基于Pareto最优解的含分布式电源配电网无功优化

随着分布式电源技术的发展,某些分布式电源接能够在一定程度上对配电网进行无功补偿。针对配电网无功优化问题,本文提出了以调节分布式电源出力和传统的投切电容器组为优化手段,以网损最小、电压偏移量最小为目标的优化策略。与以往大多数研究利用权重将多目标问题转化为单目标问题不同,本文直接采用基于Pareto最优解的多目标模型,然后利用自适应参数的多目标和声算法确定分布式电源无功出力和投切电容器组的大小,得到Pareto最优解集,从中选出最优解。利用IEEE-33节点系统进行仿真计算,与单个目标网损最小和采用惩罚因子的方法进行比较,验证了本文所提优化策略的有效性。

用多目标进化算法搜索MOPs的鲁棒Pareto最优解

搜索鲁棒Pareto最优解是多目标进化算法(MOEA)研究的一个重要方面.目前,优化"原目标函数"的传统MOEA与基于"有效目标函数"的MOEA(Eff-MOEA)在搜索鲁棒Pareto最优解时都易丢失某些性质的解.为解决这一缺陷,本文定义了一种新的鲁棒Pareto最优解,提出了一种新的搜索鲁棒Pareto最优解的MOEA(MOEA/R),MOEA/R将多目标鲁棒优化问题(MROP)转化成两目标问题来优化,一个目标为解的质量,另一个目标为解的鲁棒性,每一目标均对应一子优化问题.通过与NSGA-Ⅱ及Eff-MOEA的对比分析,结果表明MOEA/R的结果较好,更重要的是本文探索了一种新的搜索鲁棒Pareto最优解的思想.

基于Pareto最优解的非对称转向机构双目标优化

根据四向叉车的转向需求,设计适用于四向叉车的非对称转向机构;为了同时提高非对称转向机构纵向和横向转向性能,分别建立非对称转向机构纵向四轮转向和横向两轮转向的转向运动数学模型,并且构建纵向四轮左、右转向非对称性约束;以接近Ackermann理想转向为优化目标,建立非对称转向机构双目标优化函数,采用改进的粒子群优化(PSO)算法求解非对称转向机构双目标优化的Pareto最优解。优化结果分析算例表明纵向和横向转向性能可分别提高32.1%和38.9%,为非对称转向机构优化设计提供有益的理论参考。

求多目标优化问题Pareto最优解集的方法

主要讨论了无约束多目标优化问题Pareto最优解集的求解方法,其中问题的目标函数是C1连续函数.给出了Pareto最优解集的一个充要条件,定义了α强有效解,并结合区间分析的方法,建立了求解无约束多目标优化问题Pareto最优解集的区间算法,理论分析和数值结果均表明该算法是可靠和有效的.

基于Pareto最优解的零件制作方向优化研究

分析了快速成型工艺中零件制作方向对制件表面质量、所需支撑面积和零件制造时间的影响,分别建立了它们的优化数学模型。采用了基于Pareto最优解的多目标优化遗传算法NSGA-II进行优化计算,通过与单目标优化方法求得最优结果的对比,表明用多目标优化方法进行零件制作方向的优化计算,不仅可以求出比单目标方法更优的解,而且通过一次优化计算就可得到多个较优的零件制作方向。

多人微分对策Pareto最优解的最优均衡值算法

引入多人微分对策的最优均衡值和最优均衡解概念。在某种凸性条件下最优均衡解集是Pareto最优解的凸本质连通区域。利用最优均衡解将问题等价地转化为求解单目标最优控制问题。该方法可推广到求解局中人拥有不同权重的情形,为求解多人合作微分对策问题提供了一种简单的、新的途径。

多目标规划r-有效解和r-最优解的充要条件和几何特性

讨论了多目标规划的r 有效解和r 最优解的某些性质 ,得到了几个充要条件和几何特性等结果 .

Pareto强度值演化算法求解多目标优化问题

近年来,多目标优化问题求解已成为演化计算的一个重要研究方向,而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点。多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域。本文定义和使用稀松密度来保持群体中个体的均匀分布, 并将个体的Pareto强度值和稀松密度合并到个体的适应值定义中。通过对测试函数的实验,验证了算法的可行性和有效性。

基于遗传多目标优化算法的Pareto最优解研究

遗传算法可有效求解多目标优化问题中的Pareto最优解，并利用MATLAB进行了仿真验证。

无穷维向量优化问题的弱Pareto最优解的充分条件

文[1]在无穷维空间中建立了可微多目标规划的最优性条件,并得到了一些有意义的结论.文章用ρ-不变凸来代替η-凸,得到了无穷维向量最优问题的弱pareto最优解的一些充分条件.

基于Pareto非劣解的多目标优化中的非劣解集问题

多目标优化需要综合考虑多指标的整体最优,但各指标之间的重要程度通常存在客观差异。NSGAⅡ是文献中常见的基于Pareto非劣解的具代表性多目标寻优算法,但该算法在文献中欠缺对权重向量和非劣解集的讨论。首先简要介绍了NSGAⅡ,并选择了两具代表性的测试函数,通过对它们的寻优分析阐明了:若要真实解决多目标优化问题,NSGAⅡ必须面对及处理权重与非劣解集的问题。

多目标规划的Pareto有效解的k－较多最优性

本文证明了当ｍ≥２时，多目标规划的Ｐａｒｅｔｏ有效解集与弱Ｐａｒｅｔｏ有效解集分别包含在ｍ－２－较多最优解集与ｍ－１－较多最优解集中。并推导出当ｍ＝２时，Ｐａｒｅｔｏ有效解集与０－较多最优解集相等；当ｍ≥２时，弱Ｐａｒｅｔｏ有效解集与ｍ－１较多最优解集相等。最后直接证明了保守解亦为ｍ－２－较多最优解。

基于Pareto最优解的跨流域调水泵站多目标优化运行研究

【目的】探究跨流域调水泵站多目标优化运行。【方法】以泵站提水费用最小及站内机组间流量不均匀度最小为目标,以调水周期内各时段各机组叶片安放角为决策变量,本文建立了泵站多目标优化运行非线性数学模型,提出了基于Pareto最优解理论求解的多目标遗传算法。以南水北调东线源头江都4站为研究实例,考虑峰谷分时电价影响,开展了不同日均扬程及提水负荷下的典型计算分析。【结果】综合考虑泵站运行的安全性和经济性,在100%、80%、60%提水负荷下,江都4站最佳运行方案对应的每万m;提水费用较常规运行方案平均节约12.44%、14.26%和3.69%,机组间流量不均匀度相较于单独考虑经济运行目标的方案显著减少。【结论】新建立的模型能够有效降低泵站优化运行过程中的安全隐患。

基于多叉树Pareto最优解集的火灾扑救路径规划

提出一种基于多叉树Pareto最优解集的火灾扑救路径规划算法,对火灾现场的环境地图和火灾演化态势进行重构,实现对路径的优选,采用Pareto最优解集,构建基于多叉树Pareto最优解集的火源动态发展态势下的火灾扑救路径规划模型。实验结果表明,该模型能快速实现对火源热点的识别,并且规划路径能有效规避复杂建筑障碍物的干扰,实现对火灾扑救路径的最优选择。在动态未知环境中,对火灾扑救路径的规划和选择能达到最优,路径最短,分段较少,能有效地避免复杂建筑物的阻挡,有效节省了火灾扑救时间。

基于Pareto最优的电力系统有功-无功综合优化

针对纯粹依据能耗或成本指标进行发电调度的不合理性,以系统总发电成本最小和电网有功损耗最小为目标函数,建立了电力系统综合节能降耗的有功-无功协调优化模型。借助λ乘子把多目标优化问题转化为单目标优化问题,通过对Pareto最优前沿集上综合效益最优解的定义,求解λ乘子的最优值,同时还提出了λ的近似求解方法以及有网损率约束情况下λ值的求解方法,可以为协调系统总发电成本与电网有功损耗之间的矛盾、省级电力调度部门从传统发电调度模式转变为节能发电调度模式提供参考。通过IEEE 30和IEEE 57节点系统的算例分析表明了所建模型和算法的有效性。

基于Pareto最优原理的钻机钻进参数多目标优化

针对某双管定向钻机,提出了基于Pareto最优原理的钻进参数多目标优化方法。该方法根据钻机性能与工况,考虑水力对钻头比能影响,确定了钻进参数优化模型。针对罚函数处理约束条件的不足,引入了改进约束条件处理策略,提出了基于小生境思想拥挤度值计算方法及自适应交叉和变异算子。测试了改进算法的性能,并将改进算法用于求解基于某煤矿工程实际建立的钻机钻进参数优化模型。研究结果表明:与NSGA-Ⅱ和MOPSO算法相比,改进算法在求解测试问题时具有更好的收敛性与分布性。利用改进算法求解实际问题时得到的Pareto前端解集分布均匀,而且有效提高了机械钻速,延长了钻头寿命并降低了钻头比能。

基于Pareto最优的PID多目标优化设计

现有的PID优化方法往往难以同时兼顾系统对时域和频域性能的要求,针对这一缺陷,提出了一种PID多目标优化方法:将动态性能指标作为优化目标,频域性能指标作为约束条件,采用基于Pareto最优的多目标优化算法对其求解.该算法采用新的拥挤距离计算方法,引入双重精英机制,进化效率高,得到的Pareto最优解集多样性好,决策者可根据当前工作需求从中选择最终的满意解.仿真结果和实际应用证明了本文方法的有效性.

基于拥挤距离排序的铝电解多目标优化

针对铝电解生产过程难以快速、准确地获得节能减排多目标优化Pareto前沿问题,提出一种基于拥挤距离排序的多目标细菌觅食算法。方法在保证铝电解槽平稳运行的基础上,建立电流效率最大和温室气体排放量最小的多目标优化模型;利用拥挤距离更新外部档案及对菌群步长进行自适应动态调整,以改进种群的收敛性和多样性,最后对优化模型求解。通过实验可知,改进后的算法能快速获得分布均匀的Pareto最优解,运用优化后的决策参数指导生产,能在提高电流效率的同时减少温室气体的排放量,实现铝电解生产过程节能减排的目的。

一种新的求解多目标优化问题的混合遗传算法

分析了遗传算法和单纯形算法的特点,充分利用二者的优点,把单纯形算法作为一种局部搜索方法与变权系数遗传算法有机地结合起来,提出了一种求解多目标优化问题的混合遗传算法。数值实验表明该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。

基于Pareto的多目标优化免疫算法

免疫算法具有搜索效率高、避免过早收敛、群体优化、保持个体多样性等优点。将其应用于多目标优化问题,建立了一种新型的基于Pareto的多目标优化免疫算法(MOIA)。算法中,将优化问题的可行解对应抗体,优化问题的目标函数对应抗原,Pareto最优解被保存在记忆细胞集中,并利用有别于聚类的邻近排挤算法对其进行不断更新,进而获得分布均匀的Pareto最优解。文章最后,对MOIA算法与文献[3]中SPEA算法进行仿真,通过比较两者的收敛性和分布性,得到了MOIA优于SPEA的结论。