改进NSGA-Ⅱ算法在涡轮叶片多光谱测温中的应用

介绍了多光谱辐射测温原理、遗传算法(genetic algorithm,GA)以及第二代非支配排序进化算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)的应用。从自适应角度出发对NSGA_Ⅱ算法加以改进,使其交叉变异算子具有一定动态调整能力,并把差分进化算法融合到NSGA_II变异算子进化中使其进化方向得以优化。作者从计算精度,稳定度,计算速度角度出发对传统的GA遗传算法、经典的NSGA-Ⅱ算法和改进后的NSGA-Ⅱ算法进行仿真实验并且利用真实四路测温实验验证,结果表明改进的NSGA-II算法具有单次计算精度高、稳定性好、计算速度略快、最后一代种群特性良好等优点,适合应用在温度范围为700~1 000℃下涡轮叶片多光谱辐射测温中。     

改进的NSGA2算法在航空活塞发动机装配中的应用

针对复杂机械产品零部件选择装配中个体重复现象,提出一种新的解集评价指标:种群均匀度。基于种群均匀度和拥挤度相结合的子代精英保留策略,改进了多目标优化NSGA2 (non-dominated sorting genetic algorithm-2)算法。以装配合格率和装配精度为质量评价指标,建立选择装配多目标优化模型。引进近邻搜索算子,克服NSGA2算法局部搜索能力的不足。以某型号航空活塞发动机装配为例,优化结果以Pareto边界集表示,结果表明算法改进之后非支配解集的多样性和收敛性均得到了提高。     

基于两阶段参考点三层选择的多目标优化算法

为解决Pareto支配收敛速度慢、PBI聚合在不连续的Pareto前沿上分布性差及运行效率低的问题,基于两阶段参考点三层选择,提出了一种多目标优化算法(multi-objective evolutionary algorithm for two-stage reference point three-hierarchy selection,TT-MOEA).该算法首先提出两阶段参考点策略,算法前期设置较少的参考点,使种群快速收敛,提高运行效率;算法后期设置较多的参考点,改善种群的多样性.其次提出三层选择策略,第一层为了加速收敛采用有效的非支配(effective non-dominated sorting, ENS)选择;第二层综合考虑收敛性与多样性采用PBI(penalty-based boundary intersection)依次选择;第三层为了增加多样性采用小生境选择.5种标准测试函数的计算结果证明了本文算法的可行性与有效性.     

基于Kriging模型的大客车侧翻安全性多目标优化

建立某型客车的有限元模型,依据ECE R66法规对客车侧翻安全性进行了多目标优化.根据侧翻仿真结果,选取客车上部结构关键零件截面形状为变量,以最大质心加速度和质量为目标,以侧围立柱与地板间夹角θ为约束条件,并结合最优拉丁方试验设计法生成了高精度的Kriging模型.利用NSGA(non-dominated sorting genetic algorithm)-II算法对大客车侧翻安全性进行了多目标优化并得到了Pareto最优解集.优化结果表明利用截面形状优化法可以在质量增加较小的条件下提高整车的侧翻安全性能.     

一种新颖的多目标优化算法

粒子群算法的特性使得其在解决多目标优化问题时具有很强的竞争性,提出了一种结合小生境思想和在线归档策略的多目标粒子群优化算法,该算法能够在进化过程中保持优良种群。通过3个测试函数来评价算法性能并将算法与NSGA-II做比较,结果表明提出的算法的时间耗费明显小于NSGA-II算法且解集沿着Pareto非劣最优目标域有很好的扩展性。     

含相变的缠绕管换热器设计及多目标优化

为实现含相变的缠绕管换热器的优化设计,提出了一整套计算模型,对传统模型中的Gilli公式进行了改进,大幅提升了该模型的计算速度.基于提出的计算模型以及非支配排序遗传算法Ⅱ(non-dominated sorting genetic algorithmⅡ,NSGA-Ⅱ)利用Python语言编写了缠绕管换热器的多目标优化程...     

低压开关槽式变换器多目标优化

为满足低压应用场合下DC-DC变换器高效率、小尺寸和低成本等多方面需求,提出一种同时优化DC-DC变换器的功率损耗、物理尺寸和成本的方法。以低压开关槽式变换器(switched tank converter, STC)为例,在分析其工作原理基础上,首先建立元器件的功率损耗、面积和成本模型,以设计指标为约束条件,再建立一个以功率损耗、面积和成本为优化目标的变换器多目标优化模型,且优化模型中的参数可从器件数据手册查到。采用基于非支配排序引力搜索算法(non-dominated sorting gravitational search algorithm, NSGSA)改进得到的大范围改进的非支配排序引力搜索算法(large-scale improved NSGSA,LSINSGSA)求解变换器多目标优化模型。将所得优化结果与NSGSA和NSGA-Ⅱ(non-dominated sorting genetic algorithmⅡ)算法的优化结果进行比较。结果表明,提出的STC变换器多目标优化方法可以得到综合性能最优的器件组合方案,实现STC的效率、面积和成本达到折衷最优的目的,改进的LSINSGSA算法的收敛性与Pareto前沿中最优解均匀分布性均优于NSGSA和NSGA-Ⅱ。     

求解交货期可变动态调度问题的差分进化算法

针对差分进化算法求解动态优化问题时存在多样性缺失、寻优效率低的问题,提出一种多种群差分进化算法,将这种用于求解连续解空间优化问题的进化算法应用于顺序编码的动态调度问题求解中.该算法利用随机键编码表示法将连续位置向量转化为顺序编码,提出自组织多种群策略,将种群按动态空间特征自动分成主种群与子种群;由主种群不断探索峰值所在...     

基于改进遗传算法的智能组卷研究

通过在遗传算法中引入个体浓度的选择机制和记忆机制,确保了进化过程中种群内个体的多样性,避免局部收敛,保证了算法朝优化方向进化.实验结果表明改进算法能跳出局部收敛,有效避免了早熟产生和遗传退化现象出现.     

基于极大极小关联密度的多目标微分进化算法

采用微分进化方法求解多目标优化问题,为了改善解集分布性和提高算法收敛性,提出1种基于极大极小关联密度的多目标微分进化算法。该算法定义了极大极小关联密度。在严格遵守Pareto支配规则的基础上,给出了基于极大极小关联密度的外部档案集维护方法,从而避免或减少最终解集的多样性损失。1种自适应选择策略通过评价个体的关联密度来指导个体优劣的选择过程,在确保最优个体进入下一代种群的同时,尽可能使个体的选择覆盖更广泛的搜索空间。实验结果显示,与多目标均匀多样性差分进化(MUDE)、基于反对称的自适应混合差分进化(OSADE)和非劣排序遗传算法II(NSGA-II)等经典算法相比,该文算法在世代距离(GD)和空间(SP)性能指标上有更好的表现,具有更优的Pareto前沿分布性与收敛性。     

基于双决策和快速分层的多目标粒子群算法

针对粒子群算法在求解多目标优化问题时存在的收敛性不足和多样性缺失等问题,提出一种基于双决策和快速分层的新型多目标粒子群算法(DDFSMOPSO);在该算法中,采用外部存档对迭代产生的非劣解进行存储,并利用拥挤距离和绝对距离相结合的双决策策略对外部存档规模进行维护,使得优秀粒子在随后的进化过程中易于保留和发展;同时,采用...     

基于侦察学习策略的粒子群算法优化

针对粒子群算法收敛能力不足和易陷入局部最优的问题,提出了一种基于侦察学习策略的新型粒子群算法。 算法首先利用拓扑结构构建粒子种群,其次采用联合因子均衡算法的局部搜索能力和全局搜索能力,并通过侦察学习策略改进算法的速度和位置公式进而产生候选解;Wilcoxon 秩和检验结果和CEC2017 基准函数检测结果表明,新型粒子群算法的收敛能力,最优解精度以及算法稳定性更好,说明算法性能得以提升。     

融合三维螺旋运动和混合反向学习策略的改进鹈鹕优化算法

针对鹈鹕优化算法收敛速度较慢、初始化过程随机产生初始种群导致种群多样性差,在后期易陷入局部最优等问题,提出了一种融合三维螺旋飞行和混合反向学习策略的鹈鹕优化算法。首先使用Gauss映射初始化种群,提高种群多样性;其次利用三维螺旋飞行和混合最优最差反向学习策略,加强算法跳出局部最优的能力;最后,引入自适应平衡因子与自适应步长,提出鹈鹕坠落策略,以模拟捕食过程中群体的微小变化。最后,通过12个基准函数和实际案例对IPOA进行测试,并与8个仿生算法进行对比,测试结果与Wilcoxon 符号秩和检验结果均表明IPOA收敛精度与稳定性等各项性能都有所提升,具有明显优势。     

改进的灰狼算法在电动汽车充电调度中的应用

针对灰狼优化算法（grey wolf opotimizer, GWO）易早熟收敛和陷入局部最优的缺点,提出一种基于精英反向学习的混合灰狼算法（grey wolf optimizer based on particle swarm optimizer,PSO-GWO）。首先,利用精英反向学习机制初始化种群,使种群保持多样性;然后提出一种非线性控制因子策略,增加算法的搜索能力,提高算法的收敛速度;最后基于差分进化和粒子群思想更新了位置方程,从而提升算法的收敛性能。采取10个基准测试函数将本文提出的改进的算法与差分进化算法、粒子群算法、传统灰狼算法、其他学者提出的改进灰狼优化算法进行对比。实验结果表明,本文提出的算法与其他算法相比,在求解多峰函数问题上效果显著,可以搜索到最优解0,同时求解最优非0解函数的效果也体现地较优越;同时运用改进的算法在实际电动汽车充电调度上进行了对比分析,发现也取得了不错的效果。     

协同学习差分进化算法及在双转向机构优化中的应用

根据齐次坐标变换法推导了双转向机构转向分析数学模型,然后采用差分进化(DE)算法求解该模型。针对基本DE算法可能出现早熟或收敛速度慢的问题,提出一种基于协同学习机制的差分进化(CLDE)算法。该算法采用两个子种群,每个子种群采用不同的变异策略,利用局部极值判断机制确定早熟收敛种群;针对早熟收敛种群,利用精英种群映射策略向精英种群进行映射学习,实现子种群间的信息交流;若不存在精英种群,则在自身种群内采用自适应高斯扰动策略实现自我调整。函数测试结果表明,CLDE优化精度更高、速度更快、稳定性更好。将该算法用于机构优化问题,结果表明,与基本DE算法、随机变异差分进化算法(RMDE)、多种群自适应差分进化算法(ADEMP)相比,CLDE的最优适应度值分别降低13. 83%、8. 33%和6. 25%,且表现出了较好的稳定性和收敛性。     

基于多混沌算子遗传算法的混合动力汽车控制策略优化

为某款装备了电池/超级电容混合储能系统的并联型混合动力汽车设计了模糊控制策略.结合遗传算法的种群进化和混沌序列的随机遍历特性,将混沌初始化算子、混沌扰动算子、混沌局部搜索算子引入多目标非占优排序遗传算法(NSGA-II)中,构建了新的多混沌算子遗传算法(MCO-NSGA-II).运用MCO-NSGA-II算法进行了混合动力汽车模糊控制策略优化,以改进车辆的燃油经济性及HC、CO和NOx的排放性能.仿真结果表明,混沌初始化算子和混沌扰动算子可以改善原NSGA-II算法的搜索能力并增加种群多样性,而混沌局部搜索算子可以进一步增强算法局部搜索能力,能更好地搜索到理想的Pareto解集.运用MCO-NSGA-II算法进行优化,使混合动力汽车在欧洲城市驾驶循环(ECE)下的燃油消耗降低了11.8%,HC、CO和NOx排放分别下降了7.72%、15.72%和11.77%.     

基于自适应网格混合机制的多目标粒子群算法

当粒子群算法(PSO)解决多目标优化问题时,由于PSO有较快的收敛效果,使得种群在寻优过程中多样性不足,易使算法早熟收敛.为有效设计多目标粒子群算法,提出基于自适应网格混合机制的多目标粒子群算法(ammmMOPSO).该算法采用自适应网格和混合机制的一种双重维护策略,以保证外部存档中的非劣解分布均匀,避免种群快速退化,...     

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.     

随机学习萤火虫算法优化的模糊软子空间聚类算法

传统软子空间聚类算法在利用局部搜索策略解决等式约束的连续非线性的变量加权问题时,易陷入局部最优导致聚类效果不佳.针对该问题,该文提出了一种随机学习萤火虫算法优化的模糊软子空间聚类算法.该算法利用具有全局搜索能力的萤火虫算法对新算法的目标函数进行优化,同时,为弥补萤火虫算法易提前收敛和寻优精度较低的缺陷,对萤火虫种群进化方式和全局最优粒子的学习方式进行了改进.新算法将权值矩阵拟化成萤火虫种群,使变量加权的等式约束变为界约束,通过萤火虫位置的更新搜索最优权重并发掘子空间中隐藏的簇类.在人工数据集、UCI标准数据集和癌症基因表达数据集上的实验结果表明:该算法具有较好的聚类效果.     

基于多邻域策略重心反向学习的差分进化算法

针对标准差分进化(DE)算法探索能力差、难以逃出局部最优的问题,提出一种基于多邻域策略和邻域重心反向学习的差分进化算法(MCOBDE)。该算法根据当前进化状态动态地选择不同的邻域策略:在算法前期大概率选择局部邻域策略,其采用的环形邻域结构有利于探索种群空间;在算法后期大概率选择全局邻域策略,其采用的星形邻域结构能加快算法收敛。同时在不同的邻域结构下辅以重心反向学习,能进一步扩大搜索范围,避免陷入局部最优。通过与其他DE算法针对15个CEC2015测试函数在低维和高维情况下的实验对比,证明本文算法具有较快的收敛速度和较高的收敛精度,能有效克服探索能力差、早熟收敛的缺点。