基于非支配排序遗传算法的页岩气压裂工艺参数优化研究

为了提高页岩气开采效率和经济性,提出基于非支配排序遗传算法的页岩气压裂工艺参数优化研究。综合考量压裂液注入体积流量、支撑剂用量、压裂段长度及其他相关参数,设计多目标函数。在此基础上,设定涵盖地质条件、工艺参数及经济效益的详尽约束条件。通过非支配排序遗传算法(NSGA-Ⅱ)结合独特的实数编码方案,对复杂工艺参数组合进行精确表征与优化,最终输出一系列帕累托最优解,实现页岩气压裂工艺参数的自动优化。实验结果表明,该研究方法能够自动找到最优的工艺参数组合,显著提升页岩气的开采效率并降低开采成本,增强整体经济性。

基于非支配排序遗传算法-Ⅱ的静态换相开关优化配置方法

为应对低压配电网中光伏系统带来的电压三相不平衡问题,本文提出了一种基于非支配排序遗传算法-II的静态换相开关优化配置方法。通过考虑静态换相开关的最佳部署位置,采用NSGA-II算法优化静态换相开关的数量和位置,从而实现成本效益最大化。并在IEEE 123节点测试馈线上进行了仿真实验,以验证方法的有效性。仿真结果表明,该方法在IEEE 123节点测试馈线中能够显著减少电压不平衡和网络损耗。在不同渗透水平下,沿馈线的最大电压不平衡度分别降低了80%和60%,总能量损失减少了(69.2~75.7)kWh。本文提出的方法在提高配电系统运行效率和稳定性方面展现了良好的应用前景,为智能电网和可再生能源的可持续发展提供了有力支持。

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。

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.

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。

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 。

多工序车削的自适应搜索非支配排序遗传算法

在实际数控生产加工过程中,切削参数的优化对于保证加工质量、提高生产效率和降低加工成本具有非常重要的意义。为计算以单位生产成本最小为优化目标的多工序车削非线性优化模型,在NSGA-II算法基础上提出了一种新的自适应搜索非支配排序遗传算法(ASNSGA)。多工序车削加工实例结果表明,与模拟退火算法(SA/PA)、分散搜索算法(SS)及浮点编码遗传算法(FEGA)优化算法比较,自适应搜索非支配排序遗传算法得到最低的单位生产成本,有助于数控加工中粗车进给量、粗车切削速度及精车进给量、精车切削速度等切削参数的优化选择。

基于改进的二代非支配排序遗传算法对电子变压器多目标优化

对多目标、多变量优化方法研究的基础上,提出了改进的二代非支配排序遗传算法。在该算法中,通过增加种群多样性和提高个体竞争力,有效地减少了早熟收敛现象的发生;同时,通过种群分割操作,大大减少了交叉运算的计算量。依据这一改进算法,建立了三维优化模型,对电子变压器进行了多目标优化设计,获得了电子变压器优化设计参数,使其体积更小、效率更高,更容易找到全局最优解。与非支配排序遗传算法(NSGA)和二代非支配排序遗传算法(NSGA-Ⅱ)相比,改进的二代非支配排序遗传算法在电子变压器优化设计方面具有明显的优势。最后,依据优化结果,制作了一台磁芯材料为超微晶合金的高频变压器,温度校核结果表明了此优化方法的可行性。

基于二代非支配排序遗传算法的电子变压器多目标优化

基于二代非支配排序遗传算法(NSGA-Ⅱ)对大功率电子变压器的优化设计进行了研究。以电子变压器的面积乘积、磁芯损耗和绕组损耗为目标函数建立了三维优化模型。通过对NSGA-Ⅱ算法的研究,合理确定了选择、交叉、变异等算子的取值,对冷轧硅钢片、铁基非晶合金、超微晶合金三种磁芯材料的电子变压器的设计进行了优化。根据磁芯损耗和绕组损耗相等时变压器效率最大的原则选取了最优点。通过对优化结果的参数指标比较,分析了三种磁芯材料的物理特性。利用有限元软件计算了三种变压器的温度场,作了温度校核,并对三种变压器的热特性进行了分析,验证了超微晶合金材料在大功率电子变压器设计制造的优越性。

非支配排序遗传算法(NSGA)算子分析

介绍了一种基于遗传算法的多目标进化算法-非支配排序遗传算法(NSGA)。并用NSGA对三个多目标优化问题进行了详尽的计算,对采用不同的算子和不同的算子取值进行了对照,初步得出了一组适用于不同类型问题的NSGA的遗传算子取值,对其他同类问题的计算提供了参考。

基于改进非支配排序遗传算法的维修资源优化配置

针对在武器装备维修保障过程中出现的资源短缺、资源冲突等问题,构建了多目标的维修资源优化配置模型,并且基于加权思想将多目标转化为单目标以方便求解。针对遗传算法求解多目标优化问题存在的解空间过大、收敛速度慢、计算效率低等问题,提出了基于约束的改进非支配排序遗传算法对资源优化配置模型进行求解。实例分析结果验证了模型及算法的可行性和有效性。

面向交通信号优化改进快速非支配排序遗传算法研究

针对快速非支配排序遗传算法(NSGA-Ⅱ)的精英保留策略会使大量冗余的高排序级别个体同时作为精英保留到下一代,极易发生早熟收敛现象问题,提出了改进的快速非支配排序遗传算法(I-NSGA-Ⅱ),并将其应用于交通信号多目标优化问题。I-NSGA-Ⅱ采用了冗余个体标记方法,之后的精英保留策略会通过该标记来判断去除冗余个体并将其并入临时层级,最后在生成的新种群规模不足时,会从临时层级中取出相应规模的冗余个体,对其进行变异操作后并入新种群。实验表明,I-NSGA-Ⅱ在保证停车率和排队长度基本不变的情况下,减少了车辆及行人延误,证明所提出的算法可提高交通路口综合交通效益。

惩罚策略辅助的快速非支配排序遗传算法Ⅱ研究

快速非支配排序遗传算法Ⅱ(NSGA-Ⅱ)是一种典型的多目标优化算法。然而,其采用的锦标赛选择策略存在着重复选择较优个体的缺陷,由此导致产生的后代分布性较差以及算法整体性能下降。为解决锦标赛选择策略的缺陷,提出惩罚策略辅助的锦标赛选择策略。具体而言,在通过惩罚策略辅助的锦标赛选择策略选择交叉个体时,在下一轮中每个被选择个体的优先级自动降低,以此降低较优个体被选中的概率。将基于惩罚策略辅助的锦标赛选择策略融入NSGA-Ⅱ算法,提出了惩罚策略辅助的快速非支配排序遗传算法Ⅱ。在ZDT和DTLZ测试集上与多个算法进行对比,结果表明:所提策略有效地解决了原锦标赛选择策略的缺陷,说明了改进策略的有效性。