一种基于有限K近邻的强度帕累托进化算法

在航天器控制计算机的软硬件协同设计过程中,需要解决多目标优化问题。当前的强度帕累托进化算法在求解高维多目标优化问题时具有优势,但是在环境选择阶段的计算时间复杂度仍然较大。文章针对这一问题,提出了一种改进算法。新的算法采用有限K近邻方法,减少了原算法中K近邻策略的比较次数,使时间复杂度由O(M3)下降为O(max(l,log M)M2)。试验结果表明文中算法的计算速度更快,并且具有更优的收敛性和分布多样性特征。

混合分解和强度帕累托多目标进化算法

在多目标进化优化中,使用分解策略的基于分解的多目标进化算法(MOEA/D)时间复杂度低,使用强度帕累托进化算法-2(SPEA2)能得到分布均匀的解集。结合这两种策略,提出一种新的多目标进化算法用于求解具有复杂、不连续的帕累托前沿的多目标优化问题(MOP)。首先,利用分解策略快速逼近帕累托前沿;然后,利用强度帕累托策略使解集均匀分布在帕累托前沿,利用解集重置分解策略中的权重向量集,使其适配于特定的帕累托前沿;最后,利用分解策略进一步逼近帕累托前沿。使用的反向世代距离(IGD)作为度量标准,将新算法与MOEA/D、SPEA2和paλ-MOEA/D在12个基准问题上进行性能对比。实验结果表明该算法性能在7个基准问题上最优,在5个基准问题上接近于最优,且无论MOP的帕累托前沿是简单或复杂、连续或不连续的,该算法均能生成分布均匀的解集。

基于帕累托最优的配电网多目标规划

提出了一种能够反映配电网结构合理程度的可靠性指标——网络风险指数,并建立了以配电网投资费用、网络损耗和网络风险指数为目标函数,综合考虑经济性和可靠性的配电网规划模型。设计了一种基于节点关联矩阵的网络修复算法,能够对随机生成的网络中的孤岛、孤链和闭环进行检测和修复,使网络满足配电网辐射状要求。对强度帕累托进化算法进行了改进,给出了新的适应度函数,以提高算法的搜索速度和搜索能力,并利用逼近理想解排序法(TOPSIS)对帕累托前沿中的个体进行排序,筛选出最优方案。最后,对一个54节点配电网进行规划,结果表明网络风险指数与配电网的停电损失具有极强的线性相关性,其可以作为表征配电网可靠性的指标;与传统强度帕累托进化算法相比,所提改进算法具有较强的搜索能力和较快的搜索速度。

计及输电阻塞的帕累托最优多目标电网规划

在解除管制环境下,要求输电扩展规划有效缓解输电网络阻塞,文中分别以年阻塞盈余、线路投资费用和系统缺电成本为规划目标,基于帕累托(Pareto)多目标最优建立综合考虑阻塞问题、经济性和可靠性的多目标电网规划模型,并通过一种改进的强度帕累托进化算法(strength Pareto evolutionary algorithm,SPEA),实现对模型的求解。建立一种基于多维空间欧氏距离的排序方法,实现帕累托最优解集范围内的优化决策。18节点系统算例表明通过改进SPEA可以有效形成分布均匀的帕累托解集,并且所提多目标规划方法能够缓解和控制规划网络的输电阻塞。

基于帕累托最优的电力CPS多目标防御策略研究

针对低频率高损失的电力CPS蓄意攻击事件,基于博弈论思想及理性人假设,建立了两阶段多目标模型,并通过求解帕累托最优,为电网防御人员制定防御方案提供了参考。第1阶段以直流潮流建模,基于线性规划遍历求解经调度人员合理应对后的所有攻击方案的最小攻击损失。第2阶段基于强度帕累托进化算法SPEA求解多目标模型,得到利用最少的“人财物”等防御资源实现最佳防御效果的帕累托前沿,并给出了整个博弈过程的纳什均衡。最终通过修改的IEEE14节点系统验证了该方法的有效性。

基于多目标进化算法的异步电动机现场效率测算

介绍了一种基于多目标进化算法（MOEAs）的异步电动机现场实时效率测定方法。通过对多目标算法进行优化、比较，提出使用非支配排序遗传算法Ⅱ（NSGA—Ⅱ）和强度帕累托进化算法2（SPEA2）的低侵入式方法用于异步电动机效率估算，仅需电动机运行时通过传感器检测其实时转子速度和定子电阻，而无需拆下电动机或单独做一些实验项目来获取所需参数。通过5．5kW电动机的实践表明，该方法在估算异步电动机效率方面是有效的，尤其在常规的负载范围内，用该方法的估算值与实际试验值的误差小于3％；相互比较后发现，NSGA—Ⅱ方法的估计结果略优于SPEA2方法的结果。

自适应选择进化算法的多目标无功优化方法

基于帕累托最优概念的多目标进化算法在电力系统无功优化领域已有广泛应用,但目前通过某种单一算法求解的方式由于进化算子的唯一性,难以保证进化过程不同寻优阶段的普适性和鲁棒性,因此提出一种基于多种进化算法自适应选择的多目标无功优化方法。通过分析已有多目标进化算法的特征,考虑协调性与互补性,建立包含4类算法的备选池;在进化过程不同阶段根据寻优性能自适应地确定备选算法的使用比例,从而综合多种算法的性能优势,提高整体寻优效率。以IEEE 30节点标准系统的多目标无功优化为算例,从帕累托前沿、外部解及C指标等方面与已有单一算法的优化结果进行比较,表明所提新方法在整个进化过程中都显示出了更优的收敛特性。

多目标进化算法求解无功优化问题的比较与评估

多目标进化算法在电力系统无功优化领域已有广泛应用,目前研究主要集中于引入某种单一算法求解该问题,难以全面客观地分析算法的寻优性能。因此选取当前典型的多目标进化算法,从整体角度对它们在无功优化问题中的应用展开比较研究。与传统设定偏好参数、将多目标问题转化为单目标问题的方法不同,直接采用计及系统网损与电压偏移的多目标模型。以IEEE 30节点标准系统的多目标无功优化为算例,从非支配解集质量和多样性、帕累托前沿分布广阔性和均匀性及收敛速度等角度,比较算法的寻优性能,分析其优势或不足。在评估各种算法计算性能的基础上提出了进一步研究的展望。相关结论对多目标进化算法在无功优化问题中的应用和改进具有一定的参考价值。

多目标进化算法求解无功优化问题的对比分析

对经典的多目标进化算法(multi-objective evolutionary algorithms,MOEAs)在电力系统无功优化中的应用展开比较研究。与传统设定偏好参数、将多目标问题转化为单目标问题的方法不同,直接采用计及系统网损与电压偏移的多目标模型。提出无功优化多目标进化算法统一框架,采用一致的编码策略、约束处理方法。以IEEE30节点标准系统的多目标无功优化为算例,从帕累托前沿、外部解及C指标等方面,比较各种算法的性能特点,并按照其优劣将算法分为5个性能等级。参考算法的性能等级,详细分析每种算法的优缺点。相关结论对MOEAs在无功优化及电力系统其他优化问题中的应用和改进,都具有一定的参考价值。

多目标进化算法中基于动态聚集距离的分布性保持策略

提出了基于动态聚集距离(DCD)的分布性保持策略,利用个体在不同维目标上聚集距离的差异程度来定义DCD,并在种群维护中动态地计算DCD。与目前经典算法NSGA-Ⅱ和ε-MOEA进行比较,实验结果表明DCD能在较大程度上提高分布性,并得到较好的收敛性。

基于多种群改进差分进化算法的环境/经济电力调度优化

应用多种群改进差分进化算法求解环境/经济电力调度(Environmental/Economic Dispatch,EED)这一多目标优化问题。将多种群策略引入差分进化算法,有助于保持群体多样性,有效避免经典差分进化算法的早熟收敛问题。采用自适应变异因子及交叉因子,使算法在搜索初期保持全局搜索能力,在搜索后期增强局部搜索能力,加快收敛速度。将该算法应用到IEEE 30节点-6机组系统的环境/经济调度优化,仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。

基于多目标多任务进化算法的含可再生能源混合发电系统优化调度

可再生能源发电的快速发展为电力系统的安全和经济运行带来了新的挑战。在此背景下,构建了能够计及火电阀点效应非线性,风电、光伏发电系统出力不确定性和水电一次能源浪费的多目标优化调度模型。假设风速服从Weibull分布、光照服从Beta分布的前提下,含可再生能源混合发电系统优化模型综合考虑了能源利用、环境保护、成本以及损耗等限制因素。在此基础上,创新的引入了多目标多任务进化算法,同时优化多个任务的多个目标,并行处理多个发电系统的优化调度问题,从而大幅提高了搜索速度。仿真算例采用标准IEEE30节点和IEEE118节点系统,验证了该算法在解决多目标多任务多电源发电系统优化问题时的优越性。

基于改进SPEA2算法的给水管网多目标优化设计

针对给水管网多目标优化设计问题,将管网造价、节点富余水头总和以及节点富余水头方差设为目标函数,从经济性和可靠性两方面对给水管网进行优化。为了获取多样性和收敛性好的解,本文结合选择机制中支配和分解的思想,引入参考向量到强度帕累托进化算法(strength Pareto evolutionary algorithm 2,SPEA2)中,配合支配强度进行解的选择。通过双环管网和纽约管网两个管网案例,仿真结果表明了所提算法在解决管网多目标优化设计问题上的有效性,并最终应用于实际的管网工程建设中。

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。

分布式电源选址定容的多目标优化算法

在综合考虑网损、电压质量和电流质量3个指标的基础上,建立了分布式电源选址定容的多目标决策模型,并提出了一种改进多目标微分进化算法(improved differential evolution for multiobjective optimization,IDEMO)。该算法引入混沌搜索策略以提高初始种群利用率,采用控制参数调整策略以克服算法对控制参数依赖性强的缺点,利用动态拥挤距离排序策略使得帕累托解集分布更加均匀,从而为最终决策提供了优良的候选方案。以上述算法求得的帕累托最优解集为决策矩阵,使用基于熵的序数偏好方法对最优解集进行排序,得到最终决策方案。在IEEE-33节点系统上对所提方法进行了测试,并从外部解、C指标和S指标3方面与其他3种多目标优化算法进行了比较,验证了所提算法具有良好的搜索性能。最后评价了所选方案的有效性。

基于改进MOEA/D算法的WSN覆盖优化方法

为了优化无线传感器网络(WSN)的覆盖方法,针对MOEA/D中缺少对本代优质个体的保存和最优解集中个体极少的两个问题,提出了粒子群优化的基于分解的多目标进化算法(MOEA/D-PSO)。通过保留种群本代优质个体,改进本地优化解集在进化过程中的搜索方向和搜索进度,弥补了MOEA/D的不足。仿真实验证明,相对于MOEA/D和非支配排序遗传算法(NSGA-Ⅱ),MOEA/D-PSO所得非支配解更接近Pareto最优曲面,解集分布的均匀性和多样性表现更佳,WSN的覆盖范围更广,能量消耗更少。

利用MISA多目标优化的置信规则库分类算法

现有基于置信规则库的分类系统的分类准确率和效率受到系统参数设置以及规则库结构合理性的影响。为了寻找到最佳的参数值和最优的规则库结构,本文结合多目标免疫系统算法(multiobjective immune systemalgorithm,MISA)提出利用MISA多目标优化的置信规则库分类算法。该方法融合特征属性约简思想和差分进化算法思想建立训练模型,采用多目标免疫系统算法对系统复杂度和分类准确率进行多目标优化,从而寻找到分类模型的最优解。在实验分析中,首先将本文提出的置信规则库多目标分类系统MISA-BRM和置信规则库分类系统的实验结果进行对比,从复杂度和准确率两个维度说明本文方法的有效性。同时还将本文方法与现有的其他分类方法进行比较,验证本文方法的可行性和有效性。实验结果表明,本文方法能够有效地对基于置信规则库的分类系统的准确率和复杂度进行多目标优化。

多目标智能优化的运输机群装载方案生成方法

运输机群装载方案制定是影响大规模航空运输任务成功实施的重要环节和核心要素。围绕异型、多架运输机的多样化物资装载规划需求,以安全、高效、经济性为装载规划目标,并以起飞重量、货舱尺寸、重心包线、舱段几何结构、舱段结构强度限制等实际限制条件为约束,建立了灵活、通用的多目标多约束装载规划数学模型;随后,围绕求解精度和规划速度的现实需求,提出多目标智能优化的运输机群装载方案生成算法,其内部嵌入了一个两阶段分步优化的种群搜索策略,在保证优化准确性的同时提升了方案生成速度;最后,通过想定多样化、多机型航空运输装载规划任务,并对比其他智能优化算法,结果表明,新方法所需架次少、规划效率高,具有很好的应用前景。

多目标优化的SWIPT-MEC任务分级卸载架构与优化算法

为了解决单用户模式的MEC卸载策略未能有效地权衡移动设备在计算过程中的能耗与时耗之间关系的问题,针对无线携能通信网络(SWIPT),构建一种单用户单核服务器的多任务分级卸载架构与多目标数学模型,在卸载操作过程中,根据计算任务所需的时延和能耗,为任务选择合适的卸载方式,解决某时段内任务密集场景下的任务卸载问题,提升设备整体执行效率。然后,提出一种基于多目标优化改进的强度帕累托进化算法(SPEA2)的任务分级卸载架构与优化算法,最大限度地权衡MEC卸载的低能耗与低时耗。仿真实验验证了多目标MEC任务分级卸载求解策略可有效降低设备的能量消耗率和时间消耗率。

超多目标进化优化研究现状及发展趋势研究

超多目标优化问题指同时优化多于3个目标的优化问题,它目前是智能计算领域的热门研究问题之一.在简要介绍超多目标优化问题的概念之后,着重对十多年来提出的超多目标进化算法进行分类介绍,包括基于帕累托支配关系的算法、基于改进支配关系的算法、基于目标分解的算法和基于性能指标的算法.然后,通过实验对比8个具有代表性的超多目标进化算法,并分析不同算法的性能差异.最后,对超多目标进化优化的未来发展提出一些看法.