基于遗传退火算法的装配线设计多目标优化方法

针对混装配线设计这一有约束的多目标优化问题,建立了数学模型。将基于Pareto的解的分级方法与Lp-范数形式的非线性机制相组合,构建了基于遗传退火算法多目标优化方法。重点阐述了个体编码、染色体检修、多目标处理机制等关键技术。设计了算法流程图,并开发了优化程序。该方法克服了加权和方法的不足,用模拟退火改善了遗传算法全局寻优性能。计算实例表明,随着迭代次数的增加,每代的非受控点逐渐收敛于Pareto最优边界,是一种混装线设计多目标优化的新方法。

基于Pareto粒子群算法的路口多目标信号控制模型

为提高路口的运行效率,实现交叉口信号配时的实时动态调整,基于Pareto最优化多目标粒子群算法,建立延误和停车次数最小、有效通行能力最大的路口多目标信号控制模型。由于各个评价指标之间相互冲突且量纲不同,属于非劣问题,分别比较不同评价指标得到多目标信号配时的非劣解,更接近最优解。因此,模型根据Pareto支配关系与密度距离进行粒子选择,最终得到路口信号配时模型的Pareto最优解。研究结果表明:该信号配时模型所得到的评价指标优于路口现状配时以及基于单目标最优化的信号控制模型,能够应用于实时的路口信号控制。

基于多目标遗传算法的水陆两栖可变形机器人结构参数设计方法

水陆两栖可变形机器人是一种兼具变形能力与两栖环境适应能力的新型移动机器人。在其机构设计中,结构参数直接影响该机器人在任务环境中的各项机动性能。针对水陆两栖可变形机器人工作环境复杂性和任务多变性,提出一种基于多目标遗传算法的机器人结构参数设计方法,以得到该型机器人在两栖环境中的最优的综合性能。在水陆两栖可变形机器人陆地环境和水环境中运动学和动力学模型基础上,建立两栖环境中机器人的机动性能指标函数与结构参数的映射关系,并在此基础之上构建面向水陆两栖可变形机器人的结构参数设计的多目标优化问题。利用多目标遗传算法得到该多目标机构参数设计问题的Pareto最优解集,并且通过组合赋权方法确定各目标决策属性的权重,从Pareto最优解集中得到符合设计要求的水陆两栖可变形机器人的各项机构参数最优解,进而指导机器人最终结构参数设计。根据最终得到的结构参数研制出水陆两栖可变形机器人样机Amoeba-II,并在两栖环境下进行样机的各项性能试验,最终验证了基于多目标遗传算法的机器人结构参数设计方法的有效性以及在机器人设计中的适用性。

扇形采样约束多目标差分进化算法及工程应用

工程实践中存在大量约束多目标优化问题(Constrained multi-objective optimization problems,CMOPs),多目标进化算法是求解这类问题的一类有效方法。引入扇形采样技术,将二次变异双种群差分进化算法和约束处理方法相结合,设计求解CMOPs的进化算法——基于扇形采样的约束多目标差分进化算法(Sector-sampling-based constrained multi-objective differential evolution algorithm,SS-CMODE)。扇形采样可避免耗时的非劣操作,且能保证Pareto最优解集的良好逼近性和多样性。通过3个典型CMOPs的对比测试,表明SS-CMODE的解集均匀性和计算效率明显优于对比算法。以J23-80机械压力机使用的双曲柄串联机构多目标优化为例,研究新算法求解工程问题的有效性。以锻冲工作阶段平均速度波动最小和力传动性能最优为目标,建立机构的约束多目标优化模型,再应用SS-CMODE求解该问题。结果表明,该算法能求出多组满足约束条件的Pareto最优解,且解集均匀性良好。