多目标粒子群算法用于补料分批生化反应器动态多目标优化

多目标优化是过程系统工程的重要课题,通常以加权或约束方式将其转换为单一目标,未能反映多目标间的复杂关系,不利于随时根据需求作出有效的决策。基于群智能的粒子群算法具有全局优化性能,且易于实现。为使其适于多目标优化,应拓展功能,实施改造。以Pareto支配概念评价种群个体的优劣,设计了确定局部最优点和全局最优点的操作。又利用各粒子的局部最优点信息进行速度更新,以加强种群的多样性,避免因早熟而陷于局部最优。还设置了外部优解库,并通过分散度计算,以适当的策略进行更新,使之逐步均匀地逼近于Pareto最优解集。由此构建一种多目标粒子群优化算法(multi-objective particle swarm optimization,MOP-SO),并用于补料分批生化反应器的动态多目标优化,取得了满意的结果。可基于所搜得的Pareto最优解集,分析目标间的关系,为合理决策提供有效的支持。经与NSGA-II比较,MOPSO算法具有更为优良的性能。

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。

基于变粒度的注塑模流道多目标优化设计

现有多型腔注塑模流道优化设计通常对该复杂问题进行简化处理,仅将熔体流动平衡或低生产成本作为优化目标,缺乏准确而全面的设计方案优劣评价指标,难以获得真正最优的流道设计方案。针对此问题,提出采用变粒度策略来处理注塑模流道优化设计这一多目标多约束的复杂工程优化问题,在保证各型腔制品质量均衡性的同时兼顾注塑生产的成本和效率,建立不同粒度的注塑模流道多目标优化设计数学模型,在设计初期利用粗粒度模型快速获取通向整体最优解的方向,在此基础上逐渐细化模型的粒度,最终利用细粒度模型获取能使综合指标最优的设计方案。提出基于流动模拟和Pareto优于关系准则的注塑模流道多目标优化设计问题求解算法,并利用该算法求取不同粒度下流道优化设计问题的Pareto最优解。鼠标组合型腔流道的多目标优化设计实例验证了此方法的有效性。

嵌入用户偏爱区域的多目标优化算法

针对已有的多目标优化方法在实际应用中存在的问题,给出了基于用户偏爱区域的多目标优化算法.它只求出与用户偏爱区域相关的部分Pareto最优集,从而减少了解的数量,加快了收敛速度.算法运用了精英非受控排序策略,并以个体与用户偏爱区域的距离作为影响适应值的一个因素,运用排挤策略实现解在Pareto边界分布的均匀性.仿真结果表明算法有效.

基于多目标粒子群优化算法的Web服务组合

基于服务质量(QoS)的Web服务组合是一个非线性、多目标优化求解问题,属于NP难问题。提出一种多目标粒子群优化算法来求解基于QoS的Web服务组合问题,在Web服务组合模型中考虑了服务执行代价、时间、可用性等五方面的因素。针对基于QoS的Web服务组合特点,借鉴运动学速度分解原理对粒子每维的速度进行相应分解,采用多目标指导粒子的飞行;基于Pareto支配关系来更新粒子的个体极值,采用精英归档技术维持种群多样性,粒子的全局极值由外部档案库中的非劣最优解提供;针对粒子群易陷入局部最优问题,采用了变异策略来改善。与基于遗传算法的Web服务组合算法相比,基于多目标粒子群优化的Web服务组合算法可以快速收敛,并获得综合QoS较好的解。

基于BP-NSGA的注塑参数多目标智能优化设计

为获得成型性能最优的注塑参数设计方案,提出了基于BP神经网络和非支配排序遗传算法的注塑参数多目标优化方法。将注塑模结构尺寸参数和注塑工艺参数作为待优化的设计变量,建立了以高质量、低成本、高效率为优化目标的注塑参数优化设计模型。基于非支配排序遗传算法获取给定参数范围内的所有Pareto最优解,并通过建立多输入和多输出的BP神经网络来快速获得非支配排序遗传算法优化进程中所有个体的适应度值。开发了基于BP神经网络与非支配排序遗传算法集成的注塑参数智能优化设计系统,并通过鼠标注塑参数设计实例,验证了其适用性和有效性。

基于免疫机制的多目标蚁群算法用于间歇反应器的约束动态多目标优化

含路径和终端约束的动态多目标优化是过程系统工程的一个重要研究方向,难度较高。传统蚁群算法仅适于离散问题,今采用混合正态分布描述信息素分布,并设计相应的解构造操作,使之拓宽至连续优化问题。通过对目标函数和约束矩阵的非劣排序,确定解的等级,用以克服传统约束处理方法的局限性。借鉴了免疫系统的浓度概念,将其与解的等级结合,共同确定解的适应度,有助于保持种群的多样性。在更新信息素时将利用外部优解库和种群信息,可加快收敛速度。基于拥挤度距离更新外部优解库可更均匀地逼近Pareto最优解集。由此构建了一种基于免疫机制的多目标蚁群算法(Immune Mechanism based Multi-Objective Ant Colony Algorithm,IM-MOACA),并用于间歇反应器的动态多目标优化问题,效果良好,显示出较强的全局优化性能,能以较快的速度逼近真实的Pareto最优前沿,可为用户进行合理的决策分析提供有效的支持。

一种基于群智能的快速多目标优化算法

粒子群优化算法是一种典型的仿真群智能的算法。探讨了利用粒子群算法求解多目标优化问题,为了提高算法速度,采用了几何Pareto选择算法作为文档算法,用多方向搜索的办法寻找极端点。实验表明:该算法得到的解的数量多,速度快并且近似前沿的程度比较高。

基于综合灵敏度分析限流的最优断线措施

通过对500kV电网短路电流超标问题进行研究,考虑抑流效果与主网完整性、系统电压安全稳定性之间的关系,提出一种基于综合灵敏度分析限制短路电流的多目标决策线路开断优化方法。首先通过分析受端电网开断线路对超标站点自阻抗、三相短路电流及节点电压的灵敏度,建立了综合灵敏度多目标优化模型。再对灵敏度进行归一化处理,借助组合权重因子及帕雷托(Pareto)最优前沿集的定义,求得综合灵敏度值,对其降序排列得到以综合效果最佳为目标的断线措施优先级,进行短路电流校验,从而可快速地寻找到最优断线措施方案。通过对广东电网某500kV层简化网络仿真验证,结果表明了所提方法的有效性,该方法能够快速获取限流的最优断线决策方案。

一种新的多目标改进和声搜索优化算法

针对标准和声搜索算法存在收敛不稳定及不能用于多目标优化问题的缺陷,通过引入交叉算子、自适应记忆内搜索概率和调节概率,改进了传统的和声搜索算法;根据Pareto支配关系,结合算法和声记忆库内信息完全共享的特性,提出了基于动态Pareto最优前沿的能够求解多目标优化问题的多目标改进和声搜索算法。通过几个典型函数的仿真测试表明,提出的算法能够高效稳定地收敛于Pareto最优前沿,获得分布均匀的Pareto解集。

基于最优Pareto集的船舶出坞拖轮配置优化

本文采用多目标遗传算法求解船舶出坞拖轮配置优化模型的近似Pareto最优解集，针对遗传算法只能优化单目标、无约束问题，通过引入罚函数除去了船舶出坞中多变量非线性有约束问题的约束限制。本文利用加权和方法处理船舶出坞拖轮装置多目标优化问题，并按专家决策方法确定各目标函数的权系数。拖轮配置优化结果表明了多目标遗传算法的有效性，并为船坞主管进行船舶出坞拖轮配置决策提供了充分的依据。

基于正交设计的多目标演化算法

提出一种基于正交设计的多目标演化算法以求解多目标优化问题(MOPs).它的特点在于:(1)用基于正交数组的均匀搜索代替经典EA的随机性搜索,既保证了解分布的均匀性,又保证了收敛的快速性;(2)用统计优化方法繁殖后代,不仅提高了解的精度,而且加快了收敛速度;(3)实验结果表明,对于双目标的MOPs,新算法在解集分布的均匀性、多样性与解精确性及算法收敛速度等方面均优于SPEA;(4)用于求解一个带约束多目标优化工程设计问题,它得到了最好的结果———Pareto最优解,在此之前,此问题的Pareto最优解是未知的.

基于混合粒子群算法的多目标车辆路径研究

为解决多目标下带时间窗车辆路径的优化问题,提出了将粒子群算法与变异操作相结合的求解方式。设计了一个随迭代次数增加而变化的变异算子,采用轮盘选择机制,以使多目标离散问题能收敛到Pareto最优解集,并在Pareto曲线上有均匀的分布。采用随机键,将连续的粒子位置向量转化为离散的解向量,并通过提出相对最短距离法来评价解集的优劣。所提出的无间隔编码方式,减少了算法的无效迭代。通过实验,验证了该方法的简单有效性。

间歇自由基聚合反应器的Pareto蚁群优化

优化技术广泛用于化工生产中"最佳"工艺条件的确定,工程师常需在无先验信息情况下,从若干工艺条件中确定同时能满足多方需求的最佳方案,实现效益最大化。枚举法只能在较简单的情况下使用,随着生产实际复杂程度的增加,枚举法显得无能为力。近来提出的元启发式蚁群优化算法无论计算时间,还是优化质量,都能满足复杂体系的优化。本研究采用Pareto蚁群算法,对间歇自由基聚合反应器进行了多目标优化,结果表明,该算法具有较强的鲁棒性,可用于间歇自由基聚合反应器的设计。

基于比例策略的多目标PSO的感应电机参数辨识

建立了感应电机多参数多目标辨识模型,提出了一种基于Pareto最优集和比例策略个体最优项的多目标粒子群算法对感应电机参数进行辨识。Pareto最优集不需要考虑各个目标的加权系数,避免了感应电机辨识目标系数选择的主观性,比例策略能更好地平衡从个体最优和全局最优学习经验的能力。通过在Matlab/Simulink中进行验证,结果证明该算法能提高感应电机参数的辨识精度,具有更好的性能。

多目标问题的游戏模型并行共同进化算法

游戏理论的主要成就是进化稳定战略,由MaynardSmith在1982年提出。使用基于游戏模型的共同进化算法寻找ESS作为多目标问题(MOPs)的解,该算法是一种基于粗粒度并行模型的进化算法。首先,研究游戏模型的共同进化方法解决MOPs的有效性。且说明进化游戏如何由共同进化算法来具体实现,证实它是否能达到MOP的最佳均衡点。其次,通过在几个多目标问题上的严格的实验,与其它一些方法比较,评估该方法的性能。

基于斜率淘汰策略的多目标演化算法

提出一种新的多目标演化算法———基于斜率淘汰策略的多目标演化算法。利用基于斜率的淘汰策略,在演化过程中能以较低的时间复杂度更新精英空间、保存精英个体(E litist),且取得的解数量大,既保证了近似解集对Pareto前沿的逼近,又很好地保持了解集分布的均匀性。对于一些代表性的BenckMark问题,数值试验都取得了非常好的效果。

多目标环境经济调度模型与算法研究综述

科学合理的有功优化调度是电力系统安全经济运行的基本保障。环境经济调度是实现节能减排、提高新能源利用率的重要措施。介绍了近年来多目标环境经济调度的研究成果,涉及多目标优化问题的一般数学描述、环境经济调度的基本概念、目标函数、约束条件、多目标优化问题的直接解法和间接解法等;并介绍了线性加权求和法、约束法、最大最小法、NSGA-Ⅱ几种典型多目标优化算法的基本原理和优缺点;同时指出新能源大规模并网对环境经济调度的影响及因此带来的需要进一步研究的问题。