基于改进非支配排序遗传算法的智能变电站状态检测方法

为提高变电站设备运行状态检测结果的可靠性,规范其运行,基于改进非支配排序遗传算法的应用,以某智能变电站为例,开展其状态检测方法的设计研究。布置传感器进行电力设备运行数据的采集,引进变分模态分解方法,进行电力设备运行数据去噪与降维处理;引进遗传算法,通过在知识领域与多个目标之间的迭代,找到最优平衡点,筛选出最有效的特征组合,实现对变电站中电力设备运行数据的知识集合生成与特征提取;引进深度迁移学习,构建并训练自组织映射(SOM)网络,此网络含多个神经元节点,自适应聚类输入特征,实现智能变电站设备的在线管理与异常检测。对比试验结果表明:该方法可以精准识别智能变电站在运行中的电力设备异常状态,可通过此种方式实现对变电站的智能管理。

基于非支配遗传算法的HLA仿真系统数据采集策略

数据采集是仿真执行过程中的重要环节,数据采集的完整性和效率对整个训练仿真活动的最终效果和效率具有重大影响。然而,在现有基于高层体系结构(high level architecture, HLA)的分布式仿真系统中,集中式数据采集在单个步长内读写海量数据,会影响仿真正常推进,而分布式数据采集会造成大量冗余数据,且采集模块的开发不具备通适性。针对上述问题,基于弱分布式数据采集结构,利用多个采集成员实现并行数据采集,并基于非支配排序遗传算法Ⅱ(non-dominated sorting genetic algorithm Ⅱ, NSGA-Ⅱ)制定采集任务在多个成员间的分配策略,实现数据采集负载的均衡分布。仿真结果和真实系统上的实验结果表明,所提方法能显著提升数据采集效率,同时减少数据采集成员执行过程中的中央处理器(central processing unit, CPU)和内存消耗。

基于机器学习和非支配排序遗传算法的盾构姿态预测与优化

提出了一种将贝叶斯优化(BO)算法、随机森林(RF)算法和第三代非支配排序遗传算法(NSGA-Ⅲ)相结合的盾构姿态优化方法。依托杭州—临安城际铁路工程,选取盾构参数、土性参数和隧道埋深作为输入参数,使用BO算法优选RF算法的超参数,构建盾构姿态预测模型,并对输入参数进行重要性分析。将盾构姿态预测模型函数作为适应度函数,引入NSGA-Ⅲ算法优化盾构姿态,并得到盾构参数控制范围。结果表明:采用BO-RF算法和工程实测数据训练模型,所得预测模型精度较高;千斤顶推力对盾构姿态影响最大,膨润土掺加量对盾构姿态的影响最小;采用BO-RF-NSGA-Ⅲ优化方法,盾构切口水平位移和垂直位移平均值分别减小了37.20%、36.87%,盾构尾部水平位移和垂直位移平均值分别减小了26.52%和18.10%,对盾构姿态的优化效果显著。该优化方法可靠适用,值得推广。

基于改进非支配排序遗传算法的重载列车长大下坡运行策略

选择合适的制动缓解时机是重载列车长大下坡安全运行的关键,而列车循环制动要综合考虑线路坡度、区间限速、副风缸再充风时间等多种因素,现有的列车驾驶优化算法存在收敛速度慢和局部搜索能力不足等问题。因此,对非支配排序遗传算法(NSGA-II)进行改进,以最短空气制动距离和最高运行效率为优化目标,构建基于INSGA-II(改进NSGA-II)的重载列车长大下坡循环制动优化模型。一方面,采用动态拥挤度和精英保留方式选择个体,同时加入劣质种群自动修复策略,保证解的多样性的同时保留优秀个体;另一方面,在NSGA-II中引入变邻域搜索策略(VNS),以解决NSGA-II局部搜索能力不足的问题。最后选取朔黄铁路一段长大下坡道实际线路数据,仿真得到最优的工况转换序列,并生成列车驾驶曲线,证明了所提方法的有效性。

基于非支配排序与遗传算法的毛边锯材优化下锯算法研究

【目的】为解决我国木材加工企业在毛边锯材锯切过程中存在出材率低和智能化加工能力不足的问题,本研究基于非支配排序与遗传算法提出一种毛边锯材优化下锯智能算法。【方法】通过分析毛边锯材下锯方式,确定了先截断后纵解再截断的加工方法。分析毛边锯材传统纵向等宽锯切方法不足,以出材率为最终求解目标,完成两阶段优化下锯模型构建。将毛边锯材视作无缺陷锯材进行下锯方案求解,同时考虑出材率与坯料价值,基于坯料宽度编码,采用非支配排序与拥挤度排序确定个体优劣,提出多种群寻优策略完成种群迭代,获取多种下锯方案。取出所有下锯方案对原含缺陷锯材模拟锯切,使用遗传算法寻找方案的最优下锯顺序,以得到最终下锯方案。选用C++编程实现算法功能,并通过OpenCV C++编程显示仿真锯切结果。实测毛边锯材分别采用传统等宽锯切方法与本算法对锯材进行模拟锯切,对比锯切结果以验证算法可行性。【结果】本算法在使用不同横向截断长度、不同输入坯料宽度和不同锯材的情形下,仿真锯切结果均优于传统等宽锯切方法,锯材完整坯料出材率与总出材率明显提升。【结论】优化下锯方法相比传统等宽锯切方法可提供更好的下锯方案,能在一定程度上实现毛边锯材优化下锯,为我国毛边锯材智能化加工提供一种新的解决方案。

非支配排序遗传算法-Ⅱ组合赋权的水体富营养化多维联系云评价

用基于非支配排序遗传算法-Ⅱ组合赋权法的非对称多维联系云模型对24个湖库水体的富营养化程度进行分级评价。结果表明,该方法可综合不同赋权理念的优势,量化权重组合过程的不确定性、不同权重的随机性及其与真实权重的一致性等多重模糊特征,同时能高效准确地寻优求解指标权重,并能适用于多种不同类型水体的评价。扩展的多维联系云也提升了计算效率,集成联系度定量表征了富营养化等级与指标间的多重模糊随机性,实现了对水体富营养状况及其变化趋势的精确评价。

基于改进非支配排序遗传算法的电力系统无功–潮流多目标协同优化调度

提出了一种改进非支配排序遗传(Non-dominated sorting genetic algorithms,NSGA)-Ⅱ算法,其种群局部搜索和外部种群的设置有效提高了算法的收敛性和解集的多样性。将该算法应用于电力系统无功–潮流多目标协同优化调度问题的求解。采用IEEE-14和IEEE-30母线系统进行算例分析。算例仿真的结果表明,应用所提方法能够兼顾电力系统运行的无功优化目标和潮流优化目标,实现无功最优和潮流最优的折中;同时,改进NSGA-Ⅱ算法在收敛性和解集多样性上都优于传统NSGA-Ⅱ算法。

带精英策略的快速非支配排序遗传算法在多目标无功优化中的应用

带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)是一种新型的多目标遗传算法,该算法求得的Pareto最优解分布均匀,收敛性和鲁棒性好。本文分析了当前多目标无功优化算法存在的缺陷,提出将NSGA-Ⅱ应用于多目标无功优化,该算法一次运行可以获得多个Pareto最优解,决策者可根据系统的实际要求选择最终的满意解,为各目标函数之间的权衡分析提供了有效的工具。算例结果表明NSGA-Ⅱ算法具有良好的优化效果,是一种求解多目标无功优化问题的新思路。

多目标炼钢—连铸生产调度的改进带精英策略的快速非支配排序遗传算法

针对炼钢连铸调度的特殊工艺要求,在考虑炉机匹配原则和多重精炼的情况下,建立了以炉机匹配度、炉次间等待时间、浇次的开浇提前/拖期时间为评价指标的多目标约束满足优化模型,并针对其多目标特征,提出一种基于自适应网格法的择优策略来改进带精英策略的快速非支配排序遗传算法,有效克服了使用传统Pareto支配法择优策略在解决离散问题时容易丢失有用信息的缺陷。基于多种规模的实际生产数据进行仿真实验,结果表明所提算法在收敛性、最优解集多样性和计算效率方面优于传统带精英策略的快速非支配排序遗传算法。

服装企业包装订单分配排序优化模型及其快速非支配遗传算法求解

为解决纺织服装生产企业包装出货过程中在包装订单分配与排序时存在的分配方案不合理、拖期时间长等问题,在考虑包装线机器分配及机器调整时间约束的情况下,建立以最小化最大完成时间和拖期时间为目标函数的包装订单分配排序两目标优化数学模型,并采用基于参考点的快速非支配遗传算法对模型进行求解,然后对优化解进行解码输出优化方案。通过该模型与算法求解相关企业的具体算例,结果表明:该模型输出结果缩短了最大完成时间,有效地控制了拖期,几种优化方案的平均最大完成时间相较于按交货期优先规则的方案缩短了4.7%,且所有方案的总拖期均小于4 h。研究成果在提升纺织服装生产企业的包装出货效率方面具有良好的应用与推广价值。

基于改进非支配排序遗传算法的多目标柔性作业车间调度

采用多目标进化算法解决具有工件释放时间、工件目标差异的柔性作业车间调度问题。依据实际制造系统中存在较多的最大完工时间、平均流经时间、总拖期时间、机器总负荷、瓶颈机器负荷和生产成本性能指标,建立多目标柔性作业车间调度模型。针对柔性作业车间调度问题的特点,设计一种扩展的基于工序的编码及其主动调度的解码机制,以及初始解产生机制和有效的交叉、变异操作;针对非支配排序遗传算法(Non-dominated sorting genetic algorithm II,NSGA-II)在非支配解排序和精英选择策略方面的不足,设计一种改进的非支配排序遗传算法,应用改进的算法求解柔性作业车间调度问题得到一组Pareto解集,并运用层次分析法选出最优妥协解。通过测试基准和模拟实际生产的实例,验证提出算法的可行性和有效性。

基于非支配排序遗传算法的无约束多目标优化配煤模型

分析单目标动力配煤模型的缺点,提出多目标优化配煤模型,模型将所有煤质指标都作为优化目标,根据每个指标的特点构建出安全性、经济性和环保性3个目标函数。引入带有精英策略的非支配排序遗传算法(non-dominated sorting genetic algorithm,NSGA-II)作为该模型的寻优算法,并结合配煤问题的特点对原算法进行适当改进和调整,对某电厂的实际配煤问题进行求解,得到分布较好的Pareto最优解集,这些解为电厂配煤人员在多个相互关联的目标之间进行决策时提供了多样的选择,具有很好的指导作用和应用价值。

复杂制造环境下的改进非支配排序遗传算法

针对柔性作业车间多目标调度问题,在考虑机器、操作人员等资源约束和交货日期不确定性的基础上,构建了以加工成本、客户满意度及生产总流程时间为目标函数的模糊调度数学模型。针对传统的加权系数方法不能很好地解决柔性作业车间调度多目标优化问题的缺点,提出改进的非支配排序遗传算法,采用改进的拥挤密度排序法改善同一非劣等级内个体的排序;提出自适应交叉和变异策略,克服了种群早熟化,改善了算法的收敛速度;采用改进精英策略保持种群多样性,改善了算法的搜索性能。将该算法应用于某机械公司的人机双资源多目标柔性车间模糊调度,仿真结果证明了该方法的有效性和可行性。

基于并行非支配排序遗传算法的限流措施多目标优化

分析了当前限流措施优化模型和算法存在的缺陷,提出了综合考虑安全性、稳定性、经济性的限流措施多目标优化模型。在潮流约束下,模型以总投资成本最小、故障后功角稳定性最佳、短路电流综合越限最小为优化目标,并且引入带精英策略的改进非支配排序遗传算法,结合基于限流效果灵敏度的支路筛选策略,应用于Pareto最优限流措施的求解。为提升优化速度,在MATLAB计算平台上对改进非支配排序遗传算法进行了主从并行改造。最后,结合改进的新英格兰10机39节点系统优化结果,验证了所提出的多目标优化方法有效、可行。

基于快速非支配排序遗传算法的船舶电力系统多目标故障重构

为避免已有船舶电力系统故障重构方法中将多目标优化问题通过加权转化为单目标优化问题进行求解而产生的问题,以失电负荷最少、开关操作代价最小为目标函数,利用带精英策略的快速非支配排序遗传算法实现故障重构多目标、多约束问题求解,该算法求得的Pareto最优解分布均匀,得到的最优重构方案集具有稳定性和多样性。得到故障重构方案集后,对系统运行的安全性、可靠性、高效运行性等指标进行归一化处理,得到综合辅助评价函数作为各故障重构方案辅助评价指标。算例测试结果表明,该方法能避免单目标优化算法对权值的过分依赖等缺点,能够兼顾多个指标,得出的最优故障重构方案更加符合实际。

基于改进的非支配排序遗传算法的模块化产品多目标配置优化研究

在产品族模块化设计的基础上,应用模糊数学评价理论与最小二乘法,构建了以产品性能、成本及出货期为目标函数的配置优化数学模型,并采用基于改进的非支配排序遗传算法对三者进行并行优化。由此获得一系列基于Pareto最优集的配置方案来满足不同客户对产品性能、成本及出货期的要求,解决了客户需求侧重点对产品设计结果的适应性处理。最后,结合项目实施,给出该方法在机床制造业中的典型应用实例,验证了文中提出方法的有效性和适应性。

基于负荷预测和非支配排序遗传算法的人工相序优化方法

在对0.4 kV配电台区进行节能降损时发现,调整负荷的接入相序能够有效降低台区的线路损耗和三相负荷不平衡度。文中提出基于负荷预测和非支配排序遗传算法(NSGA2)的人工相序优化方法。首先,利用配电台区出口电流曲线替代法建立用户负荷模型。其次,基于历史数据使用Elman神经网络对调相日的台区内各用户日电量和出口三相电流进行预测。然后,基于预测数据综合考虑以线损最低和调相次数最少为目标函数,建立配电台区多目标相序优化数学模型,使用NSGA2对该模型进行求解,得到优化后各负荷接入相序。最后,通过对比安徽电网某配电台区调相前后的理论线损,验证本文所提方法的有效性。

一种改进的非支配排序遗传算法INSGA

为克服非支配排序遗传算法 (NSGA)存在的计算复杂度高 ,未采用精英策略以及需要特别指定共享半径等缺点 ,介绍一种改进的算法INSGA ,克服了上述缺点 ,并通过实验验证 。

基于非支配排序遗传算法的塔机有限元模型修正

为了建立一个能准确反映结构实际状态的有限元模型,提出了一种基于非支配排序遗传算法Ⅱ(NSGA-Ⅱ)的有限元模型修正方法.首先建立初始有限元模型,基于二次响应面法,得到有效的响应面替代模型,然后采用NSGA-Ⅱ对该模型进行修正,最终建立了满足工程精度要求的可靠的有限元模型.给出了某型塔机有限元模型修正的工程算例,将修正后的计算结果与实测数据相比较,说明了基于NSGA-Ⅱ多目标优化算法对于有限元模型修正具有理想的效果,修正后的有限元模型能准确反映结构力学特性.

基于RQGA和非支配排序的多目标混沌量子遗传算法

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,借鉴实数编码遗传算法和多目标优化理论,构建一种多目标混沌量子遗传算法。在分析量子位概率的混沌特性、量子态干涉特性和量子位实数编码的基础上,采用量子位概率交叉和混沌变异的方式进化种群,以提高寻优能力和收敛速度,利用非支配排序、精英保留和分层聚类等多目标优化策略保持种群多样性的同时,保证进化向Pareto全局最优解集方向进行。通过混合算法性能对比测试验证了多算法集成的有效性,并分析关键参数对算法性能的影响。电力系统多目标无功优化的仿真结果验证了该算法的有效性和可行性。