应用精英档案和反向学习的多目标差分进化算法

针对多目标优化问题日渐复杂的情况,受集成算法思想的启发,提出一种应用精英档案和反向学习的多目标差分进化算法。该算法通过建立一个外部档案来保存种群进化过程中的非支配解,提高算法收敛速度。在进化过程中根据反向学习代跳跃概率,使用反向学习生成反向解,扩大搜索范围,提高种群多样性。利用网格系统确定解的坐标,并根据一定的约束生成交叉池,在交叉池中选择父代个体,利用差分进化算法产生新个体,通过网格约束分解排序算法选择下一代种群。将此算法与其他算法在UF测试函数上进行实验,结果表明:所提出的算法在解决无约束多目标优化问题上得到Pareto前沿形状有较强的鲁棒性。

应用档案精英学习和反向学习的多目标进化算法

现实中的多目标优化问题日益复杂,对多目标优化算法提出了新的挑战.受混合多目标优化算法的启发,该文提出了一种应用档案精英学习和反向学习的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Archive-Elite Learning and Opposition-based Learning,AOL-MOEA)以解决困难的多目标优化问题.AOLMOEA算法利用档案精英学习算子增强算法全局搜索能力,促进算法较快收敛;运用动态一般反向学习机制代替变异算子以增加种群逃逸局部极值的机会;使用3-点最短路径方法维持解群的多样性.AOL-MOEA算法与另外5种代表性多目标优化算法在12个基准多目标测试函数上进行性能比较,实验结果表明:AOL-MOEA算法在收敛性、多样性和稳定性等方面均优于或部分优于其他的对比算法.

基于电子优化算法的项目工期-成本优化

针对不同工序多方案条件下的项目工期-成本优化问题,引入了一种新的算法——电子优化算法(Electimize).在建立工期-成本优化的数学模型并简要介绍算法原理的基础上,应用MATLAB软件对算法进行编程,引入精英档案存储提高寻优效率,实现了最低成本对应的最优工期搜索.针对一个经典算例,采用电子优化算法进行优化,并将其结果与遗传算法和枚举法的结果进行对比,进而验证了该算法的可行性与适用性.

基于新型遗传算法的碳酸盐岩油气藏布井研究

塔河油田隶属碳酸盐岩油田,由于缝洞发育的随机性,因此需要在开发初期进行合理的井位确定,以最大限度地提高开发效果。通过对传统的遗传算法进行多角度的改进,提出了一种新型遗传算法,并将其率先应用于油气田开发领域,相继引入淘汰算子、精英档案,改进了种群之间协同进化过程中的共生伙伴确定策略,大幅度提高了寻优性能。最后借助塔河油田某区块的实际开发地质模型,进行相关模拟与计算,得到了比传统算法高5%的采收率和累产油量,效果良好。