多目标差分进化算法在投资组合中的应用

针对多目标优化问题,提出一种改进的多目标差分进化算法.在基本的差分进化算法中引入了参数自适应调整操作和可行性规则操作.同时,在综合考虑交易费用的基础上建立多目标投资组合模型,并应用改进算法进行求解.结果表明,改进的多目标差分进化算法得到的多目标投资组合的收益率要高于其他算法得到的收益率.     

面向智能生产车间的多AGV系统多目标调度优化

以具有多台自动导引车(AGV)的智能生产车间为对象,以完工时间、AGV数量以及惩罚成本的最小化作为优化目标,构建作业车间多目标调度优化模型.针对多目标调度优化模型的求解需求,提出一种自适应多目标遗传-差分进化算法(AMOGA-DE),采用多段式实数编码的染色体表征调度方案,利用遗传算法获得模型优化解,融合差分进化算法和外部Pareto解集档案构建技术以改进解的质量,引入自适应策略以提高算法的收敛速度,实现多约束条件下AGV系统的多目标调度优化.以一个具有多台AGV的智能制造车间为例进行案例分析,得到调度方案.将AMOGA-DE与NSGA-Ⅱ、SPEA2算法应用于3个不同规模问题,研究结果表明:AMOGA-DE算法具有更快的收敛速度,能得到更好的优化结果,在不同规模的算例上获得了分布均匀且具有较高质量的Pareto解集.     

多目标动态加权差分算法及在电力经济调度模型上的应用

考虑多目标动态加权进化策略不能有效处理高维变量多目标函数的缺点，本文利用差分算法代替进化策略，提出一种多目标动态加权差分算法．最后，通过优化典型多目标优化问题以及电力经济调度模型优化，验证了所提算法的有效性。     

基于Memetic算法的两级车辆路径优化

针对传统两级车辆路径优化过程,存在的精度不高,收敛时间过长的问题,提出一种基于Q学习理论和差分进化的Memetic算法。首先,对两级车辆路径优化问题进行研究,利用最优分割法获得第一级配送方案,以此确定中转站配送数量,然后求解第二级多配送中心车辆路径问题配送方案,获得两级优化问题的总里程及总配送车辆数量;其次,针对第二级MDVRP配送方案求解,利用Q学习理论和差分进化算法,设计新的Memetic算法,来实现对多配送中心车辆路径问题配送方案的全局优化;最后,通过仿真验证了所提算法的有效性。     

平面并联机构正解的拥挤差分进化算法求解

平面并联机构正运动学分析需要求解非线性方程组,多解的特点使得难以同时得到它的全部解。本文将该非线性方程组求解问题转化为非线性优化问题,并利用拥挤差分进化算法进行求解。仿真结果表明,拥挤差分进化算法对选择机制的改进增加了种群的多样性,可以同时得到并联机构运动学正解问题的全部解。     

改进差分进化算法在铝电解多目标优化中的应用

针对多目标优化问题,提出一种改进的差分进化算法(DE).该改进算法首先将DE与粒子群优化算法(PSO)结合,提高DE的收敛速度,然后引入多种群进化策略,有利于维持Pareto解的多样性.同时,在综合考虑机理与工艺的基础上建立铝电解多目标优化模型,并应用改进算法进行求解.仿真结果表明:在电流效率为92％时,改进算法所得的直流功耗为14.03 MW.h/t,比NSGA-Ⅱ的直流功耗降低了1.45％,比传统DE的直流功耗降低了1.75％.表明本文改进算法有效地提高了传统进化算法的性能.     

移动机器人路径规划的混合差分进化算法

针对移动机器人无碰撞最短路径规划问题,提出人工势场-差分进化混合算法。建立移动机器人全局环境信息已知的无碰撞路径模型,采用差分进化算法规划机器人最优路径。针对差分进化算法变异因子,采用适应性调节策略;针对差分进化算法在交叉操作过程中的不可行解,提出人工势场法不可行路径修正策略,提高算法寻求最短路径的有效性。实验结果表明,所提混合算法的收敛速度和求解质量均优于基本差分进化算法,实现了移动机器人的无碰撞路径问题的有效求解。     

一种求解多目标旅行商问题的混合进化算法

许多科学与工程优化问题往往需要转化为多目标旅行商问题进行求解,由于目标函数之间的冲突性,使得这类问题不存在能够优化所有目标函数的唯一最优解,而是存在一个Pareto最优解集或者Pareto Front。为了获得一个高质量的Pareto最优解集,提出了一种基于蚁群优化和差分进化的混合多目标进化算法。在提出的算法中,一方面采纳分解机制利用蚁群优化算子实现对Pareto最优解的开发,另一方面采纳拥挤度概念利用差分进化算子实现对Pareto Front的探索。通过对一组标准测试算例的仿真实验,结果表明所提出的算法比现有的算法能够获得分布性和收敛性更优的Pareto解集。     

基于差分进化的Unscented FastSLAM2.0算法

针对Fast SLAM2.0算法中重采样过程带来的"粒子耗尽"问题,将差分进化引入进来,提出一种基于差分进化的无迹Fast SLAM2.0算法。首先采用unscented粒子滤波器估计机器人的路径后验概率,然后采用扩展卡尔曼滤波器对环境路标进行估计和更新,最后引入改进的差分进化算法代替重采样过程来优化粒子。仿真实验表明,与Fast SLAM2.0算法相比,该方法提高了机器人在路径估计和路标估计上的精度,验证了算法的有效性。     

基于改进差分进化算法的无人机在线低空突防航迹规划

为了解决无人机在部分未知敌对环境中的低空突防航迹规划问题,提出了一种改进的差分进化算法.该算法的进化模型采用冯.诺伊曼拓扑结构,并对其进行拓展,使种群在进化初期保持多样性,避免进化早期陷入局部最优,而进化后期加快收敛速度.该算法改进了差分进化算子中的变异操作,从而加快算法的收敛速度,快速找到多目标优化问题的最优解;同时,采用将绝对笛卡儿坐标和相对极坐标相结合的编码方式以提高搜索效率.将该算法用于无人机在线航迹规划仿真实验,并和未改进的算法结果作比较,验证了该算法的有效性.