基于大规模变量分解的多目标粒子群优化算法研究

含有大规模变量的多目标优化问题是目前多目标进化算法领域的研究重点.多目标粒子群优化方法具有收敛性良好、计算简单和参数设置少等优点,但随着优化问题决策变量的增多,"变量维度"成为了瓶颈.针对上述问题,文中提出的变量随机分解策略,增加关联变量分配到同组的概率,使得算法更好的保留变量间的关联性,并将合作协同进化框架融合到算法中,提出了基于大规模变量分解的多目标粒子群优化算法(CCMOPSO).将该算法在经典标准测试函数ZDT1、ZDT2、ZDT3、DTLZ1、DTLZ2变量扩展后进行仿真对比实验,采用加法二进制ε指标和超体积指标(HV)对算法收敛性和多样性进行对比分析,实验结果表明,在解决大规模变量的多目标函数中,变量维度越高,该算法比经典多目标算法MOPSO、NSGA-II、MOEA/D以及GDE3越具有更好的多样性与收敛性,同时使得计算复杂度明显降低.

一种适用于大规模变量的并行遗传算法研究

当前MapReduce并行编程模型得到了广泛的应用。相对于传统的基于PVM或者MPI的并行编程方式,它在执行时间和处理问题规模等方面有明显优势。针对并行遗传算法的特点,提出基于MapReduce实现一种典型的并行遗传算法——粗粒度并行算法的方法,用以解决大规模变量问题。实验平台采用Hadoop,硬件条件为普通的服务器集群。在多目标优化问题测试中,当问题规模达到一定、处理变量数超过10E+7时,并行算法效率比串行提高数倍,并且能突破内存瓶颈。根据MapReduce自身特点调整其参数,改变并行程度,分析其对并行执行时间的影响。

超大规模变量结构敏度求解技术研究

针对超大规模变量结构优化中的敏度求解问题,深入系统地研究了全解析法高效位移敏度求解理论,推导了壳单元微分刚度矩阵的解析表达式,引入虚位移法解决了结构刚度矩阵求逆运算,进而给出了位移敏度全解析表达式。采用科学高效的程序流程组织方法在HAJIF系统平台上开发了超大规模变量结构位移敏度快速求解模块。与差分法和半解析法的对比结果表明:本文算法敏度结果具有较高的可靠性;超大规模变量位移敏度算例测试表明本文算法效率约为差分法的70余倍,敏度结果一致性较好,所开发的模块能够高效可靠的解决超大规模变量位移敏度求解问题。

无参分组大规模变量的多目标算法研究

目前大多数多目标优化算法没有考虑到决策变量之间的交互性,只是将所有变量当作一个整体进行优化。随着决策变量的增加,多目标优化算法的性能会急剧下降。针对上述问题,提出一种无参变量分组的大规模变量的多目标优化算法(MOEA/DWPG)。该算法将协同优化与基于分解的多目标优化算法(MOEA/D)相结合,设计了一种不含参数的分组方式来提高交互变量分组的精确性,提高了算法处理含有大规模变量的多目标优化算法的性能。实验结果表明,该算法在大规模变量多目标问题上明显优于MOEA/D及其它先进算法。

基于混合变量动态分组的大规模多目标进化算法

变量分组是解决大规模多目标优化问题的有效途径。针对混合变量分组存在的问题,文章提出基于混合变量动态分组的大规模多目标进化算法来对混合变量进行更精确的分组,通过控制变量分析中个体非支配排序后第一层的个体数与采样数的比例来挖掘混合变量的动态特征。本文算法MOEA/DVA-F与其他三种经典的大规模多目标进化算法一同在LSMOP1~LSMOP5测试问题上进行IGD性能测试,实验结果表明,MOEA/DVA-F算法具有较好的收敛性和多样性。由此表明MOEA/DVA-F算法是一种有前途的大规模多目标进化算法。

航空结构大规模并行分析与优化应用

针对飞机设计精细化数值分析模型自由度已经达到亿级,对高性能计算的要求也越来越高的问题,围绕大规模并行计算环境下结构分析和优化的若干关键问题,研究满足高性能计算体系特点的区域分解并行算法、超大规模结构变量敏度高效求解和结构非线性振动特性求解等关键技术.对国产CAE软件HAJIF进行并行化改造,初步实现基于最大航程的气动结构综合优化设计和基于精细化模型的复合材料机翼综合优化设计.HAJIF的计算效率和精度得到明显提高.

周期性变量分解的多目标进化算法研究

大规模全局优化问题是目前多目标进化算法领域的研究热点和难点.随着优化问题决策变量增多,计算复杂度剧增.针对上述问题,本文给出周期性分解策略,将合作协同融合到多目标粒子群算法中,给出了周期性变量分解的多目标粒子群优化算法(PDMOPSO).将该算法在标准测试函数ZDT1、ZDT3、ZDT6以及DTLZ1、DTLZ2变量扩展后进行仿真实验,并用ε指标和超体积指标对算法性能进行对比分析.实验结果表明,该算法在解决大规模变量的多目标函数中,变量维度越高,比经典多目标优化算法具有更好的多样性与收敛性,同时计算复杂度显著降低.

基于决策变量交互识别的多目标优化算法

当前求解大规模优化问题的关键在于决策变量的有效分组。随着决策变量规模的增大,决策变量间以及决策变量与目标函数间的关系愈加复杂。在总的适应度评价次数给定的条件下,决策变量分组所消耗的适应度评价次数越多,种群进化过程中所剩适应度评价次数越少,从而影响算法收敛能力,导致解集质量下降。为解决以上问题,首先,提出了一种决策变量交互识别策略,该策略能够以较少的适应度评价次数,识别决策变量的潜在交互结构并形成子组件,实现每个子组件间关联性最小;其次,在决策空间中根据个体间角度来划分每个子组件的邻域范围;最后,结合MOEA/D算法框架,提出了MOEA/D-IRG(基于决策变量交互识别的多目标优化)算法分别独立优化各个子组件。仿真实验结果表明:在LSMOP1-4测试问题上,随着决策变量规模的增加,MOEA/D-IRG算法性能明显优于NSGA-II、MOEA/D和S3-CMA-ES算法,所获解集质量更高。

多离散变量桁架结构协调优化研究

文中针对履带起重机复杂的桁架结构,提出了非均匀离散变量优化策略与非线性力学分析相耦合的协调优化新方法。首先,考虑设计参数之间的协调关系,在离散变量直接搜索方法中嵌入变量协调条件;再耦合结构非线性有限元分析,为优化了提供结构性能隐式约束条件;形成适合工程结构快速优化的一种新的优化方法。最后,以多种类型参数为设计变量对桁架结构工程实例进行了优化。文中优化的动臂充分利用了材料的承载能力,表明将离散变量优化策略与结构非线性有限元分析相结合的复杂桁架结构优化方法是有效的,该方法可解决设计变量较多的大规模结构优化工程问题。

LSMOEA/2s:一种基于变量两阶段分组的多目标进化算法

大规模多目标优化问题(Large-Scale Multi-objective Optimization Problem,LSMOP)固有的性质给多目标进化算法(Multi-Objective Evolutionary Algorithm,MOEA)带来挑战。目前大多数大规模多目标进化算法(Large-Scale Multi-Objective Evolutionary Algorithm,LSMOEA)需要耗费较多的计算资源对大规模决策变量进行分组,使得用于优化问题解的计算资源相对不足,影响了算法效率和解题性能。基于此,本研究提出一种基于变量两阶段分组的多目标进化算法(Large-Scale Multi-Objective Evolutionary Algorithm adopting two-stage variable grouping,LSMOEA/2s)。新算法首先利用基于变量组的相关性检测方法快速识别独立变量,然后利用高频次随机分组方法将非独立变量划分成若干子组,最后利用MOEA/D算法优化所有的独立变量和非独立变量子组。将所提算法与当前4种代表性算法(MOEA/D、CCGDE3、RVEA、S3-CMA-ES)一同在LSMOP系列测试问题上进行反转世代距离(Inverted Generational Distance,IGD)性能测试,结果表明,LSMOEA/2s较其他算法具有显著的性能优势。

基于Spark的并行遗传算法研究

当前Spark分布式编程框架由于内存计算得到了快速发展,相对于传统Map Reduce并行编程模型在迭代运算上有明显优势。针对串行遗传算法处理大规模问题能力有限的现状,提出了一种基于Spark平台的粗粒度并行遗传算法(SPGA)。该方法利用Spark框架并行实现了遗传算法的选择、交叉和变异操作,并对并行操作算子的性能进行了分析,优化了算法并行化实现方案,极大地提高了遗传算法全局搜索效率。实验结果表明,新的并行遗传算法在收敛速度上有显著的提高,能够很好地提高优化效率。

高性能计算在多学科大变量飞机优化设计中的应用

波音、空客等公司飞机设计中采用的先进设计手段之一是基于高性能计算的多学科、大规模设计变量优化的应用。目前我国的高性能计算在硬件方面已处于世界领先水平,但在工程应用系统方面还无法满足需求。文章介绍了以工程实际需求为导向,以高性能计算资源为辅助手段,基于飞机设计需求而开发的多学科、大变量的并行计算软件系统及计算平台,以及利用该平台实现的航空应用算例。