基于KELM地面沉降替代模型的地下水多目标管理模型研究

基于核函数极限学习机(Kernelextreme learning machine,KELM)方法建立地下水-地面沉降耦合的替代模型,与混合多目标算法(Non-dominated Sorting Genetic Algorithm II,NSGAII)相耦合,实现在地面沉降约束下(沉降速率和地下水位红线)地下水资源合理开发利用和地面沉降防控减灾的多目标优化.以三维均质多层含水系统中抽水引发的地面沉降算例为对象,采用MODFLOW-2005中的地面沉降模拟子程序(Subsidence for the water table,SUB-WT)模拟地面沉降过程,基于KELM方法,采用线下和线上两种模式建立替代模型,分别构建了基于线下地面沉降替代模型的多目标管理模型(KELM model based multi-objective optimization model for land subsidence management,KELMMOLS)和基于自适应(线上)替代模型的多目标管理模型(Adaptive KELMMOLS,AKELMMOLS).模拟优化结果显示:(1)基于线上模式训练的替代模型的模拟精度更高,拟合相关系数达0.9988以上,基本接近SUB-WT模拟模型的评价精度;(2)KELMMOLS优化求解效率提高了15倍,但其搜索的Pareto解的质量最差,AKELMMOLS求解效率提高了3倍,同时保证了优化解的收敛性和精度.     

基于多目标协同优化算法的卫星结构优化设计

针对卫星系统中多目标、多约束、耗时的结构优化问题,建立了卫星结构的多目标协同优化模型.将协同优化方法与全局多目标优化算法相结合,并针对协同优化方法的缺陷采取一些改进措施,提出了协同优化方法与全局多目标优化算法(CO-PE)组合优化方法.以某卫星结构多目标优化问题为例,在iSIGHT优化软件中对卫星结构进行多目标协同优化设计,通过CO-PE组合优化方法获取Pareto最优解集.优化结果表明,多目标协同优化模型能够简化优化问题的复杂度,基于近似模型的CO-PE组合优化方法具有较好的准确性和高效性,对实际工程中类似的复杂结构优化问题具有一定的参考价值.     

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.     

水文模型参数优选中率定与校核目标函数的关系研究

在水文模型参数优选过程中,通常很难找到一组参数值使得率定阶段和校核阶段的径流模拟误差同时达到最小,为此,我们需要采用基于Pareto关系的多目标优化方法来寻求Pareto最优解的集合.本文采用一种基于马尔可夫链蒙特卡洛（MCMC）方法的多目标优化方法来搜寻水文模型参数优选问题中Pareto解集,并以三水源新安江模型为例,给出了由率定阶段的目标函数和校核阶段的目标函数所构成的Pareto锋面.结果证明,率定阶段和校核阶段的目标函数是相互冲突的,不可能同时取最小值,由于这种Pareto关系的存在,使得我们在选择水文模型的全局最优参数值时存在很大的不确定性.因此,如何减少这种不确定性是水文模型研究中一个很重要的问题.     

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。     

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。     

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。     

采用多目标粒子群算法的模拟电路故障诊断研究

提出了一种容差条件下基于多目标粒子群(MOPSO)算法的模拟电路软故障诊断方法.通过灵敏度分析,建立模拟电路故障诊断的约束线性规划方程组,以元件参数变化量与标称值的百分比作为故障判据.针对MOPSO中目标空间增加时种群选择压力影响算法性能的问题,采用阶有效优化准则代替传统的Pareto优化准则,引入最优折中解作为全局最优解,从而提出基于阶有效的平衡全局搜索策略多目标粒子群(ESEO-MOPSO)算法,并将其用于模拟电路故障诊断的约束线性规划方程组的求解中.仿真结果表明,该方法兼顾故障元件的定位和故障元件参数变化量的估计,可以有效地实现模拟电路在容差条件下的软故障定量诊断.     

索穹顶结构多目标形状优化设计

为了得到指定结构跨度下的索穹顶结构形状最优设计方案,对设内拉环的Geiger型索穹顶进行单目标和多目标形状优化设计.以最小单位面积用钢量和最大结构刚度为目标函数,得到满足约束条件的整体预应力系数、拉索和压杆截面面积及结构形状参数的最优值.通过基于遗传算法的单目标形状优化设计以最小单位面积用钢量为目标的可行形状优化设计方案;多目标形状优化设计采用改进的带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ),可得到同时考虑结构用钢量和刚度的Pareto最优解.决策者可根据不同控制目标的偏好要求,选择设计方案.     

基于Pareto最优原理的混合动力汽车多目标优化

介绍了混合动力汽车（HEV）相关知识,建立了以最小化燃油消耗、HC+NOx排放量和CO排放量为目标的3目标优化模型,提出了基于Pareto最优原理的混合动力汽车多目标优化进化算法.该算法采用实数编码,以ADVISOR为HEV的仿真软件获得各候选方案目标值,基于Pareto支配性原理判定候选方案的优劣,并设计了可以调整待优化变量有效位的机制以保证优化所得的候选方案具有可实现性.针对不同车型的仿真实验结果表明,所提出的算法能够较好地解决混合动力汽车多目标优化问题,可以获得一组具有低燃油消耗与低污染物排放的Pareto最优解供决策者选择.     

公交优先交叉口信号控制参数的多目标优化方法

公交优先交叉口的信号控制方案应平衡车辆出行者时间效益、行人出行效率和环境效益,因此,需要基于多目标优化方法优化设计信号配时参数.首先,以车辆出行者人均延误、行人过街平均延误和停车率最小为目标构建信号周期多目标优化模型;然后,基于相位乘客流量比和相位饱和度优化设计绿信比;最后,构建了多目标优化模型的粒子群算法来寻找Pareto解.应用结果表明,相比常规方法,能根据决策者喜好选择Pareto解;可尽量降低车辆出行者的人均延误,在一定程度上体现了公交优先.     

单兵榴弹武器系统集成优化设计方法

为提高单兵榴弹武器系统的设计性能,缩短设计周期,建立了涉及质量、内弹道、外弹道和人枪相互作用的单兵榴弹武器系统集成优化模型.以武器后坐力最小为目标进行单目标优化设计,优化后后坐力降低7.2％;以武器后坐力最小、武器系统最轻和弹丸飞行时间最短为目标进行多目标优化设计,得到了Pareto最优解集.与单目标优化结果对比,多目标优化有效提高了单兵榴弹武器系统的综合性能,避免了单个目标优化时其他目标严重劣化的现象.     

柔性作业车间多目标调度优化研究

研究了多目标柔性作业车间调度问题(FJSP),提出了一种基于Pareto的混合遗传算法,并建立了包括生产周期、总拖期时间和机床负载在内的多目标优化模型.该算法采用基于工序的编码方式和活动化解码方法,将Pareto排序策略与Pareto竞争方法结合起来.为了保证解的多样性,采用小生境技术并同时使用多种交叉方法,用Pareto解集过滤器保存进化过程中的最优个体,防止最优解的遗失.算法最后给出问题的Pareto最优解集.仿真试验证明,提出的混合遗传算法可以有效解决多目标FJSP.     

基于PSO和模糊理论的蜗杆传动多目标优化设计方法

针对传统设计方法无法获得最佳蜗杆传动方案的问题,建立了蜗杆传动多目标优化设计模型;提出了基于粒子群优化算法(particle swarm optimization,PSO)和模糊理论的多目标优化问题求解策略,并进行了算例验证.算例结果表明:蜗杆传动多目标优化设计模型综合考虑了制造成本、体积、传动效率及润滑性能等因素,更符合工程实际情况;PSO与模糊理论相结合的多目标优化求解算法收敛速度快,可以获得多目标优化问题的全局最优解;基于PSO算法和模糊理论的蜗杆传动多目标优化设计方法比传统设计方法更合理、更高效.     

两连杆桁架设计的多目标优化算法

针对两连杆桁架的多目标最优化设计问题,提出一种利用遗传算法和模糊理论来求解多目标优化问题的Pareto最优解算法,并通过实验进行验证;讨论遗传算法和模糊理论产生Pareto最优解的差异.结果显示:通过遗传算法配合近似分析的方法可以更有效率地寻找到更多的Pareto最优解.     

基于模糊集理论的施工项目工期—成本—质量权衡优化方法研究

基于模糊集理论对施工项目工期、成本和质量多目标权衡优化这一问题进行系统研究.研究表明:采用三角模糊数能够有效表达施工活动持续时间和成本的不确定性,通过建立质量模糊评语集及其隶属函数,可以对质量水平进行合理的量化评估.利用Pareto最优化原理,设计基于非支配排序遗传算法的运算程序,从而建立不确定条件下施工工期、成本和质量多目标权衡优化模型,决策者可以从模型获得的一系列Pareto最优解中寻求满意方案.     

一种面向绿色制造的多目标车间调度方法

提出了一种新的面向绿色制造的多目标车间调度方法,通过将调度目标分解为竞争性指标和可持续性指标,分别建立了竞争性指标的调度模型和可持续性指标的评价模型,并基于改进的遗传算法求解出多组满足竞争性指标的Pareto最优解;然后从这些解中模糊优选出可持续性指标值最好的协调解,即为所求的绿色调度方案。实例研究表明,该方法在保证生产效益的前提下,能够使制造过程的资源消耗和环境影响最小,有效地解决了绿色制造中的多目标调度优化问题。     

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。     

用遗传算法求解多目标0/1背包问题

扼要介绍多目标优化的Pareto最优性概念 ,研究搜索多目标 0 1背包问题Pareto最优解集的快速遗传算法 (FPGA :fastParetogeneticalgorithms) .FPGA采用种群中非支配解的层次评价可行解的适应值 ,提出了一种快速非支配解层次辨识算法 ,辨识算法仅有O(n2 )数量级的计算复杂性 ;采用基于聚类概率排挤的小生态技术维持种群多样度和Pareto最优解集的分布均匀性。对多种多目标 0 1背包问题的仿真优化实验结果表明 ,FPGA能够以有效的计算成本搜索到精度高的、分布均匀的高质量Pareto非劣解集 ,其收敛速度和收敛准确性一致地优于代表性的强度Pareto进化算法 (SPEA) .