机械臂多目标最优轨迹的自适应惩罚MOEA/D规划

为了减少机械臂的工作时间和工作过程中的冲击量,提出了基于自适应惩罚MOEA/D算法的时间-冲击多目标规划方法。介绍了PUMA560机械臂结构,并建立了机械臂的连杆坐标系。建立了以减小机械臂工作时间和冲击为综合目标的优化模型,并分析了5次多项式插值函数。通过编码和建立适应度函数,将轨迹规划问题转化为最优基因搜索问题。根据邻域内解的密度设置了自适应惩罚因子,提出了机械臂轨迹的自适应惩罚MOEA/D规划方法。经仿真验证,自适应惩罚MOEA/D算法搜索的Pareto前沿解质量高于标准MOEA/D算法、文献[10]新型MOEA/D算法。且经过优化,机械臂工作时间减少了7.68%,冲击减少了17.32%。实验结果表明,自适应惩罚MOEA/D算法在机械臂轨迹规划中具有优越性。

基于MOEA/D算法的三陷波超宽带天线设计

为实现超宽带通信中对WIMAX(3.3~3.7 GHz)、WLAN(5.150~5.825 GHz)和ITU(8.01~8.50 GHz)频段干扰的抑制,提出了一种基于MOEA/D算法优化设计的具有三陷波特性的超宽带天线。天线采用T形结构作为辐射贴片,通过改变贴片形状等方法实现在3~12 GHz的超宽带。在辐射贴片上刻蚀两个U形缝隙和在传输线两侧加载C形开口环,对天线进行陷波设计。利用MOEA/D算法对陷波结构的结构参数和加载位置进行优化,实现了在3.31~3.69 GHz、5.25~6.13 GHz和8.01~8.51 GHz频段的陷波效果,成功抑制了频段干扰。与传统扫频优化的设计方法相比,采用MOEA/D算法设计的天线在陷波频带内增益低至-19 dB,各陷波频带准确度误差均在3.6%以下,提高了天线的设计效率,具有一定的工程应用价值。

基于I-MOEA/D的多目标测试用例优先级排序

多目标测试用例优先级排序(MOTCP)是回归测试领域中的热门问题,其目的是获得测试用例的执行顺序,最大限度地提高发现缺陷的能力和效率。文章提出一种基于改进MOEA/D算法的多目标测试用例优先级排序方法(I-MOEA/D):首先将多目标测试用例优先级排序问题建模为一个多目标优化问题,然后通过改进MOEA/D算法来解决该优化问题。具体而言:通过引入权重向量自适应策略,以保持子问题之间的多样性;通过位置交叉法对交叉算子进行改进,以加快算法的收敛速度,抵消权重向量计算时间开销;对邻域动态更新,以促进测试用例之间的信息交流和共享。实验结果表明:所提算法在MOTCP方面取得了较好的效果,与其他方法相比,该方法能提高测试用例的发现缺陷能力和效率。

基于角度轨迹和自适应权重的改进MOEA/D算法

基于分解的多目标优化算法是解决多目标优化问题的有效方法,其主要思想是通过一组均匀分布的权重向量对目标进行加权,形成不同的子问题,在其邻域内通过协同进化得到帕累托最优解集。然而,这些均匀分布的权重向量不能很好地适应所有前沿形状的多目标问题,导致解集的多样性下降。为使算法能够高效地判断前沿类型,并有效地调整权重向量,本文提出了基于角度轨迹和自适应权重的改进MOEA/D算法,该算法通过基于角度的聚类方法,降低聚类时间复杂度,并利用聚类-合并策略,提高对前沿划分的准确性。在根据聚类结果判断出前沿类型后,算法根据其前沿类型,采用根据角度划分区域的分配策略,或是根据前沿分段长度和数量分配。这样可以有效地分配计算资源,提高多目标问题求解的效率,通过实验证明,算法的分配策略行之有效,能提高尖峰、长尾和不连续前沿的解集多样性,在收敛性和多样性上均优于对比算法。

基于改进MOEA/D的车联网通信资源分配算法

为获得车联网通信资源分配的最优解,提出一种基于改进MOEA/D的车联网通信资源分配优化算法。将车联网资源请求的阻塞率和资源请求成功的总成本这2个相互冲突的网络通信资源分配要素作为网络通信资源分配的2个优化目标,根据车联网中行驶车辆的特点,对请求资源车辆和提供资源车辆设置约束条件。在此基础上,采用自适应邻域策略平衡进化过程中种群的收敛性和分布性,并将迭代次数引入自适应度,调节交叉算子和变异算子,使种群中较差的个体也具有遗传性,从而保证种群的多样性。同时,随着迭代次数的增加,种群中较差个体遗传性降低,较好个体遗传能力增强,从而保证种群的优化。仿真结果表明,该算法针对最小化阻塞率和最小化成本这2个目标能够获得满意的优化效果,在迭代次数、车辆数和资源请求数变化情况下都存在最优解,在相同迭代次数下,与基于支配的多目标算法SPEA2和NSGA-II相比具有较低的阻塞率和较好的收敛性。

基于自适应MOEA/D的柔性车间多目标联合优化调度

为了实现柔性作业车间完工时间、机器负荷、交货延期时间、车间能耗等多个目标的联合优化,提出了基于自适应惩罚MOEA/D(multi-objective evolutionary algorithm based on decomposition)的柔性车间多目标调度方法。对具有多个生产机床、多个加工任务、多道工序的柔性车间调度问题进行了描述并建立了优化模型。给出了基于MOEA/D算法的柔性车间调度方法,针对常值惩罚因子无法满足不同邻域对收敛性和染色体多样性不同调整需求的问题,提出了能够随邻域染色体密度自适应调整的惩罚因子,并制定了基于自适应惩罚MOEA/D算法的柔性车间调度流程。在具有8个机床、8个工件共28道工序的生产调度实验中,自适应MOEA/D算法搜索的Pareto前沿解能够支配标准MOEA/D和改进NSGA-Ⅱ算法的Pareto前沿解;在等权重最优解的生产实验中,自适应MOEA/D算法调度方案的完工时间、机器负荷、交货延期时间、车间能耗均小于标准MOEA/D算法和改进NSGA-Ⅱ算法。实验结果证明了自适应惩罚MOEA/D算法在柔性车间调度中的有效性和优越性。

基于运动试验平台的MOEA/D改进洗出算法仿真及试验

洗出算法参数的调整很大程度上影响其性能,针对目前经典洗出算法应用于飞行模拟器时参数调整的不足,提出一种基于MOEA/D多目标优化的改进洗出算法。将人体感知误差、洗出位移、模拟加速度误差作为优化目标,以运动空间为限制条件,采用基于分解的多目标优化算法对洗出算法参数进行同步寻优,并利用模糊隶属度函数得到最优解。为验证其有效性,建立飞行模拟器运动试验平台,将采用不同优化方法的洗出算法应用其中进行对比分析。仿真及试验结果表明,改进洗出算法归位反应时间最短,相位延迟降低3.5 s,稳定性提高30%,且修正了感觉峰值,优化了54.6%的工作空间,实现了模拟器在模拟极限运动时有足够的运动空间和更高的动感逼真度。

基于改进MOEA/D的钢铁多介质能源计划优化

针对多介质钢铁能源计划模型存在变量较多、约束复杂和模型求解难度高等问题,提出基于自适应邻域的改进MOEA/D(decomposition-based multi-objective evolutionary algorithm)实现多介质能源计划优化。考虑分时电价特性和煤气柜的缓冲作用,构建以最小化运行成本和总能耗的目标函数,设计能源介质供需和工序饱和度等模型约束;基于能源产耗规则的解码方法确定目标值,定义归一化的切比雪夫聚合函数和种群进化程度的自适应邻域更新,设计改进MOEA/D的能源计划优化算法。仿真对比实验验证了改进MOEA/D有效实现能源计划优化,提高解的收敛性,降低运行成本1.3%和能耗1.2%。

改进MOEA/D算法求解多目标模糊柔性车间调度问题

针对模糊柔性作业车间调度问题中关于求解多目标优化的研究中,利用模糊数表示相关参数,以最小化最大完工时间、总机器负载和最大机器负载为优化目标,提出一种改进MOEA/D算法的权重向量和初始化种群,以优化全局更新配对策略的多目标分解进化算法(I-MOEA/D)和提高算法寻优能力。与MOEA/D、NSGA-Ⅱ和NSGA-Ⅲ算法相比,该方法优于其他算法,同时引入企业工程实例进行分析,证明I-MOEA/D算法具备良好的收敛性和分布性。

基于改进MOEA/D算法的多目标单元构建问题求解

针对具有不同加工流程信息的多类型零件的单元构建问题,建立了最大化机器利用率和成组效率的多目标单元构建数学规划模型。在此基础上,提出一种改进MOEA/D算法(improved multi-objective evolutionary algorithm based on decomposition,IMOEA/D)。剖析模型特征,设计了面向机器分配和零件划分的双层编码策略;为了保证算法迭代的有效性,设计了初始化筛选方法和考虑各制造单元间机器零件平衡性的非法解修复策略;为了增强算法的局部探索能力,设计了基于模拟退火算法的局部搜索方法。实验结果表明所提算法具有优越的性能,获得的Pareto前沿解在覆盖率和Pareto比率两个指标上表现较优,且随着问题规模的扩大,其Pareto前沿优势更加明显。

基于MOEA/D算法的衡水市水资源多目标优化配置

水资源供需之间的矛盾日趋激化,优化配置、高效利用区域内有限水资源变得尤为重要。以衡水市水资源配置为例,综合考虑衡水市水资源优化配置需求,建立了以社会效益、经济效益和生态效益为目标函数的水资源多目标优化配置模型,给出了基于MOEA/D算法的水资源优化配置方案,并将所提方案与基于NSGA-Ⅲ算法的方案进行了对比试验。结果表明,所提方案优于文献方案,可为衡水市水资源合理配置提供依据。

高校智慧图书馆边缘计算场景下基于MOEA/D算法的卸载决策

智慧图书馆子系统是高校智慧校园系统的核心部件,它融合了云计算技术、边缘计算技术、物联网技术、人工智能技术。借助边缘计算技术,可以通过把计算资源和存储资源下沉到网络边缘的边缘服务器上。智能终端设备把任务卸载到边缘服务器上来处理,可以降低智能终端设备的任务处理时延和能源消耗,从而满足读者的随时随地的阅读需求。针对高校智慧图书馆边缘计算场景下的任务卸载决策问题,建立了系统模型、时延模型、能耗模型和多目标优化模型,给出了一种基于MOEA/D算法的卸载方案,并与本地执行的方案、随机卸载方案、基于遗传算法的卸载方案进行了对比实验。实验结果表明:给出的任务卸载方案能够有效降低智能终端设备的任务卸载时延和能耗,能满足智慧图书馆的任务卸载需求。

超参数自适应的MOEA/D-DE算法在翼型气动隐身优化中的应用

MOEA/D-DE算法易于实现,被广泛应用于处理多目标优化问题,但其超参数对算法性能影响较大。基于MOEA/D-DE算法框架,利用Sobol全局灵敏度分析方法对差分进化算子中的交叉控制参数进行改进,使用莱维飞行机制控制比例因子,使算法中的超参数拥有自适应能力,得到超参数自适应的MOEA/D-DE算法——MOEA/D-DEAH算法;对MOEA/D-DEAH算法、不同超参数设置的MOEA/D-DE算法和NSGAⅡ算法进行函数测试和翼型气动隐身优化算例对比。结果表明:MOEA/D-DEAH算法性能良好,具有较强的鲁棒性,气动隐身优化效果也比其他算法更好。

基于改进MOEA/D分解算法的天线阵优化设计

针对天线阵列设计需要优化的目标数量多、耗时长且难以收敛的问题,提出一种新的根据拥挤度动态调节邻域大小的基于分解的多目标进化算法MOEA/D。该算法引入一个拥挤参数集合,根据种群拥挤度的排名区间为子问题选取集合中不同的拥挤参数值,根据搜索阶段计算每个子问题的选择邻域和替换邻域,并间隔50代重新进行拥挤度排名计算达到动态调节邻域的目的,以平衡种群的收敛性和多样性。在对比实验中,选取测试函数DTLZ、WFG和直线阵列优化设计问题,将改进算法与其他4种算法进行性能对比。实验结果表明,改进算法在测试函数和直线阵列优化设计问题上表现均优于对比算法,搜索得到的Pareto解集满足天线阵列的设计需求。

一种基于自适应变异算子优化的MOEA/D算法

MOEA/D(基于分解的多目标进化算法)利用一组均匀分布的权重向量将多目标优化问题分解为若干个单目标子问题,并以协作方式同时优化这些子问题。然而,当多目标问题真实Pareto前沿(Pareto front, PF)的形状具有长尾和尖峰特征时,MOEA/D在求解此类多目标问题时,所得到的最优解集在长尾和尖峰区域相对稀疏,性能受到很大影响。为了有效处理这种情况,提出了一种自适应选择变异策略的MOEA/D算法。该算法采用5种不同的变异策略构成候选池,在进化过程中,根据候选池中各变异策略近期的表现,以更高的概率选择近期表现更好的变异策略,使算法能够快速收敛。在算法的差分变异操作中采用理想解充当扰动向量,在PF上获得一组均匀分布的最优解,从而提高算法的性能。实验结果表明,与其他算法相比,本文算法获得的最优解集有更好的收敛性和分布性。

采用MOEA/D进行主动配电网多区域划分优化

随着分布式电源并网容量与出力占比的逐渐提升,配电网的运行迎来较大挑战。对配电网进行合理的区域划分,可以减小配电网管理中所需的计算量,减少内存占有。从结构性和功能性两个角度进行考虑,构建区域划分指标体系,包括区域内耦合度、区域间耦合度、无功平衡度、有功平衡度四项指标,进而建立主动配电网区域划分优化模型。为了提高求解效率,采用基于分解的多目标进化算法(MOEA/D)进行主动配电网多区域划分,对主动配电网区域划分优化模型进行求解。通过算例验证模型的有效性,实现光伏、风电、储能装置等分布式电源的合理配置,并在已有方案基础上实现优化,提高配电网控制、管理、调度的效率。

基于多目标进化算法混合框架的MOEA/D算法

针对混合多目标进化算法中如何设计全局搜索算法和局部搜索策略结合机制的难点问题以及提高多目标进化算法的求解性能,基于反馈控制思想,提出了一种系统化、模块化的全局优化与局部搜索相结合的混合MOEA/D算法,算法中设计了一种基于拥挤熵的种群多样性度量方法;提出了基于简化二次逼近的局部搜索策略,以及针对MOEA/D的种群多样性增强策略。数值实验表明所提算法具有良好性能,可以兼顾算法求解的多样性和收敛性,所提混合框架可有效提升现有多目标进化算法的求解性能。

一种新的MOEA/D中邻域更新策略研究

MOEA/D算法使用聚合方法将多目标问题分解成单目标问题并行进化.然而,在优化的过程中,子代在固定的邻域内替换父代,并没有考虑固定邻域不利于算法选择较合适的父代参与繁殖.针对此问题,提出一种新的邻域更新策略.首先,利用各子问题的解,求出该解与所有权重向量的聚合函数值,以这些聚合函数值作为参考信息,更新父代解;其次,利用该参考信息,更新子问题对应的邻域结构.并将领域更新策略MOE/D算法应用子ZDT,DTLZ1-2等三个系列问题进行性能测试,并与M OEA/D、M OEA/D-GR算法进行性能对比.实验结果表明,与M OEA/D和M OEA/D-GR算法相比,结合邻域更新的M OEA/D策略,算法的收敛性明显提高.

基于动态多策略差分进化模型的MOEA/D算法

在基于分解技术的多目标进化算法的框架中,引入一种动态多策略差分进化模型。该模型在分析不同差分进化策略的特点基础上,选择了三种差分进化策略,并对每种策略分配一子种群。在进化过程中,依据每种策略对邻域更新的贡献度,动态地调整其子种群的大小。对比分析采用不同差分进化算法的性能,结果表明运用多个策略之间相互协同进化,有利于提高算法性能。将新算法同NSGA-Ⅱ与MOEA/D算法在LZ09系列基准函数上进行性能对比,实验结果显示该算法的收敛性和多样性均优于对比算法。将新应用于Ⅰ型梁多目标优化设计问题中,获得的Pareto前沿均匀,且解集域较宽广,对比分析表明了算法的工程实用性。

采用MOEA/D算法的含风电系统环境经济调度

建立含风电系统的环境经济调度(Environmental Economic Dispatch,EED)模型,提出采用基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)来求解,并在算法中加入约束处理,归一化及变异操作来改善算法的性能并保持解的多样性,以获得理想的Pareto最优前沿.通过仿真计算,并与其他优化算法进行对比分析,验证了MOEA/D算法解决含风电EED问题的可行性和有效性.