,以获得更具优势的最终解集。

基于三维随机树算法的稠密约束环境铁路线路优化

铁路选线是一个复杂的工程问题,尤其是当稠密约束选线环境内存在起伏地形高差约束和大量障碍物时,现有计算机辅助线路设计方法往往需要耗费大量的计算时间和资源才能生成优化方案,甚至容易停滞,无法找到可行方案。为解决这一问题,提出一种三维快速搜索随机树算法以期快速生成满足所有约束的线路方案。首先,为避免随机树搜索陷入局部最优,提出平-纵整合式随机树启发式采样方法,将随机树搜索扩展到三维空间并实现对选线搜索区域的全面探索。其次,为了在线路搜索过程中高效提取相关环境信息,提出多源异构综合地理信息的统一管理方法,针对环境信息特点定制相应的储存策略,将地形、障碍物等环境信息离散到综合地理信息模型中,并在随机树搜索过程中动态处治障碍物约束。随后集成启发式采样方法和约束处治算子,提出随机树进化搜索方法,在随机树拓展过程中高效检索和处治障碍物,快速生成优化路径方案。最后,将此方法应用于一个真实稠密约束线路案例中,实验结果证明,此方法能实现对所有障碍物约束的空间绕避,并能快速产生优化线路方案,相比于人工方案,机选方案的造价降低了4.8%。实验结果表明此方法可以提高线路设计效率,为人工设计提供有价值的参考。

考虑车钩力约束的重载列车运行优化分层框架与迭代求解方法

重载列车具有超长编组、超大载重、运行线路复杂等特点,不合理的操纵易引起车钩力过大,甚至造成断钩或脱轨。为实现重载列车操纵在线优化,保障列车安全平稳运行,提出一种考虑车钩力精细化解算的速度曲线优化分层框架与迭代寻优算法。框架顶层基于等效的列车运行线性模型,将列车运行多目标优化问题转化为二次规划问题,实现操纵工况序列的快速求解;框架底层采用纵向动力学模型,刻画列车运行中的车钩力分布特征。迭代寻优算法将列车纵向冲动作为迭代终止判断条件,针对不满足车钩力约束的局部区段,对多目标优化模型中的牵引/电制动力约束进行动态调整,最终得到列车优化操纵曲线。采用实际线路2万t重载列车数据进行仿真分析,验证了本文所提分层框架和迭代算法可实现重载列车运行多目标优化问题的有效求解。

约束并行自适应代理模型优化算法及在弧形闸门优化设计中的应用

针对并行仿真技术下复杂大型工程结构的优化设计问题,将自适应代理模型优化和计算机并行计算技术相结合,提出一种基于约束并行自适应采样的代理模型优化算法。算法的采样方法由局部最小模型预测单加点策略和全局双目标约束多加点策略构成,通过构造约束期望提高函数和样本空间稀疏度函数对样本点进行筛选,使所获得的新样本点兼顾搜索目标函数局部最优区域和开发全局可行边界。通过对比分析测试算例与已有算法表明,该算法具有更好的优化效率、优化精度和稳定性。最后将算法运用于大型钢结构弧形闸门结构的多参数优化,分别采用3种自适应代理模型优化算法与基于静态代理模型的遗传算法进行求解,验证了所提算法的优越性。

多约束月面盘旋飞跃轨迹优化控制方法

针对无平移发动机月球探测器的多约束盘旋飞跃问题,给出了燃耗最优轨迹。盘旋飞跃划分为垂直上升段、平移段、垂直下降段,垂直上升段与垂直下降段的最优控制均为Bang-Bang形式。研究平移段最优轨迹时,考虑位置、速度、角速度等约束,首次把优化问题的控制变量由推力转化为角速度,然后基于Pontryagin极小值原理得到了最优角速度的初步形式,接着通过对奇异点连续性、控制变量切换次数的研究,得到最优角速度的最终形式由最大边值与最小边值组成且发生两次切换,最后提供了一种求解切换点的数值方法。仿真结果表明,该算法精度高、复杂度低,适用于在线轨迹优化。

截止日期约束的云中资源调度成本优化算法

随着越来越多的工作流应用程序部署在云端,如何在满足工作流截止期限约束的前提下优化资源调度成本成为一个热门研究领域。本文提出了一种截止日期约束的成本优化(CODC)算法。首先,合并工作流任务以减少不同实例之间的数据传输开销。其次,关注父任务和子任务对当前任务优先级的影响,并考虑任务的子截止日期未被满足的情况,以选择最早完成任务执行的实例。最后,在5种工作流上与现有算法进行对比。与3种对照算法相比,CODC算法具有更低的工作流执行成本。

水库群调度高维优化问题约束处理方法研究

随着水库群优化调度的调度规模的增加和调度时间步长的精细化,水库群调度高维优化问题的决策变量维度逐渐增加到数百数千维。在具有高维决策变量的梯级水库优化调度中,往往需要考虑多重复杂约束。现有传统优化方法在处理此类问题时难以找到有效可行解;而智能优化算法的多维度联动随机搜索,寻优空间大但寻优效率低。为此,本文提出了一种结合罚函数的嵌套DPSA–POA和智能算法的约束处理方法,将罚函数与DPSA–POA和智能算法嵌套,一方面可克服DPSA–POA收敛结果容易受初值影响和寻优空间狭窄的缺陷,另一方面可提升智能算法随机搜索策略的寻优效率。随后,本文以决策变量高达2 196维的赣江中游梯级水库群防洪优化调度问题为例开展分析,相关分析结果表明:1)结合罚函数嵌套DPSA–POA智能算法的3种约束处理方式,在不同来水情形下均能得到高维优化问题可行解;2)3种约束处理方式中,嵌套优化得到可行解后只进行DE优化的方式2收敛精度最高,计算时间约10 h;嵌套优化得到可行解后只进行DPSA–POA优化的方式3收敛精度次之,计算时间约1~3 h;3)现有可行解优先策略(SF)、随机排序策略(SR)、罚函数策略(PF)和ε–松弛约束策略(EC)配合现代智能算法,无法在不同来水情形下稳定收敛到可行解,且可行解的收敛精度相比本文提出的方法有明显差距。综上,本文提出的高维优化问题约束处理方法可有效解决水库群调度高维优化问题。

计及渗透率约束的风光火储系统容量优化及规律研究

为探索不同风光渗透率对风光火储系统容量配置及系统运行的影响规律,以风光火储联合发电系统为例,构建了考虑渗透率约束与火储联合控制的3层容量优化模型。首先,将黄金搜索优化(golden search optimization,GSO)算法引入容量优化配置求解中,给出不同渗透率约束下系统最佳容量配置,求得系统运行指标数据结果;然后,对所得结果进行最小二乘法曲线拟合,得到系统的经济性、可靠性和稳定性与不同渗透率之间的变化曲线;最后,系统地分析了曲线趋势变化的主要原因,可为风光等可再生能源系统容量优化配置及运行规划提供借鉴。

考虑动态频率约束的多能源电力系统日前-日内优化调度

提出考虑系统动态频率约束的含风电-电池储能-抽蓄电力系统协调优化调度策略。首先,建立含风电机组、电池储能和抽水蓄能的电力系统频率响应模型,并对系统调频响应过程进行分段线性化处理,降低计算的复杂度。然后,根据各机组的爬坡速度、启停约束、功率跟踪能力等因素的差异,建立日前-日内协调的多时间尺度优化调度模型。日前阶段制定考虑动态频率约束的火电机组和抽水蓄能的机组启停和出力计划;日内阶段优化电池储能的充放电状态计划,并调整火电和抽蓄的出力计划,促进风电消纳。最后,在含风电、变速抽蓄和电池储能的改进IEEE-39节点系统中进行算例分析,结果证明所提方法能提高系统频率稳定性,减少弃风量,兼顾电力系统经济调度和频率稳定目标。

基于双阶段搜索的约束进化多任务优化算法

高效地平衡算法的多样性、收敛性和可行性是求解约束多目标优化问题(CMOP)的关键;然而,复杂约束的出现给该类问题的求解带来了更大的挑战。因此,提出一种基于双阶段搜索的约束进化多任务优化算法(TEMA),通过完成两个协同进化的任务实现多样性、收敛性和可行性之间的平衡。首先,进化过程由探索和利用两个阶段组成,分别致力于加强算法在目标空间的广泛探索能力和高效搜索能力;其次,设计一种动态约束处理策略以平衡种群中可行解的比例,从而增强算法在可行区域的探索能力;再次,提出一种回退搜索策略,利用无约束Pareto前沿所包含的信息指导算法向约束Pareto前沿快速收敛;最后,在两个基准测试集中的23个问题上进行对比实验。实验结果表明,TEMA分别在14个和13个测试问题上取得最优反世代距离(IGD)值和超体积(HV)值,体现出明显优势。

分布式数据驱动的多约束进化优化算法

泛在计算模式下,数据分布式获取和处理带来了分布式数据驱动优化的需求。针对数据分布获取、约束异步评估且信息缺失的挑战,构建分布式数据驱动的多约束进化优化算法(DDDEA)框架,由一系列终端节点负责数据提供和分布式评估,服务器节点负责全局进化优化。基于该框架具体实现了一个算法实例,终端节点利用局部数据构建径向基函数(RBF)模型,辅助驱动服务器节点差分进化(DE)算法对问题进行寻优。通过与3个集中式数据驱动的多约束进化优化算法在两个标准测试集的实验对比,DDDEA在68.4%的测试用例中取得显著最优结果,在84.2%的测试用例中找到可行解的成功率为1.00,表明该算法具有良好的全局搜索能力和收敛能力。