求解多目标规划问题的Pareto多目标遗传算法

针对传统的多目标优化方法的局限性 ,提出用于多目标规划问题求解的 Pareto多目标遗传算法。实验结果表明 ,该算法是可行有效的 。

基于Pareto多目标遗传算法的单列车定时节能研究

针对地铁列车定时节能运行的复杂多目标优化问题,提出一种基于Pareto多目标遗传算法来定时优化列车的区间运行能耗。首先以列车的能耗指标和准时指标为优化目标,同时将列车运行的安全指标、精准停车指标和舒适度指标作为约束条件,然后采用基于NSGA-II的Pareto多目标遗传算法进行求解,得到一组非支配解集,再从非支配解集中选择最符合定时运行要求的运行策略。最后通过广州地铁七号线的实际测量数据进行仿真验证,结果表明,定时节能优化相比节时策略能耗节约16.54%,而运行时间只比运营计划多了0.01 s,符合定时运行的要求。该方法具有较高的可行性,可以应用于地铁列车节能。

基于Pareto多目标遗传算法的公共服务设施优化选址研究——以深圳市医院选址为例

公共服务设施选址是一类复杂的多目标优化问题。传统遗传算法选址模型多将此问题转化为单目标优化问题,采用二进制或实数编码方式,在小规模数据下进行优化实验,其模型的空间搜索能力不足以满足当前设施优化选址的实际需求。文中基于Pareto多目标遗传算法,设计了行列号组合编码方式及多种重组方法相结合的遗传操作算子,构建了Pareto多目标遗传算法选址模型。实验表明,模型可较好地逼近Fonseca(2)测试函数的凹状解空间前沿,将模型应用于大规模数据环境下的深圳市公共设施优化选址中,取得了较好的实验结果。

多个体参与交叉的Pareto多目标遗传算法

Pareto多目标遗传算法是利用Pareto最优的概念发展出的一种求解多目标优化问题的向量优化方法 ,能够得到Pareto最优解集 .由于采用常规的两个体参与交叉的遗传算法 ,使整个算法耗费在小生境 (Niche)算子上的时间太多 ,导致算法的效率较低 .本文发展出多个体参与交叉的Pareto多目标遗传算法 ,群体中的个体采用真实值表示 ,使该算法的速度大大提高 ,同时证明了相应的模式定理 ,并提出用方差和熵来分析该算法对解群多样性的影响 .最后用算例说明了采用多个体参与交叉的Pareto多目标遗传算法与常规算法比较的结果 。

Pareto多目标遗传算法及其在机械健壮设计中的应用

在机械或结构的优化设计中 ,普遍存在约束的作用 ,且最优解往往位于可行域的边界上。由于外界环境的变化或人为因素造成设计变量扰动 ,可能使设计成为不可行。本文提出了一种的基于设计变量敏感性的健壮性设计方法 ,并提出了一种用 Pareto遗传算法来实施的带约束的多目标优化方法以求解健壮性问题。 Pareto遗传算法可得到 Pareto最优解集 ,从中可选出满足设计需要的解。本文提出的算法包括 5个基本算子 :选择、变异、交叉、小生境技术、Pareto集合过滤器。

基于Pareto多目标遗传算法的高压配电网规划

给出基于Pareto多目标遗传算法的理论基础,介绍了SuperMap GIS平台的网络数据集、网络分析功能及其在配电网规划中的应用,在此基础上提出了以投资及网损最小为目标的高压配电网网架的多目标规划模型,并给出了模型的求解方法及流程。选用了一实际算例,结合了实际的地理信息,将多目标遗传算法应用于"手拉手"高压配电网规划,算例结果表明,该方法能有效得到最优目标解集,以方便规划人员选取。

基于Pareto多目标遗传算法的高峰时段多地铁列车节能优化

城市轨道交通列车在运行过程中会频繁地启动和制动,如何提高列车运行中电能的利用率、降低牵引能耗在城市轨道交通领域有着重要的意义。在高峰时间段运行时,由于客流量较大,单位时间发车数量较多,所以同一供电区间的相邻列车间重叠运行的时间较长,再生制动可利用能量很大。针对高峰时段多列车运行的特点,采用Pareto多目标遗传算法对高峰时段列车运行进行节能优化。通过合理优化列车在各站的停站时间来优化列车时刻表,最大效率地利用列车运行中再生制动能量。

基于Pareto多目标遗传算法的输电网扩展规划

提出将多目标遗传算法应用到输电网扩展规划,进而将N-1安全准则以罚函数的形式作为算法中多目标的一个目标,满足输电网规划对安全性的较高要求。本文多目标遗传算法引入最优个体保留策略,避免优秀个体丢失,加快收敛速度;N-1安全校验采用故障排序法提高计算效率。最后对一个标准算例进行仿真计算,结果表明:将N-1校验作为多目标的一个目标,能一步优化出满足输电网N-1安全性要求的解;与传统的单目标遗传算法相比,本文多目标遗传算法能提供均衡多个目标的最优解。

基于Pareto多目标遗传算法的排课算法

中小学课表编排要考虑时间、空间和人员安排问题等多个目标的同时优化问题。传统方法是将多目标优化问题的多个目标函数通过适当方法(如加权法等)转化为单目标优化问题进行处理。该方法的缺点需要对优化问题掌握一定的先验知识,否则难以确定加权系数。针对传统多目标算法需要对目标掌握先验知识的缺点,该文提出一种基于Pareto多目标遗传算法的排课算法,并实验证明该方法的有效性。

基于集合经验模态分解和多目标遗传算法的火-多储系统调频功率双层优化

针对分布于区域电网不同网络节点的多座储能电站参与电网调频功率调度问题,该文提出一种基于集合经验模态分解(EEMD)和多目标遗传算法(MOGA)的火-多储系统调频功率双层优化策略。该策略包含火-储调频功率优化层和多储能电站调频功率优化层:上层计及火-储调配资源各自优势及剩余调频能力,构建火-储调频功率优化分配模型,完成火-储调频功率的分配;下层引入关于调频成本和荷电状态(SOC)的自适应权重系数,以调频成本最低和SOC均衡为优化目标,完成调频功率在多储能电站之间的分配。仿真结果表明,所提策略可以提升区域电网调频效果并降低调频成本,均衡控制多个储能电站的调频成本和SOC,可以防止经济性较好的储能电站长期处于SOC越限边缘状态,提升储能电站参与调频的积极性和可持续性。

基于多目标遗传算法的8×8 S盒的优化设计方法

混沌系统具有非线性、伪随机性、初始值敏感等特性,为基于动力系统构造性能良好的S盒提供了基础,进一步保证了分组加密算法安全性.目前,基于混沌构造S盒的方法大多数针对单个性能指标进行优化,难以获得全面的性能提升.针对此问题,结合混沌映射与多目标遗传算法,提出了一种新的S盒设计方法.首先,利用混沌映射的特性产生初始S盒种群;然后,以S盒的非线性度和差分均匀性为优化目标,基于遗传算法框架对上述两指标进行优化.针对S盒的特点,在优化算法中引入了交换操作,设计了新的变异操作以及非支配序集计算,有效提升了S盒的非线性度和差分均匀性.实验结果表明该算法产生的S盒其差分均匀度为6,非线性度值至少为110,有效提升了S盒的综合性能.

基于灾变遗传算法的雷达防护装置多目标优化设计

为了提高车载雷达的防护性能,提出了一种新型的自动化防护装置。通过对防护装置机构原理进行分析,建立了驱动连杆机构的运动学方程,获得了连杆机构关键节点的位置、速度和加速度方程;通过传动角分析获得油缸驱动的传动效率方程。依据分析结果,采用灾变遗传算法对防护装置以运动平稳性和传动效率为目标进行优化,结合工程实际获得了综合最优的机构形式。依据优化结果建立原理样机进行验证试验,结果表明,防护装置运动平稳,在最大风载荷作用下可正常工作,实现了综合最优的设计目标。

基于改进多目标遗传算法的5G基站选址布局研究

5G基站的建设是5G产业链中十分重要的一环。对于运营商而言,基站的选址规划会直接影响5G网的信号质量和使用效率。针对基站选址规划不合理的问题,本文考虑了不同区域基站覆盖范围不同和网络业务量不同的特点,以基站建设成本最小、面积覆盖率和业务覆盖率最大为优化目标,建立了5G基站选址优化模型,使用改进的NSGA-Ⅱ算法对模型进行求解。仿真结果表明,该算法有效解决了基站选址问题,并且具有速度快、效率高、不易陷入局部最优解等优势。

基于多种群混沌遗传算法的GEO目标服务任务规划

面向地球同步轨道(geosynchronous Earth orbit,GEO)空间目标碎片清除、燃料加注等不同在轨服务需求,研究了“固定储油站+往返航天器”相结合的航天器任务规划问题。首先,建立了多任务混合的燃料最优双层任务规划模型,外层为目标服务序列规划,内层为轨道机动规划。随后,针对该连续-离散混合变量组合优化问题,提出了一种多种群混沌遗传算法(multi-group chaotic genetic algorithm,MGCGA),采用混合编码表征决策变量,引入立方混沌映射算子提高初始种群质量,多种群及精英保留策略使得算法在求解过程中能更为显著地逼近全局最优解。最后,参考实际GEO目标构建了典型算例,规划结果表明所提算法具有全局收敛性好、收敛速度快的优点。

Pareto排序遗传算法及响应面优化在纯电车电池壳体参数设计的工程应用

为解决三元锂电池壳厚重与应力集中的问题。本文利用拉丁超立方法对变密度拓扑优化后参数抽样,利用了Pareto排序多目标遗传算法,选择应力等作为目标函数进行迭代计算。本文利用克里格空间插值法得到各响应图谱以及初步预测的优化方案。基于上述结果利用Design-Expert建立了62组响应面数学模型,计算所得帕累托最优为70%,p-value≤0.0001,证明响应面模型的准确性,经仿真计算优化后的结构较原模型各方面性能都有所提升,具有较好的可靠性。

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题,本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型,并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解.该算法引入状态变量和动作变量,通过Q-learning算法获得初始种群,以提高初始解质量.在算法进化过程中,利用Q表指导变异操作,扩大局部搜索范围.采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性,逐步获得Pareto最优解.通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验,验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.

改进遗传算法与多目标优化模型的航班路径规划

针对现有航线路径规划模型,单一成本规划难以解决不同机型及运输时间条件下最优路径规划的问题,将机型配置、运输时间和系统成本相结合,通过枢纽城市位置、非枢纽城市节点向枢纽城市节点的流量分配、机队飞行时间以及机队规模建立枢纽航线网络优化模型。以飞行时间与系统总成本为最小化求解目标,利用熵值法建立染色体选择机制,引入自适应交叉率改进遗传算法,通过改进算法(IGA)对最佳航线及枢纽节点位置分布优化求解,并与传统遗传算法、人工蜂群算法和灰狼算法进行对比。研究表明,将不同机型配置、运输时间进行组合,优于单一成本路径规划。以改进算法对枢纽航线网络模型进行优化求解,系统总成本降低了3.41×10^(10),为机队资源的合理配置提供了借鉴。

基于多岛遗传算法的翼型多目标优化设计

[目的]针对大型水平轴水轮机叶片运行工况复杂的问题,提出一种多目标优化算法。[方法]基于多岛遗传算法建立翼型优化模型,采用类形函数变换(CST)法对翼型进行参数化拟合,整个优化过程集成于Isight平台,实现自动优化。[结果]采用上述方法,选用NACA 63813/63815/63816翼型作为初始翼型进行多目标优化,利用Fluent转捩模型对得到的翼型进行CFD数值验证,选择翼型攻角5°时的升阻比、升力等为优化目标参数,得到优化后的翼型升力系数分别增大了14%,15%,20%,升阻比分别增大了14%,16%,28%。[结论]数值验证结果表明,优化后的翼型在多个工况点下的升阻比均高于同厚度原始翼型,在具有良好的水动力动性能的同时还提高了叶片的结构强度,相比于传统的翼型更适用于大型潮流能水平轴水轮机。

基于遗传算法的建筑用能多目标优化应用进展

目前,中国建筑用能结构中的化石能源消费占比较高,不利于“双碳”目标的实现。论述了绿色建筑能源系统的现状,展示了可再生能源整合、余热回收利用以及储能等技术在提升建筑能效和减少碳排放方面的潜力。研究人员多以建筑能耗、室内舒适度及建筑成本为优化目标,通过建模软件搭建物理模型,选择适合多目标优化的算法对模型进行优化。探讨了现有技术以及算法在建筑用能多目标优化中的优缺点,指出遗传算法能够在建筑能耗、室内舒适度以及建筑成本等多方面取得良好的优化效果,为建筑设计和改造决策提供了强有力的支持。未来需要发展新的多目标优化算法,建立全面的智慧能源管理大数据平台,从而扩大全场景应用,实现建筑能源使用和智慧化管理的完美融合。

基于遗传算法的鱼骨布局多目标路径规划

针对鱼骨布局多目标路径规划问题,建立了以多车协同拣货总移动距离最短和负载不平衡最小的两目标路径规划模型;通过距离检测的方法在帕累托前沿面上寻找knee点,并将该knee点作为偏好信息带入r支配中,引导算法快速搜索到偏好区域,形成更好的帕累托解集,提出一种基于knee点的r支配多目标遗传算法;引入自适应交叉和变异算子,依次提高算法全局搜索能力,加速种群收敛速度,同时防止陷入局部最优,基于标准测试函数测试算法的性能,最后通过实验数据验证了该算法在鱼骨型仓库布局拣选路径优化问题上的有效性。