非可行解驱动进化算法和多元分析技术在船型参数优化中的应用

引入非可行解驱动进化算法(infeasibility driven evolutionary algorithm,IDEA)和多元分析技术开展船型参数优化和设计模型分析.针对一艘散装货舱在概念设计阶段的船型参数设计,应用IDEA算法进行多目标优化,然后采用距离理想解最近的方法对Pareto解集进行量化评价,选取一个满意的设计方案,最后应用多元分析技术分析Pareto解集获取船舶设计变量之间特性,即采用层次聚类方法得到样本或者变量之间的相互距离关系和等距特征映射(Isomap)的降维方法,得到变量在二维平面上的映射图,采用最小二乘法得到Pareto解集上变量之间的拟合关系式.数值结果表明:IDEA运算速度快,Pareto解集分散性良好.基于多元分析技术的数据挖掘应用能够获得对模型更多的认识,揭示模型内在关系.

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。

高效求解Pareto最优前沿的多目标进化算法

设计了一种新的求解均匀分布的Pareto最优解集的多目标进化算法(MOEA),其主要的特点是使用了一种新的个体适应值的计算方式,方法是通过群体中某一个体与群体的最优非劣解集的最小距离来刻画个体的适应值的。算法还结合了遗传算法中的精英策略以及NSGA-Ⅱ中的拥挤距离[12],提高了非劣解向Pareto最优前沿收敛的速度,并且保证了Pareto最优解集的多样性。仿真结果表明,算法不仅能够获得分布良好的Pareto最优前沿,而且能够极大地简化计算,减少了算法的运行时间,其计算复杂度为ο(mn2)(m表示的是目标函数的个数,n是种群的规模)。

基于进化算法的拟可行方向法及其收敛性

在传统优化算法中嵌入一拟步骤 ,改善了算法的收敛性质 ;并用进化算法计算拟步骤 ,提高了算法的全局搜索能力 ,又不改变原算法的收敛性 .且研究了参数变化对算法的影响 。

非完全信息对策的进化理论算法

利用动物进化优胜劣汰的思想。把非完全信息对策转化为n次重复对策进行研究,根据每两次重复对策之间又有一定的关系,通过构造关系G从而提出了一种寻求Nash平衡解算法。

一种从目标空间反向引导种群进化的进化算法

目前进化算法大多是通过解从决策空间到目标空间的映射,来判断解的质量。针对约束多目标优化问题,将极限学习机代理模型与不可行解存档方法相结合,提出一种通过目标向量反向预测来引导决策空间种群进化的算法。在CTP和TYPE系列的测试问题上进行了HV度量、IGD度量的性能测试。与几种经典的算法比较,该算法在大多情况下都表现出具有竞争力的性能,且在高难度问题下比其他算法表现更好。

聚类差分进化算法求解多目标工艺规划与调度集成问题

针对多目标工艺规划与调度集成问题,以完工时间、交货总拖期和设备工作负荷为优化目标,建立了多目标非线性工艺规划集成模型,提出一种聚类差分进化算法。该算法设计了包含工艺、设备和加工顺序信息的3层编码结构,结合聚类算法、差分进化算法和遗传算法的相关操作,有效地优化工艺信息和调度方案,保持可行解的多样性,实现Pareto非支配解集快速更新。通过对Pareto非支配解集进行领域搜索,使其更加接近或到达Pareto最优解集。最后通过实例验证了算法的性能。

多目标进化算法中变异算子的比较与研究

提出了一种适应于多目标进化算法的变异越界处理策略,成功地将这些变异算子应用到多目标进化优化问题中,从多目标优化收敛性的角度比较了这些变异算子的性能。通过一组实验表明这种越界处理方法是非常有效的,单目标优化中的这些变异算子具有与多项式变异算子相当的分布性,同时取得了更好的收敛性能。

基于子目标进化的高维多目标优化算法

多目标优化问题是工程应用中的常见问题,已有的方法在解决3个目标以上的高维优化问题时效果欠佳.如何进行有效的个体选择是求解高维多目标优化问题的关键.针对该问题,提出了求解高维多目标优化问题的子目标进化算法.从理论上证明了多目标优化问题Pareto非支配解的求取,可通过子目标函数值排序,先行选择进化种群中部分非支配解;然后,根据排序信息有选择性地比较进化种群中的元素,减少了比较次数,从而快速获得非支配解集.同时,提出归一化函数差值的Minkowski距离"k近邻"距离计算方法,在进化过程中应用到密度函数中,加速了收敛速度.同当前求解高维多目标优化的算法,在对标准测试函数的计算性能上进行比较,统计结果显示了所提算法在性能上的优势.

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Pareto最优概念的多目标进化算法研究

基于Pareto最优概念的多目标进化算法已成为多目标优化问题研究的主流方向。详细介绍了该领域的经典算法,重点阐述了各种算法在种群快速收敛并均匀分布于问题的非劣最优域上所采取的策略,并归纳了算法性能评估中需要进一步研究的几个问题。

基于改进微分进化算法的节能减排发电调度研究

从节能、环保效益出发,建立了电力系统节能、减排发电调度多目标优化模型。主要采用小生境思想对pareto非劣排序的拥挤度机制进行改进,并采用动态调整机制控制算法参数对传统的进化机制进行改进。以一个6发电单元的系统为例进行仿真,结果表明:对比传统NSGA-II与NSDE算法,该改进非劣微分进化算法(INSDE)能够更好地引导并保证搜索过程向最优解逼近。

基于分解的多目标花朵授粉算法

在过去几十年里,许多多目标进化算法被广泛应用于解决多目标优化问题,其中一种比较流行的多目标进化算法是基于分解的多目标进化算法(MOEA/D)。花朵授粉算法是一种启发式优化算法,但迄今为止,花朵授粉算法在基于分解的多目标进化算法领域的研究还非常少。本文在基于分解的多目标进化算法的框架下,将花朵授粉算法拓展至多目标优化领域,提出一种基于分解的多目标花朵授粉算法(MOFPA/D)。此外,为了保证非支配解的多样性,本文提出一种基于网格的目标空间分割法,该方法从找到的Pareto最优解集中筛选出一定数量且分布均匀的Pareto最优解。实验结果表明,基于分解的多目标花朵授粉算法在收敛性与多样性方面均优于基于分解的多目标进化算法。

一种改进的进化算法

由于在进化算法中,一般的选择算子使适应度小的个体很早被淘汰,使它们的一些优良特征无法在种群中得到传播,但却增大了种群中优良个体繁衍的机会,因此可能会导致过早收敛或仅得到局部最优。对该算法加以改进,根据个体是否可行,将种群分为可行个体及非可行个体两部分,这样非可行个体也有机会参与到进化中。仿真结果表明,该方法对求解约束优化问题是很有效的。

一种改进的多目标混合差分进化算法

将差分进化算法(DE)用于多目标优化问题,提出了一种精英保留和进化进程中非支配解集迁移操作的差分进化算法,以保证所求得多目标优化问题Pareto最优解的多样性。采用双群体约束处理技术,构建进化群体的Pareto非支配解外部存档集,并进行基于非支配解集的迁移操作,以增加非支配解的数目和质量。用多个经典测试函数测试的结果表明,与标准DE相比,该方法收敛到问题的Pareto前沿效果良好,能有效保持Pareto最优解多样性与收敛之间的平衡。

多目标进化优化算法

多目标进化优化算法可以一次性求解多个非劣解,并具有全局优化能力,成为近年来求解多目标优化问题一个重要的研究方向。本文介绍了几种代表性的多目标进化优化算法,并指出了值得进一步研究的相关问题。

RWCE优化换热网络的不可行解影响分析及强化策略

换热网络优化问题常以外罚函数法处理约束,赋予违反约束的不可行解较大的罚值。强制进化随机游走算法(RWCE)优化换热网络时,其非贪婪搜索机制使不可行解以一定概率被保留,从而改变全局寻优过程。本文首先分析不可行解对优化进程的影响,揭示偏移量较小的不可行解对结构进化的促进作用;然后提出差解概率动态调整策略,合理利用不可行解的正面作用,强化结构进化能力;最后,鉴于上述优化结果中偏移量较小的不可行解居多,提出一种可行化策略,通过分段罚指数和双种群优化技术促使过程中有潜力的不可行解快速返回可行域,并提升优化质量。将结合两条强化策略的改进算法应用于16股流与15股流算例,优化结果较文献最优解分别节省了0.35%、0.48%,表明改进后的算法较原算法全局搜索能力得到了显著提升。

基于改进参数协进化和声搜索算法的配电网重构

配电网重构是智能电网的关键技术之一,是非确定性多项式难题(NP-hard)。在确立了网损最小为配电网重构的优化目标后,提出一种改进的参数协进化和声搜索算法。首先,针对参数协进化和声搜索算法在局部寻优时反馈环较长的问题,提出一种辅助新和声的策略进行优化;其次,为克服和声搜索算法本身应用于整数规划的配电网重构时音调调节带宽难以确定的困难,使用并优化一种自适应新和声优化策略;最后,通过对T型节点的分析提出一种不可行解的处理方案,提升了算法的寻优性能。基于IEEE 69节点系统和某实际配电网的仿真对比测试表明,所提出算法与其他改进的和声搜索算法相比,具有更好的收敛性能和寻优性能。

基于差分进化算法的微电网多目标优化调度

能源的紧缺和环境污染问题的加剧,使得人们对微电网有了越来越多的研究。通过对微电网的并网运行进行研究,设计了包含光伏、风机、储能电池单元的微电网系统,综合考虑系统的供电可靠性,环境污染和成本花费三个方面,采用多目标差分进化算法来寻求一组非劣解来确定最终方案。最后通过一组案例数据对系统的优化调度进行了分析和验证。

蚁群算法解决CSAHLP问题时的修正因子的研究

优化蚁群算法是一种基于种群的模拟进化算法,其高效的仿生过程在各类组合问题中有了广泛的应用。CSAHLP经常被用来描述物流在大范围运输时所产生的问题。在CSAHLP问题中,枢流点和节点都是未知参变量,这使得此问题归类于典型的NP问题。ACO作为高效解决NP问题的算法之一,在CSAHLP上有了越来越多的研究应用。但是,蚁群算法也有其自身缺点,受容量约束的条件作为外部约束使得蚁群有时无法得出正确的解。文中详细讨论了蚁群产生非可行解的原因及其处理方法,并通过实验证明方法的有效性。