基于Pareto蚁群算法的双目标路径规划研究

针对复杂建筑环境人员应急疏散单一路径不能满足火灾环境变化需求的问题,基于改进蚁群算法,结合Pareto双目标解集思想,提出一种组合优化解集的双目标蚁群算法,通过排序优化的思想,实现人员多路径动态疏散规划。在构造Pareto解集的阶段协同考虑疏散路径长度以及火灾风险程度2个优化目标,计算各个解之间的支配关系。利用排序优化蚁群算法的正反馈机制将各组解的信息素按一定比例作为最优路径信息素的积累,加快解集的寻找。最后将其与传统双目标蚁群算法相比较,结果表明:优化后的双目标算法更加适合复杂建筑人员疏散路径规划问题,在寻找多组满足要求解的同时展示目标之间的利弊关系,供决策者选择合适的路径,提高疏散效率。

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Pareto最优解集的多目标粒子群优化算法

本文结合Pareto支配思想、精英保留策略、锦标赛和排挤距离选择技术,对传统的粒子更新策略进行改进,给出了一种新的粒子淘汰准则,提出了一种基于Pareto最优解集的多目标粒子群优化算法。最后,通过7个多目标标准测试函数进行测试。测试结果表明,该方法有效可行,其性能优于如NSGAII、SPEA2等多目标优化算法。

一种快速构造多目标Pareto非支配集的方法:选举法则

基于Pareto的多目标优化问题是进化算法的一个重要研究方向,而如何构造Pareto非支配集则是提高算法效率的关键所在。通过对选举现象的观察,同时针对多目标个体之间的特性,提出了一种快速求解多目标Pareto非支配集的方法:选举法则(election principle,EP),分析了其时间复杂度为O(rmN),并对其进行了正确性证明。因为种群中实际的非支配个体数m比进化群体规模N小,所以与同类方法相比,EP有更高的效率,并通过了实验验证。

基于Pareto解集的多目标优化方法及其应用

针对传统多目标优化设计方法的弱点,基于Pareto概念,借助遗传算法所具有的并行搜索特性,引入群体排序技术、小生境技术求得多目标优化问题的Pareto解集,实现了先寻优后决策的求解模式。实际工程算例表明,该模式可同时获得多个Pareto最优解,据此决策能有效弱化设计人员先验知识不足的影响,因而较传统多目标优化方法更为实用有效。

解决复杂Pareto解集问题的进化算法

针对各种进化算法在解决PS问题上表现出来的脆弱性,提出一种解决复杂PS问题的自适应多目标差分进化算法SA-MODE。根据随机选择的父个体X与当前种群中的个体Y的支配关系,通过改变缩放因子的大小来控制新个体和父个体的距离。当X支配Y则新个体接近X,反之远离X,当X与Y互相不支配则产生2个新个体,一个接近X一个远离X。实验结果表明,在处理复杂PS问题时,SA-MODE与GDE3和NSGA-II相比有更理想的效果。

基于动态聚集距离的多目标粒子群优化算法及其应用

为了增加Pareto集的多样性,提高多目标优化的全局寻优能力,提出了一种基于动态聚集距离的多目标粒子群算法(DCD-MOPSO)。该算法利用改进的快速排序方法来减少计算量,采用动态变化的惯性权重和加速因子以增强算法的全局寻优能力,并基于动态聚集距离对外部集进行维护以增加Pareto集的多样性。通过典型测试函数的仿真实验和应用实例对DCD-MOPSO算法性能进行了分析,并与多目标优化算法MOPSO和NSGA-Ⅱ进行了比较。结果表明,DCD-MOPSO算法收敛速度较快,且得到的Pareto集分布均匀。

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。

基于Pareto蚁群算法的拆卸线平衡多目标优化

为提高产品拆卸效率,针对拆卸线平衡问题建立了数学模型。该模型以最小拆卸线闲置率、负荷均衡和最小拆卸成本为优化目标。结合拆卸线平衡问题的具体特点,提出了一种改进的基于Pareto解集的多目标蚁群优化算法。算法采用小生境技术,引导蚂蚁搜索到分布良好的Pareto最优解集,并以被支配度和分散度为个体评价规则。实验测试结果表明了该算法的可行性。最后,结合企业生产实际,给出了所提模型与算法的具体应用。

多目标柔性车间调度的Pareto混合禁忌搜索算法

针对最小化最大完成时间、总机床负荷及最大机床负荷的多目标柔性作业车间调度问题,提出了一种带有Pareto档案集的混合禁忌搜索算法。该算法为每次迭代产生的邻域解集进行Pareto非支配排序,选择第一前沿的解用于Pareto档案集更新,并给出了一种Pareto档案集快速更新算法。为减小邻域搜索空间,结合问题特征,设计了基于公共关键块结构的插入邻域和交换邻域。通过3个经典算例的实验仿真,以及与其他算法的比较,验证了该算法的可行性和有效性。

一种评估近似Pareto前沿多样性的方法

提出了一种评估近似Pareto前沿多样性的方法.它用精确Pareto前沿相对于其近似集合的"暴露程度"来评估多样性,其计算基于精确Pareto前沿,不像其他多样性评估技术基于近似集合进行计算.对于多于两个目标(分量)的近似集合,其他技术不能或者不能很好地评估,计算结果表明,该技术能够很好地评估.并且,在理论上对该方法进行了严格的论证.

多目标网络相异路径的Pareto解及其遗传算法

网络相异路径一般是多目标约束路径问题,具有重要应用价值.然而,由于问题的难解性,总是利用妥协思想将其转换为单目标问题求解.本文建立了双目标相异路径的一种优化模型,给出了模型求解过程中伪理想点的概念,提出了基于小生境共享竞争复制算子的遗传算法,该算法可求解多目标优化问题的 Pareto 解集.最后,给出了一个计算分析实例.

多目标U型拆卸线平衡问题的Pareto蚁群遗传算法

针对传统方法求解多目标U型拆卸线平衡问题的不足,提出了一种基于Pareto解集的多目标蚁群遗传算法.在构造初始解阶段,以协同考虑最大作业时间、最小拆卸成本差作为蚂蚁的启发式信息;通过蚁群算法搜索可行拆卸序列,并根据多目标之间的支配关系得到Pareto解集;将蚁群算法的Pareto非劣解作为遗传操作的个体,进而将遗传操作的结果正反馈于最优拆卸路径上信息素的积累,并采用拥挤距离作为蚂蚁全局信息素更新策略,可以平衡多目标对信息素的影响,使算法快速获得较优解.将所提算法应用于52项拆卸任务算例和某打印机拆卸线实例,在算例验证中,通过对比Pareto蚁群算法,所提算法求得的8个非劣解在3个评价指标上性能分别提高了50.43%、3.25%、14.10%,在实例应用中所提算法求得8种可选平衡方案,从而验证了所提算法的有效性、优越性和实用性.

多目标柔性作业车间调度的Pareto混合粒子群算法

针对多目标柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)的复杂性,建立了以总完工时间、所有机器总负载及最大机器负载为目标函数的多目标调度模型,提出了一种带有Pareto档案集的混合粒子群优化算法.该算法首先通过全局搜索、局部搜索和随机产生相结合的初始化方法产生高质量的初始种群,利用改进的快速排序法构造Pareto档案集,并给出了一种快速更新Pareto档案集的算法.既保持了种群的多样性,避免了算法陷入局部最优,又有效地提高了算法的收敛速度;算法中还引入逆转策略来进一步增加解的多样性.通过3个经典算例的实验仿真,验证了该算法的可行性和有效性.

基于时变价格弹性矩阵的深谷电价多目标定价策略

随着碳中和、碳达峰目标的提出,构建高比例新能源的新型电力系统已成为未来能源电力的发展形态,由此导致的高比例新能源渗透使系统净负荷曲线呈现剧烈的波动性和显著的深谷特征,对电力系统安全运行以及供需平衡提出了新挑战。为此,提出了一种基于时变价格弹性矩阵的需求侧深谷电价多目标定价模型。首先,确立基于模糊隶属度的深谷时段划分方法,并利用贝叶斯判别法对时段划分结果进行合理性评估。其次,针对用户需求响应的动态性,建立具有时变特征的价格弹性矩阵模型衡量用户的响应程度。最后,以用户满意度和系统峰谷差作为待优化的两个目标,建立多目标混合整数规划的深谷电价定价模型,并用非支配排序遗传算法求解模型并得到其Pareto最优解。为了检验所提模型的有效性,将其应用于中国华东地区某省的实际场景进行仿真分析。结果表明,上述模型可在高比例新能源渗透情景下降低峰谷差,促进用户用电行为向深谷时段转移,缓解电力系统在深谷时段的运行压力。

多目标粒子群优化算法及其应用研究综述

现有研究较少涵盖最先进的多目标粒子群优化(MOPSO)算法.本研究介绍了多目标优化问题(MOPs)的研究背景,阐述了MOPSO的基本理论.根据特征将其分为基于Pareto支配、基于分解和基于指标的3类MOPSO算法,介绍了现有的经典算法.介绍相关评价指标,并选取7个有代表性的算法进行性能分析.实验结果展示了传统MOPSO和3类改进的MOPSO算法各自的优势与不足,其中,基于指标的MOPSO在收敛性和多样性方面表现较优.对MOPSO算法在生产调度、图像处理和电力系统等领域的应用进行简要介绍.并探讨了MOPSO算法用于求解复杂优化问题的局限性及未来的研究方向.

基于Pareto GA的机械手结构/控制多目标优化设计

针对机械/控制系统并行设计的多变量、多目标优化特点,以单臂机械手为对象,研究机电融合优化设计模型和多目标并行优化的算法.根据单臂机械手的动态特性和控制性能要求,采用极点配置方法构造了基于PD反馈控制的机电融合优化设计模型,通过Pareto遗传算法(PGA)对带约束的机电融合多目标优化问题的并行求解进行了研究,并对得到的Parato可行解集进行了分析.在PGA优化过程中采用了目标函数的归一化处理、分级罚函数法将约束问题转化为无约束优化、群体分级和Pareto解集过滤器等技术,并采用聚类方法对Pareto解集中解的个数、解集的特性和解的多样性进行控制,使优化解收敛到一个非劣点集.

求解机械优化的Pareto多目标中心粒子群算法

针对基于权重法的多目标算法无法求解约束多目标问题的缺陷,将中心粒子群算法与Pareto解集搜索算法相结合,提出一种Pareto多目标中心粒子群算法。将此方法用来优化气门弹簧的模型,实验结果表明,该优化方法能够快速准确地收敛于Pa-reto解集,并且使其对应的目标域均匀地分布于Pareto最优目标域。

多目标优化设计中的Pareto遗传算法

遗传算法的随机性和隐含并行性,使它能同时搜索到多个局部最优解并获得最优解集。为了发挥遗传算法群体搜索的优势,提高多目标优化设计效率和灵活性,在自适应遗传算法的基础上引入群体排序技术、小生境技术和Pareto解集过滤器,建立了一种适用于多目标优化设计的Pareto遗传算法。以Pareto前沿面的形式给出优化设计的Pareto最优解集,供设计者按设计意愿选择最优的设计结果。采用Pareto遗传算法进行跨声速翼型的多目标优化设计,设计结果表明,Pareto遗传算法是十分有效的,完全可以用来进行多目标优化设计。

基于集对分析与NSGA-Ⅱ的工程项目多目标优化

工程项目进度、成本和质量三者是对立统一的,工程项目的多目标优化着重于求解三者的和谐统一。以工程项目施工过程中的进度、成本和质量水平阈值为约束条件,运用集对分析法为建筑工程多目标优化问题的处理构建了柔性的建模框架;利用NSGA-II算法求解多目标优化模型,得到多目标优化的Pareto最优解集;通过实际算例验证了该算法在解决工程项目多目标优化问题中的可行性和有效性。