基于拥挤距离和时空数据挖掘的农田水资源自适应配置算法

在农田水资源自适应配置过程中,受到环境和水源复杂不确定性的影响,配置算法的计算误差比较明显,需要进一步加强算法的适用性。为此,提出了基于拥挤距离和时空数据挖掘的农田水资源自适应配置算法。利用时空数据挖掘技术从农田的历史供水数据中筛选出关联数据,经过支持度和关联度的计算,获得特征数据集,通过拥挤距离计算公式计算出目标数据的拥挤度,并按照一定顺序排序,在此基础上,计算农田的需水量,确定需水量的上下限,结合拥挤度等参数,建立水资源自适应配置模型,实现农田水资源的灵活配置。实验结果表明:提出的基于拥挤距离和时空数据挖掘的配置算法计算误差小,在水资源利用上,节水效果好,该算法的适用性得到加强。

基于拥挤距离的多目标粒子群优化算法在漳河水库优化调度中的应用

针对传统多目标优化算法的不足,提出了基于拥挤距离的多目标粒子群优化算法(MOPSO-CD),该算法用拥挤距离来维持精英策略和选取全局极值,同时引入动态非均匀变异算子,用以维持粒子多样性、减缓算法收敛速度、避免早熟收敛。以漳河水库为例,建立了以灌溉缺水量最小和发电量最大为目标函数的两目标优化调度模型,将MOPSO-CD应用于模型的求解中,得到了足够多且较均匀的非劣(Pareto)解前端。

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。

基于拥挤距离排序的铝电解多目标优化

针对铝电解生产过程难以快速、准确地获得节能减排多目标优化Pareto前沿问题,提出一种基于拥挤距离排序的多目标细菌觅食算法。方法在保证铝电解槽平稳运行的基础上,建立电流效率最大和温室气体排放量最小的多目标优化模型;利用拥挤距离更新外部档案及对菌群步长进行自适应动态调整,以改进种群的收敛性和多样性,最后对优化模型求解。通过实验可知,改进后的算法能快速获得分布均匀的Pareto最优解,运用优化后的决策参数指导生产,能在提高电流效率的同时减少温室气体的排放量,实现铝电解生产过程节能减排的目的。

基于改进拥挤距离的多目标进化算法

针对多目标进化算法的拥挤距离截断算子的分布度保持不足以及在二进制编码情况下较难收敛的缺点,提出一种改进的多目标进化算法,使用改进的拥挤距离截断算子和自适应变异算子,与经典的多目标进化算法进行对比,实验表明,该算法得到的Pareto解集具有良好的收敛性和分布性。

基于动态拥挤距离的混合多目标免疫优化算法

多目标免疫优化算法的研究目标是种群均匀分布于优化问题的非劣最优域并使算法快速收敛。为进一步提高多目标优化问题非支配解集合的分布均匀性和收敛性,提出了一种基于动态拥挤距离的混合多目标免疫优化算法。该算法基于动态拥挤距离来对个体进行比较和更新操作,从而保持最终解集的均匀分布,同时借鉴经典差分进化算法中的变异引导算子来加强免疫优化算法的局部搜索能力并提高搜索精度。基于5个经典测试函数的仿真结果表明,与其他几种有效的多目标优化算法相比,所提算法不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且收敛速度也有较大的改进和提高。

基于拥挤距离的动态粒子群多目标优化算法

提出了一种改进的基于拥挤距离的动态粒子群多目标优化算法。为提高粒子的全局搜索能力,提出了新的动态变化惯性权重和加速因子的方法。引进了拥挤距离排序方法维护外部精英集和更新全局最优值。为保持非劣解的多样性,采用了小概率变异机制,并根据种群的大小选择不同的变异概率。最后,把算法应用到5个典型的多目标测试函数并与其他算法进行比较。实验结果表明,该算法所得的Pareto解集有很好的收敛性和多样性。

基于拥挤距离的多目标粒子群算法

该算法通过引用NSGA-II中的拥挤距离,确定外部档案中非支配解的拥挤度,依据竞标赛选择方法选出每个粒子的全局最优位置,引导每个粒子向处于较稀松区域的非支配解搜索,提高了解的多样性。动态变异算子的引入,减缓了算法的收敛速度,增大了解的搜索区域,避免了算法早熟收敛或陷入局部最优。实验结果表明,算法CDMOPSO比NSGA-II具有更好的收敛性和维持种群多样性的能力。

基于动态拥挤距离的自适应变异演化算法

多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域。根据个体的非支配排序级数设计了一种自适应变异步长的柯西变异算子,对变异越界处理进行了改进;并定义和使用动态拥挤距离来保持群体中个体的均匀分布。最后通过对测试函数的实验,验证了算法的可行性和有效性。

基于自适应网络与动态拥挤距离的多目标粒子群算法及应用

针对传统方法不易收敛到真实Pareto前端和解的多样性较差的问题,提出了一种基于自适应网络和动态拥挤距离的多目标粒子群优化算法。该算法能在外部种群的数量超过种群规模时,将目标函数空间均匀地划分为间隔相同的网格,统计每个网格中粒子的数量进而估计粒子的密度,限制外部档案的规模;然后引入粒子的方差信息,设计了基于动态拥挤距离的算法,避免了一次性淘汰所有拥挤距离小的个体而使解的分布性变差的问题,提高了解的多样性。函数优化实验及该算法在成品油调和经济效益问题中的应用都验证了改进后的算法具有很好的效果。

基于拥挤距离排序多变异多目标粒子群优化的轨迹规划

基于多轴中子衍射平台系统建立动力学模型,提出基于拥挤距离排序多变异多目标粒子群优化算法对样品的多个待测点测量顺序进行规划。为减小传动系统间隙的影响,同时优化平台系统总的功率,提出了基于拥挤距离排序多目标粒子群优化策略。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多次小概率变异机制,增强算法的全局寻优能力。最后按照提出的控制策略,在MATLAB里进行了建模仿真。结果表明:应用新的控制策略后,运动平台在控制性能上能得到满意的效果。

基于QPSO和拥挤距离排序的多目标量子粒子群优化算法

为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价,提出一种基于量子行为特性的粒子群优化(QPSO)和拥挤距离排序的多目标量子粒子群优化(MOQPSO-CD)算法.MOQPSO-CD利用QPSO快速接近真实的Pareto最优解,同时引入高斯变异算子以增强解的多样性.采用拥挤距离排序的方法对外部存储器中最优解进行更新和维护,使得从中选择的具有全局最优的领导粒子能够引导粒子群最终找到真实的Pareto最优解.仿真结果表明,MOQPSO-CD具有更好的收敛性和更均匀的分布性.

拥挤距离排序的多目标文化粒子群优化算法

为解决工程优化设计问题,引入文化进化框架,提出一种拥挤距离排序的多目标文化粒子群算法,采用拥挤距离排序算子,并删除密集区域的多余粒子,以保证Pareto前沿的分布均匀性;基于拥挤距离值,从精英知识和条件知识中选择处于最分散区域的粒子,并将其分别作为全局和局部最优,以增强算法全局寻优能力;依据拥挤距离的变化,动态调整粒子群飞行参数,以提高算法收敛效率,通过标准测试问题以及与其他算法的对比,表明了所提出算法的有效性和鲁棒性。

基于新型拥挤度距离的多目标麻雀搜索算法

现实中的多目标问题日益复杂,解决这类问题需要高效的优化算法。基于麻雀搜索算法,提出多目标麻雀搜索算法(Multi-objective Sparrow Search Algorithm,MSSA),对多目标优化问题进行求解。依据外部存档收敛性动态调整麻雀种群比例因子,以达到全局探索能力和局部开发能力的最佳平衡,确保收敛性;对麻雀种群进行非支配排序;对麻雀种群的发现者引入多项式变异因子,增强算法跳出局部最优的能力;设计一种新型拥挤度距离计算策略,利用外部存档解的拥挤度大小剔除相似个体的方法对种群进行裁剪,使个体不超过存档上限的同时维持种群的多样性。分别使用多目标函数和盘式制动器设计测试算法性能。MSSA与MOPSO、MOGWO、NSGA-II和SPEA2在多目标测试函数上进行对比实验,结果表明MSSA算法在收敛性和均匀性两项指标上有显著的优势。盘式制动器仿真结果表明,MSSA可以快速地找到问题的非支配解,证明了该方法的有效性。

涡流斥力快速操动机构改进型NSGA-Ⅱ多目标优化设计

针对低压交流断路器用涡流斥力操动机构多参数、多目标优化设计最优解集分布性问题,提出一种改进型NSGA-Ⅱ算法的多目标优化设计方法。首先,分析涡流斥力操动机构原理及建立操动机构有限元分析仿真模型,根据应用需求确定涡流斥力操动机构优化目标与优化变量。其次,采用循环拥挤度排序算法替代原有的拥挤度排序算法,以提升Pareto最优解集的分布性;采用基于反三角函数的自适应策略更新交叉变异概率,以提升算法的适应性;经ZDT系列函数测试,证明其具有良好的适应性和解的分布性。最后,利用改进型NSGA-Ⅱ算法对涡流斥力操动机构进行多目标优化,获取Pareto最优前沿,取得了较好的效果。

基于余弦距离的多目标粒子群优化算法

针对粒子群优化算法具有的个体分布不均匀以及重复个体较多等缺陷,提出了一种基于余弦距离的多目标粒子群优化算法,该算法根据外部精英存储策略,利用余弦距离排挤机制来选取最分散的粒子,扩大Pareto最优解集的收敛性和多样性,增强算法的全局寻优能力。通过采用标准多目标优化问题ZDTl^ZDT3进行仿真实验与粒子群算法、混沌粒子群算法、基于拥挤距离的多目标优化算法对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于基于拥挤距离排挤机制,并具有较高的效率。

基于平均距离聚类的NSGA-Ⅱ

拥挤度距离是一种用于度量解集多样性的指标.然而,在许多情况下,该指标无法有效区分多样性较优个体.其原因为拥挤度距离主要利用每个位置的局部信息.为解决该问题,基于整个种群全局位置信息,本文设计了基于平均距离聚类的多样性度量指标,并进一步提出了基于平均距离聚类的NSGA-Ⅱ.该算法利用平均距离将种群划分为若干个大致均匀分布的小种群,然后分别在各小种群内执行选择、交叉和变异等操作.实验结果表明,本文所提算法可以有效地保持种群多样性.

基于Jaya算法的分布式电源配电系统无功优化

分布式发电(Distributed Generation,DG)对配电网的电压质量和经济运行有重要影响。该文以有功网损、无功补偿成本和节点电压偏移为目标函数,以DGs供电的无功功率和无功补偿设备出力为控制变量建立配电网多目标无功优化模型。针对目前大部分优化算法过度依赖控制参数的问题,该文采用了不需要问题相关控制参数的Jaya算法,并在此基础上引入非支配排序法和拥挤距离计算机制。在改进IEEE-33节点系统仿真分析中,将优化后的改进Jaya算法与基本Jaya算法和粒子群算法作对比,结果表明该文算法具有更强的全局搜索能力、更高的收敛精度和更快的收敛速度。

多策略融合的多目标萤火虫算法

为解决多目标萤火虫算法处理复杂优化问题时所表现出的勘探能力弱、收敛性及分布性差等问题,提出了一种多策略融合的多目标萤火虫算法(MOFA-MSF)。首先,采用随机化与均匀化相结合的方法初始化种群,保证了初始种群的分布性好;其次,通过档案精英解引导萤火虫移动,在萤火虫移动公式中引入莱维飞行随机扰动并添加变异算子,避免种群陷入局部最优,平衡了算法的局部搜索和去全局勘探能力;最后,引入拥挤距离机制维持外部档案,以获取均匀分布的Pareto前沿。将MOFA-MSF算法与5种经典算法和7种新近算法进行对比,实验结果显示,MOFA-MSF在勘探能力、收敛性及分布性上性能良好。

基于双重距离的多目标粒子群优化算法

多目标粒子群优化(multi-objective particle swarm optimization,MOPSO)算法在维护收敛性的同时搜索分布良好的最优解集较为费力.为此,提出一种基于双重距离的MOPSO,由种群的平均距离定义粒子的邻域空间,邻域粒子数为粒子的等级,数量越多,粒子的等级越大.当等级相同时,算法结合粒子的拥挤距离选择最优粒子,并更新外部归档集.此外,算法结合粒子的变异行为避免陷入局部最优.在对比实验中,该算法在收敛性和多样性上可取得较优结果.最后,将该算法应用到电力系统的环境/经济调度模型(environmental/economic dispatch,EED),也可获得性能较好的解集.