产业结构调整的低碳效应测度——基于NSGA-Ⅱ遗传算法

如今,中国面临高速发展与低碳的深层次矛盾,产业结构调整被普遍认为是一种有效的低碳发展途径;为测算产业结构变动产生的低碳效应,本文构建了投入产出多目标优化模型,以江苏省为例,采用带精英策略的非支配排序遗传算法(NSGA-Ⅱ)模拟运算,求得Pareto最优解集;与以往研究不同,本文缩小范围,集中关注产业结构因素,更具针对性,所采用的遗传算法在该领域内运用得还不多。结果表明:在保证稳定增长与就业的前提下,产业结构调整作为减少碳排放的手段仍在一定范围内有效;应推动低能耗、低排放、高附加值的高新技术产业和新兴产业,发展包括现代服务业在内的低碳型第三产业;节能技术的创新开发和应用,技术进步与结构调整的协调一致,是关键所在。

基于NSGA-Ⅱ算法的电容称重传感器抗偏载能力的优化

为了满足在保证电容称重传感器最小识别极距变化的同时达到提高其抗偏载能力的要求,对传感器进行了多目标优化的研究。分析计算了电容称重传感器力学性能与结构参数之间的关系,建立了以其导向性能和抗弯性能为优化目标的0.001 g精度电容称重传感器的多目标优化模型。应用Isight优化软件中的改进型非支配解遗传(NSGA-Ⅱ)算法得到电容称重传感器的Pareto最优解集,并通过有限元验证了优化结果的准确性。研究表明,在保证电容称重传感器最小识别极距变化的前提下,极大地屏蔽了偏载对电容精度的影响,结果具有很强的实用性。

基于NSGA-Ⅱ快递智能仓库多目标优化问题研究

针对智能快递仓库一个订单对应多个物品,协同物品出库和打包两个阶段的全生周期调度问题,将具体的业务问题量化成数学模型,提出同时度和准时度的概念,并从减少智能仓库中转库存(同时度)和打包完成时间(准时度)两个层面上对问题进行量化建模。并提出一种增加优选种群的NSGA-Ⅱ模型对问题进行优化求解,最后通过仿真实验证明方法的合理性。

高速列车车厢夹层板断面结构的多目标优化

为获得不同运行速度和工况下的高速列车车厢侧墙结构,在拓扑优化结构的基础上进行了多目标优化研究。将侧墙夹层板质量、柔度、最大变形作为优化目标,以侧墙5段夹层结构的面板和夹心厚度为变量、车厢气压变化梯度为约束函数,利用代理模型技术,建立了各目标、约束函数与变量之间的代理模型,通过非支配遗传算法NSGA-II,得到了多目标的Pareto解集。该Pareto解集中的夹层板结构比拓扑优化得到的夹层板结构的最大变形性能提高了8.21%到33.58%,设计时可根据具体的要求和经验从Pareto解集中进行选择,从而为不同运行速度和工况下的高速列车车厢断面结构的设计提供了多种选择方案。

基于多目标遗传算法的可调节变量产品族优化

为了实现可调节变量产品族的优化设计,在建立可调节变量产品族原理模型及优化模型的基础上,提出基于非支配排序遗传算法(NSGA-II)的产品族优化设计流程.根据产品族优化设计的数学模型,用NSGA-II算法求得多目标优化问题的Pareto集,并使用基于模糊集合理论的方法选择一个最优解.在优化设计的第一阶段中NS-GA-II算法独立优化每个产品,依据设计变量的变化率确定产品平台常量集合及平台常量取值.第二阶段用NS-GA-II算法优化每个实例产品的可调节变量值,在满足产品族设计要求的前提下,提高实例产品的性能.对通用电机产品族进行优化设计,并与One-Stage-Ps方法进行比较,证明了该方法在工程应用中的正确性与高效性.

电站多目标负荷优化分配与决策指导

对传统意义下的厂级负荷优化分配模型进行修正,同时考虑全厂供电煤耗率、污染排全放和负荷调整时间3个目标,提出厂级负荷分配的多目标优化模型。将多目标优化方法和多属性决策结合使用,研究多目标优化指导的问题。针对非劣分层遗传算法(nondominated sorting genetic algorithmII,NSGA-II)易于局部收敛的特点,提出了并行的NSGA-II多目标优化结构,增加了Pareto前沿的多样性,为决策提供丰富的信息。引入基于基点和熵的多属性决策方法,对Pareto解集进行排序,得出最优解。对某火电厂进行实例分析,结果表明该方法能准确快速地完成多目标负荷分配优化,并给出正确的指导,具有一定的实用性。

一种调强放射治疗逆向计划多目标混合优化方法研究

针对调强放射治疗(IMRT)逆向计划的优化问题,提出了基于L-BFGS和Pareto最优解的多目标遗传算法———NSGA-Ⅱ算法的调强放射治疗计划多目标混合优化方法。根据IMRT对多个目标的剂量约束条件,建立了多目标优化的简化及精确的数学模型。为了加快优化速度,首先采用L-BFGS算法求解简化模型,并将其作为精确模型的初始解;然后采用NSGA-Ⅱ算法对精确模型求解来获得分散性良好的Pareto最优解集,使临床医生能根据各个目标的剂量体积直方图等加以决策,以便从中选择合适的治疗方案。实验结果表明,采用上述方法得到的非劣解在目标空间中分布均匀,计算速度快,鲁棒性好。与常用的将该多目标优化问题通过加权求和转化为单目标优化问题加以求解相比较,由于该方法提供了Pareto最优解集合提供给决策者选择,因此具有更强的灵活性,能更好地满足临床的实际需要。

面向多目标优化的一种混合进化算法

针对多目标优化问题,设计一种基于量子计算和非支配排序遗传算法相结合的智能算法进行求解,综合量子算法和非支配排序遗传算法的优点,在局部搜索和全局搜索之间进行权衡。混合算法采用量子比特对问题的解进行编码,基于量子旋转门算子、分散交叉算子以及高斯变异算子对种群进行更新。进行局部深入搜索时,用一个解在目标空间中跟理想点的距离来评价该解的优劣;进行全局搜索时,基于非支配排序遗传算法中的有效前沿的划分和解之间的拥挤距离来评价某个解。最后,在经典的测试函数ZDT5上对所提混合算法进行了测试。通过对比分析若干项针对有效解集的评价指标,该混合算法在跟最优有效前沿的逼近程度以及有效解集分布的均匀程度上均优于目前得到广泛应用的非支配排序遗传算法。

货运量变化条件下中欧班列西通道境内去程集结方案研究

以中欧班列西通道境内去程集结方案为研究对象,考虑国内集装箱班列和中欧集装箱班列两种模式,从铁路承运方的角度出发,以运输费用最小、服务匹配度最高、运输时间最短等为目标,以运量、唯一性、班列运行频率、站点、决策变量取值范围等为约束条件,构建中欧班列西通道境内去程集结方案优化模型,研究在不同的货物运量条件下,中欧班列境内去程的集结中心地点、运输组织模式及其相关变化,并采用带有Pareto集的NSGA-Ⅱ算法进行求解。研究结果表明:对于目前的货运量而言,可以在成都、重庆设置中转集结站点,进行部分列车的中转集结作业;当货运量处于最高货运量的60%以下时,宜在西安、乌鲁木齐设置中转集结站点,而货运量在高于最高货运量的60%,经过西安、乌鲁木齐时,大部分列车开行中欧直达班列,部分可在乌鲁木齐进行中转集结作业。