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。

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。

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。

基于自适应进化策略的MOEA/D算法

针对MOEA/D算法单纯使用差分进化策略造成局部搜索能力弱、寻优精度低等问题,提出一种基于自适应进化策略的MOEA/D算法(MOEA/D-EA)。利用种群邻域更新信息构造进化状态判断机制,判断子问题的进化潜能和种群的进化状态;将子问题的进化潜能正反馈到反向学习模型,形成自适应的反向学习策略(AOBL);根据种群的进化状态选择不同的进化策略,以均衡算法的全局搜索与局部寻优能力。实验结果表明,该算法在收敛性、分布性和稳定性等方面均优于或部分优于其它对比算法。

改进自适应MOEA/D算法的楼宇负荷优化调度

针对负荷侧用户用电电费、新能源消纳率和用电峰谷差等问题,提出了一种改进的自适应基于分解的多目标进化算法,进行楼宇微电网签约住户可控负荷优化调度;通过分析负荷的用电特性,将用电负荷分为五类并分类建立数学模型、优化目标函数和约束条件;将广义分解与均匀分配相结合产生新的自适应权重向量使算法非支配解更接近真实帕累托前沿;采用历史经验的思想通过计数SBX和DE两种交叉算子对外部存档的贡献率,运用轮盘赌的方式实现自适应选择策略;通过特性约束条件映射对产生的子代点进行修正,间接地扩大了算法搜索空间,提高了种群多样性。通过测试函数验证了改进的AWS-MOEA/D算法的收敛性和优越性;在某小区楼宇住户调度仿真实验结果表明,所改进的算法在调度后能节省更多的电费,并有效地提高了新能源消纳率。

偏好MOEA/D算法的研究与实现

在科研和工程实践中存在着很多需要同时优化的两个或多个相互冲突的多目标优化问题。多数情况下,人们使用多目标优化是为了寻求某一特定方向的Pareto解,但传统的优化方法只能得出分散的全部解集,不利于辅助决策。为此,提出一种带偏好的多目标优化算法(即偏好MOEA/D算法),该算法的核心思想是将一个多目标优化问题分解成多个单目标优化问题并同时优化,在子问题通过相邻子问题信息优化的过程中加入使用者偏好,最终得到方向明确的Pareto解集。经仿真验证,该算法具有突出的求解性能,便于辅助决策,且有较高的有效性和可拓展性。

基于MOEA/D算法的麦弗逊式悬架优化

采用ADAMS/Car建立仿真模型对麦弗逊独立悬架进行建模,得到已知数据;通过对车轮同步跳动的仿真运动,得到的定位参数不符合设计要求。对不符合要求的定位参数进行优化,利用ADAMS/Insight对运动仿真的图像进行分析。通过正交试验,采用SPSS软件对正交实验数据进行非线性回归,得到各定位参数与硬点之间的拟合函数,利用MOEA/D算法求解多目标优化的最优值,最后将更改的硬点与原先的对比,各定位参数得到优化。

基于MOEA/D算法的DWF最大准入功率计算方法研究

随着分散式风电场(Dispersed Wind Farm,简称DWF)高比例接入配电网,电网的电压稳定性和电能质量受到越来越大的影响.在并网过程中,DWF选址定容的不合理操作使得网损消耗和电压不稳定问题尤为突出.在综合考虑电网潮流与电压平衡、功率与装机容量限制的条件下,建立以总网损消耗最小、节点电压稳定裕度最大以及DWF接入容量最大为目标函数的含DWF的配电网多目标优化模型,并采用MOEA/D算法进行求解.在求解过程中,MOEA/D算法通过结合Tchebycheff分解算法与差分进化算法对模型进行优化求解,在保证种群多样性的同时,提高了对Pareto解集的寻优能力,获得了高质量的优化结果.最后,经算例验证了方案的合理性和有效性.

基于改进MOEA/D算法的含可再生能源系统协同优化调度

针对含可再生能源系统协同优化调度方法存在SOC值控制约束能力差、调度能耗高的缺点,提出基于改进MOEA/D算法的含可再生能源系统协同优化调度方法。首先构建含可再生能源系统中关键发电模型,分别为光伏阵列模型、风力发电模型以及储能蓄电池模型,然后以能耗最低为目标,构建出系统的协同优化调度函数,得出电功率及热功率平衡的函数约束条件,最后利用改进MOEA/D算法求解出函数最优解,实现含可再生能源系统协同优化调度。实验结果表明,本文方法的SOC值控制约束能力好,SOC值控制结果最接近理想状态,在环保性最优准则下系统调度能耗低,24 h能耗功率为0.6 kW。

基于分解多目标进化算法(MOEA/D)的建筑节能设计方法

建筑能源消耗量大,为提高建筑节能设计水平,文章提出基于多解多目标进化算法(MOEA/D)的设计方法,根据模糊决策确定折衷解选择方案。结合单房间办公建筑和多房间居民建筑实例进行分析,根据HV值、SC值、折衷值对比MOEA/D算法和典型NSGA-II算法的设计效果,检验设计方法的可行性。研究表明,基于MOEA/D算法的设计方法在收敛性和分布性两方面均占优,能够降低建筑能耗,改善建筑居住环境,符合绿色生态建筑工程理念,综合设计效果良好,是一种可行的建筑节能设计方法,对建筑设计有一定的参考价值。

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。

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。

MOEA/D算法在扩展互作用振荡器优化设计中的应用研究

扩展互作用振荡器(EIO)是一种新型真空电子器件,在其优化设计中,如何实现高频率、宽带宽、短结构等多个设计目标的共渡问题,成为该类真空电子器件的研究重点。以W波段哑铃型多间隙耦合腔作为理论模型,基于谐振腔自激饱和基本原理和一维电子圆盘模型下的注—波互作用方程,推演出适用于EIO的一维非线性自洽方程组;结合MOEA/D多目标优化算法,得到针对多个设计目标的EIO自动优化程序。以95 GHz W波段EIO作为示例,选择EIO输出功率、瞬时带宽和互作用结构长度三个目标作为解向量,选择间隙长度、耦合腔周期长度、谐振腔外观品质因数、电子注半径、工作电压、工作电流、间隙个数七个参数作为决策向量,描述了优化设计过程。该优化设计方案能够迅速跳出输出功率为零的陷阱,提高优化速度,得到输出功率为1 100~2 400 W,瞬时带宽为61~475 MHz,互作用结构长度为3.7 mm、4.5 mm、5.4 mm、6.2 mm、7.0 mm五段附近、对应间隙个数依次为5~9的Pareto解集,为真空电子器件优化设计人员在实际应用中提供了更多的选择。

基于MOEA/D多目标优化选择的预测学习框架

为提高大豆期货价格预测模型精度和泛化能力,文章提出一种基于MOEA/D多目标优化选择的预测学习框架。首先,利用完全集合经验模态分解(CEEMD)将序列分解为高频、低频和趋势序列;然后,使用差分自回归移动平均(ARIMA)、BP神经网络(BP)、回归决策树(CART)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)分别预测各序列;再使用MOEA/D算法对各个模型进行多目标优化选择,并对各序列进行集成处理,得到预测结果。为验证预测学习框架的优越性,以芝加哥期货交易所大豆期货每分钟数据作为实证数据,并与10个基准模型进行对比。结果表明:所提出的预测学习框架具有更好的优越性,在精度、泛化能力和稳健性上均具有很好的效果。

生产工序约束下物流资源多矛盾目标优化调度

在车间生产工序约束下,为了实现物流资源的多矛盾目标优化调度,提出了密度自适应MOEA/D算法的调度方法。对智能车间中生产工序约束下的物流调度问题进行了分析,并建立了最小化完工时间、物流车数量和惩罚成本等多矛盾目标的优化调度模型。以MOEA/D算法为基础,设计了随邻域中染色体密度自适应变化的惩罚因子,调节了染色体多样性和算法收敛性,有效提高了算法的解集质量。将密度自适应MOEA/D算法应用于物流资源调度中并进行实验验证,结果表明:与MOEA/D算法、改进NSGA-II算法相比,密度自适应MOEA/D算法的解集质量更高、分布多样性更好。以3台物流车为例,密度自适应MOEA/D调度方案的完工时间最短,为749 min。实验结果证明了文章方法在物流资源多矛盾目标优化调度中的优越性。

目标火力分配的优化算法

火力分配问题是一个规划问题,火力分配优化问题是作战仿真中的一个重要内容,其算法的优劣决定了火力分配优化结果,该结果是影响战争胜败的关键因素。本文通过分析目标火力分配优化算法发展历程,将火力分配优化算法归纳总结为常规解析火力分配法、智能进化火力分配法、混合式火力分配法三种方法,并分析总结各自的特点,最后对MOEA/D优化算法进行了初步研究。

基于Spark计算框架的多目标优化算法实现

为了降低分解型算法求解大规模问题的运行时间成本,结合分解型多目标进化算法(MOEA/D)和Spark分布式计算框架的特点,提出了一个主从分布式分解型多目标进化算法(MODEA/D-RDD)。在新的方案中每个Map保存且进化一个子问题,从而通过多个Map分布式计算提高效率。测试例上的实验结果表明,在求得解集质量不明显降低的前提下,全局种群进化方案能够有效缩短求解多目标问题的计算时间。