求解环境经济调度问题的多目标差分粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解电力系统环境经济调度问题。算法通过对Pareto最优解集的差分演化来增加Pareto最优解的多样性;通过循环拥挤距离来控制归档集中非劣解的分布,以提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘赌法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。对电力系统环境经济负荷分配模型进行仿真,并与文献中的其他算法进行了比较。结果表明,改进的算法能够在保持Pareto最优解多样性的同时具有较好的收敛性能。     

基于多目标量子粒子群算法的环境/经济调度

针对传统的粒子群优化算法在求解环境/经济调度中存在控制参数多和局部搜索精度低等问题,提出一种基于多目标量子粒子群优化算法的环境/经济调度问题的求解方法.该算法利用具有量子行为特性的粒子搜索解空间,引入改变作用区间的变异算子增强全局搜索能力,并采用基于粒子多样性的方法更新全局最优的领导粒子.仿真结果表明,该算法是有效的,所求Pareto解集能逼近真实的Pareto解集且具有良好的分布性.     

时序约束条件下协同制造链多目标优化

为了实现企业间制造资源的共享与优化配置,针对网络制造环境中复杂产品的制造任务,提出了协同制造链的概念.建立了整体运行成本与生产负荷最小化的多目标函数模型,分析了其时序约束条件;应用非支配排序遗传算法对多目标优化模型进行求解,获得了Pareto最优解集;应用TOPSIS方法在Pareto最优解集中选择最优解.仿真计算结果表明,提出的模型和算法能够获得满意的解.     

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。     

一种用于多目标优化的克隆选择算法

多目标进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Pareto最优前沿面.为此,在比较与分析已有多目标进化算法的基础上,借鉴免疫系统中的克隆选择原理,提出了一种用于多目标优化的克隆选择算法.该方法只对部分当前所得到的Pareto最优解进行进化操作,并选用一种简单的多样性保护机制来保证Pareto最优解具有良好的分布特征.'实验结果表明该方法能够很好地达到Pareto最优前沿面,较好地保持解的多样性,并且具有很快的收敛速度.     

基于函数型进化算子的铝电解多目标优化

本文针对铝电解工艺制造系统难以卓有成效地提升电流效率、降低直流能耗的多目标优化问题, 提出了基于函数型进化算子的NSGA-II算法. 该方法在系统稳定运转基础上求出满足铝电解增效减耗需求的Pareto非劣解集合;利用拥挤熵排序更新种群, 准确预算各级前沿解集分布;引入算术交叉并构造新型α函数交叉算子, 减少破坏优秀解集的可能性;再根据高斯柯西变异特性产生与迭代次数相关的扰动, 扩大搜索范围和精度;最后使用标准测试函数检测算法性能并用三种对比算法求解铝电解实例. 实验结果显示, 本文所提算法能获得分布均匀的Pareto最优解集, 利于铝电解工厂参考决策, 实现提效减耗的目的.     

一种基于Pareto关联度支配的多目标粒子群优化算法

为提高多目标优化算法的收敛性和多样性,提出一种基于Pareto关联度支配的多目标粒子群优化算法(MOPSO-PCD)。该算法在严格遵守传统Pareto支配规则基础上,将灰色关联分析方法融入非劣支配解的进化过程,设计了一种新颖的Pareto关联度支配规则。该支配规则作用于全局最优粒子的选择过程,具有关联度最大的全局最优粒子将引领粒子群体向着真实Pareto前沿不断逼近。同时,将该支配规则应用于外部档案中非劣支配解的维护过程,可减少或避免最终解集多样性的损失,从而维护好外部档案中非劣解的分布过程。仿真实验表明,与被比较算法在ZDT和DTLZ等系列测试函数相比,MOPSO-PCD能够获得更好的Pareto最优前沿分布特性和较快的收敛效率。     

多目标遗传算法在机器人路径规划中的应用

针对具有多个优化目标的机器人全局路径规划问题，提出一种改进的多目标优化遗传算法。在初始群体的生成中，采用把随机法和基于问题先验知识的启发式方法相结合的策略，以加快收敛速度；在遗传算子的设计中，引入删除、修复和平滑算子，以提高算法的搜索效率；在选择算子中。加入避免外部存储器中出现相同个体的机制，以防止早熟收敛。仿真结果表明：该文算法运行一次能够有效地产生一组近似Pareto最优路径解。     

多目标非支配邻近免疫粒子群算法

针对PSO算法求解多目标优化问题时易陷入局部最优解的问题,采用非支配邻近免疫算子来对粒子群的外部档案进行维护和变异操作,有效提高了Pareto解的多样性,从而提出一种多目标非支配邻近免疫粒子群算法(NICPSO)。采用动态加权法选择全局最优粒子,提高全局搜索能力;当粒子群趋于早熟时,采用优势邻域认知的个体极值更新策略;同时将学习因子表示为惯性权重的非线性函数,有效提高算法的统一性。通过ZDT1—ZDT4及ZDT6基准测试函数验证,该算法有效的提高了优化解的收敛性和多样性,与其他多目标进化算法和多目标粒子群优化算法相比,具有较好的性能。     

基于网络响应面的多目标优化方法

为提高多目标优化算法的收敛性以及Pareto解的分布均匀性,构建了基于网络响应面的多目标优化方法.将前馈（BP）网络以及自适应共振（ART）网络的优点相结合,充分利用各子目标每1次独立优化时获得的最优解,并将其作非占优判断后作为初始样本自适应地构建网络响应面,从而提高了Pareto解的收敛性以及多样性指标.对网络获得的每个新类进行各子目标值计算,同时对该子目标值做相似度计算,进一步剔除相似度高的样本,从而提高了Pareto解的分布性指标.通过常用的多目标优化测试函数验证该方法,并与改进的非支配排序遗传算法（NSGA-Ⅱ）以及随机权和算法作对比,结果表明该方法能明显改善多目标优化方法的各性能指标.     

一种自适应多样性保持的多目标粒子群算法

提出一种自适应多样性保持的多目标粒子群算法(ADMMOPSO)。该算法引入多样性保持阈值(λα)来控制非劣解的分布,当多样性指标高于阈值λα时,引入一种基于网格的全局最优粒子的选择策略增加种群向真实Pareto前沿收敛的概率,并提升非劣解的多样性。通过4个测试问题和3个测试标准,并与其他算法进行比较,结果表明ADMMOPSO获得了质量较高的非劣解。     

基于Pareto遗传算法和TRIZ理论的数控装备加工参数智能优化

针对数控装备加工参数优化问题,提出了一种基于Pareto遗传算法结合TRIZ理论的优化算法.首先建立优化目标为切削效率和刀具耐用度的多目标优化模型,基于Pareto遗传算法实现先寻优后决策的求解模式,并得到Pareto最优解集;其次,基于TRIZ发明问题解决理论,从最优解集中分析技术矛盾并建立矛盾矩阵表,根据技术问题解决原理进行最优解的决策,有效地避免了基于经验和偏好选择的弊端,实现合理寻优和理性决策的良好组合.最后,通过采用4组切削参数分别进行铣削后的表面粗糙度实验验证了该方法的可行性和有效性.     

一种基于自适应变异算子优化的MOEA/D算法

MOEA/D(基于分解的多目标进化算法)利用一组均匀分布的权重向量将多目标优化问题分解为若干个单目标子问题，并以协作方式同时优化这些子问题。然而，当多目标问题真实Pareto前沿(Pareto front, PF)的形状具有长尾和尖峰特征时，MOEA/D在求解此类多目标问题时，所得到的最优解集在长尾和尖峰区域相对稀疏，性能受到很大影响。为了有效处理这种情况，提出了一种自适应选择变异策略的MOEA/D算法。该算法采用5种不同的变异策略构成候选池，在进化过程中，根据候选池中各变异策略近期的表现，以更高的概率选择近期表现更好的变异策略，使算法能够快速收敛。在算法的差分变异操作中采用理想解充当扰动向量，在PF上获得一组均匀分布的最优解，从而提高算法的性能。实验结果表明，与其他算法相比，本文算法获得的最优解集有更好的收敛性和分布性。     

考虑外网效益的微网改进多目标优化调度

在建立微网多目标优化模型时,除了考虑微网自身效益,同时还考虑了微网对外网运行的影响成本,增强了对外网的友好性。针对传统多目标粒子群容易陷入局部最优的问题,提出了基于外部档案监测选择机制的改进MOPSO;并在速度更新公式中引入了小扰动,使求得的Pareto前沿解分布更均匀。在求得Pareto最优解集后,综合考虑微网的安全稳定性能指标,采用基于熵权法的决策机制,从最优解集中筛选出最佳调度方案。最后以一典型微网为例,验证了改进MOPSO的优越性和考虑外网效益的必要性。     

基于自适应多目标指数罚函数的NSGA-Ⅱ算法

为求解多目标优化问题,将快速非支配进化算法(NSGA-Ⅱ)进行了推广,构造了一种新的多目标指数罚函数,将其作为NSGA-Ⅱ算法的适应度函数,通过每次自适应更新罚因子,以此获得多目标规划问题的有效解(Pareto解).仿真结果表明,该算法在快速收敛的情况下,能够获得更加均匀的Pareto前沿.     

基于新冗余度的特征选择方法

现有过滤式特征选择模型采用贪心策略结合互信息评价特征子集,容易陷入局部最优陷阱.考虑标签信息对冗余度的影响,利用一种改进的MIFS-U方法在给定标签的条件下衡量冗余度,采用基于分解的多目标优化框架结合引入多项式突变的差分进化算子进行全局搜索,避免搜索陷入局部最优.引入l₁正则化项来保证特征子集的稀疏性,并提出了新的特征选择算法MOEA/D-DEFS.实验阶段使用knn-5分类器来验证学习效果,并在多组来自不同领域的数据集上进行测试.结果表明,将特征选择视为多目标问题采用全局搜索策略搜索可以在特征子集维度和分类准确性方面提供更好的性能.     

带有盒子约束的多目标优化问题的进化算法

针对带盒子约束的多目标优化问题,提出一种多目标优化进化算法。在选择过程中．采用Pareto支配和聚集距离排序来挑选出有代表性的个体。在变异过程中,沿着权重梯度方向搜索来寻找可行的Pareto最优解。最后,采用两个数值算例测试算法的性能,通过与NSGA—II的比较结果表明该算法能获得多目标优化问题的可行Pareto最优解并且具有很好的分散性。     

集成化服务链多目标全局优化模型与算法

基于集成化服务链网络模型和候选服务资源评价指标,建立集成化服务链的多目标全局优化模型,并提出一种基于改进多目标遗传算法的集成化服务链多目标全局优化算法。算法采用基于距离的无参数种群多样性度量算子,在适应值分配、精英保持和选择操作中均进行了种群多样性控制,能在满足多约束条件下同时优化多个目标,得到一组满足决策者不同主观偏好的Pareto全局最优解集。仿真实验表明算法具有全局收敛性并具有较好的解的质量和分布,能有效求解集成化服务链多目标全局优化问题。     

一类色氨酸生物合成系统的双目标优化

针对GMA(Generalized Mass Action)型色氨酸生物合成系统的双目标优化问题,提出了一种求解方法.首先给出色氨酸生物合成系统的GMA模型,然后构建色氨酸生物合成系统的双目标优化模型.为了求解前面构建的双目标优化问题,基于NBI方法给出了求解策略.为了克服NBI方法难以得到双目标优化问题全局Pareto解的不足,应用过滤算法去除经典NBI方法产生的非全局Pareto解.该过滤算法可以得到双目标优化问题的全局Pareto解.通过MATLAB计算,结果表明本文可以获得GMA型色氨酸生物合成系统双目标优化问题的Pareto最优解以及Pareto前沿,验证了所提方法的实用性和有效性.     

基于自适应遗传算法的网络化制造盟员选择研究

针对网络化制造中动态联盟盟员选择优化问题,分析了盟友的评价指标体系,建立了盟友选择的多目标优化模型,并在此基础上提出一种自适应遗传算法.该算法设计了自适应交叉和变异概率, 使其在遗传过程中根据适应度自动选择, 从而使群体中每个个体对环境的变化具有自适应调节能力.通过保持迭代过程的最优解, 加快了搜索速度, 并保证收敛于全局最优解.