一种求解多目标优化问题的混合演化算法

提出了一种混合演化算法求解多目标优化问题.演化算法是解决多目标优化问题的有效方法,在全局优化问题中具有很好的鲁棒性,但其局部搜索性能有待改善.Hooke and Jeeves方法是一经典的局部搜索算法,将其与演化算法结合求解多目标优化问题,提高了解的收敛质量,因而从整体上提高了算法的性能,并且测试结果也说明了该算法的可行性.     

并行混沌与和声搜索的多目标混合优化算法

针对传统的混沌优化算法对初始值敏感、搜索精度低和收敛速度慢,以及和声搜索收敛不稳定、处理多目标优化问题时适应性差等不足,研究了一种多目标并行混沌与和声搜索混合优化算法(MOCOHSA).MOCOHSA利用并行混沌优化的全局搜索能力与和声搜索算法的局部搜索能力,并在和声搜索中引入自适应操作,在解决多目标优化问题时表现出良好的搜索速度和收敛性能.对8个多目标优化测试函数的优化计算中,该算法表现出比其它多目标优化算法更好的性能.算法最后用于解决卫星热管设计问题.     

一种稳态淘汰多目标演化算法

近年来，多目标优化问题求解已成为演化计算的一个重要研究方向。而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点。多目标演化算法的研究目标是使算法种群决速收敛并均匀分布于问题的非劣最优域。介绍了多目标优化的概念，在比较分析了目前较成功的多目标演化算法的基础上，提出了一种新的解决数值优化问题的稳态淘汰演化算法。     

基于范数标量化方法的多目标次梯度算法

【目的】提高多目标优化问题的收敛速率及解的精度。【方法】在欧式空间中基于范数标量化方法提出了求解多目标优化问题的次梯度算法。【结果】在每个目标函数与相应最小值的差的平方为凸函数的假设下，证明了多目标次梯度算法的Pareto弱有效解的收敛性。【结论】数值实验结果表明：提出的多目标次梯度算法在求解多目标线性优化模型时具有更快的收敛率，并且在求解非光滑多目标优化问题时具有更高的解的精度。     

粒子群优化算法及其在水库优化调度中的应用

提出了基于粒子群优化算法求解梯级单目标优化调度问题的一般算法结构,该算法通过计算时段库水位的变化范围,把梯级优化调度问题转化为无约束的优化问题处理,使得算法具有稳定、高效的收敛性能.通过对三峡梯级发电优化调度问题的计算,表明该算法是求解梯级优化调度问题的一种有效的手段.     

用于宽带自适应通信的认知无线电决策引擎设计

为改善认知无线电的自适应参数调整功能,提出了基于混合的离散二进制粒子群算法对无线电系统待优化的目标函数进行寻优,针对多载波系统对算法性能进行了仿真分析。结果表明,基于混合的离散二进制粒子群算法的认知决策引擎在收敛速度、收敛精度和算法稳定度方面都有所提高。     

两阶段混合引导的偏好多目标优化算法

在偏好多目标优化问题求解中,基于偏好点引导方式的优化算法性能易受偏好点具体位置的影响,且不能控制偏好解集大小;而基于偏好区域引导方式的优化算法虽然能控制偏好解集规模,但算法初期收敛效率不够高。针对此问题,提出一种两阶段混合引导的偏好多目标优化算法。算法初期采取偏好点的引导方式,同时引入偏好界限动态调整策略,使得种群快速收敛到偏好区域附近。迭代一定次数后,采用偏好向量引导方式指导算法搜索,达到控制偏好解集范围的目的。与几种经典的偏好优化算法进行实验对比分析,结果表明,所提算法性能不受偏好点位置影响,得到的偏好解集能很好地表征决策者的偏好信息,并且控制了偏好解集范围,便于决策者的最终决策。     

一种混沌粒子群算法及其仿真研究

分析了基本粒子群优化（PSO）算法易于发生早熟收敛的原因，在此基础上提出了一种混沌粒子群优化（CPSO）算法根据个体适应值自适应调整粒子的位置分布，既保证了收敛速度又兼顾了全局收敛性，仿真结果表明该算法比基本粒子群算法有更优的性能。     

爬山法与模式蚁群法混合的贝叶斯优化算法

针对传统贝叶斯优化算法进化效率低及收敛速度慢的情况,提出一种新型混合贝叶斯优化算法.该算法利用适应度遗传及个体的局部搜索方法,使种群个体趋向于全局最优解,提高了进化效率.为提高贝叶斯优化算法中贝叶斯网络结构学习的效率,提出一种爬山法和模式蚁群算法相结合的网络结构学习方法,同时对新型贝叶斯优化算法的收敛性进行了分析.利用典型的函数对提出的新型混合贝叶斯优化算法进行了仿真分析,证明了所提出的方法可以有效地加快算法的收敛速度和收敛精度.将该算法应用于目标分配问题中,仿真证明了所提算法的有效性和优越性.     

无线局域网频宽分配与用户关联联合优化问题

分析了可变频宽无线局域网中无线接入点频宽分配与用户关联的选择之间的相互影响,以最大化系统吞吐量与网络公平性为性能优化目标,将此联合优化问题建模成带约束的整型非线性规划问题.引入权重系数反映系统设计的优化偏好,并通过设计惩罚函数对约束条件进行松弛,提出一种基于离散粒子群优化的算法来求解联合优化问题.仿真结果表明:提出的算法能够快速收敛,与不考虑联合优化的频宽分配机制相比,在多数场景下性能提升20％以上.     

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.     

6-RSS并联机器人机构多目标优化设计

针对6-RSS并联机器人机构,以工作空间和速度全域性能为目标建立多目标优化模型,并使用改进的基于动态聚集距离多目标粒子群优化算法求解。为了快速有效地求解6-RSS并联机器人机构的工作空间,本文采用蒙特卡洛方法;为了求解带约束的6-RSS并联机器人机构多目标优化模型,将随机排序法引入基于动态聚集距离多目标粒子群优化算法。结果表明,该方法可以得到多个Pareto解供使用者选择,体现了多目标优化设计在并联机构设计中的有效性。     

一种解多目标优化问题的基于分解的人工蜂群算法

在处理多目标优化问题时,如何平衡所得解集的分布性与收敛性是一个困难又重要的工作。为此,提出了解决该问题的一种基于目标空间分解的人工蜂群算法(MOABC/D)。首先采用一组方向向量将目标空间分解成一系列的子区域,并在每一个子区域至少保留一个解来保持解的分布性,其次提出一个基于分解的选择策略和2个基于信息交换的搜索策略来提高人工蜂群算法的搜索能力,并采用一个基于高斯分布的搜索策略来增强人工蜂群算法的搜索效率。为验证所提算法的性能,与8种同类算法在10个测试问题上进行比较。结果表明,本文所提算法得到的解集具有更好的收敛性能和分布性能。     

基于响应面模型和多目标遗传算法的动车组水箱优化设计

以获取动车组水箱最佳结构参数组合为目的,结合双向流固耦合分析,采用拉丁超立方抽样生成试验设计样本点,构建了动车组水箱的响应面近似模型,通过拟合优度验证了该响应面的准确性。最后运用多目标遗传算法寻找水箱结构参数优化设计的Pareto最优解前沿,以此提出优化策略。研究结果表明,基于响应面模型和多目标遗传算法的动车组水箱优化方法,有效克服了水箱结构总体性能方案设计时重复性和经验依赖的缺点,可为决策者进行目标权衡提供充分依据,为其他复杂模型的设计优化问题提供设计参考及解决方案。     

基于LOMOGA的降阶H_∞控制器的设计

针对降阶H∞多目标控制器的设计问题,本文提出了基于局部正交多目标遗传算法(LOMOGA)的降阶H∞控制器的设计方法。该方法结合局部正交优化和改进多目标遗传算法,解决了多目标遗传算法局部搜索能力较差的问题,达到了对H∞控制器的结构和参数同时优化的效果,提高了降阶H∞控制器的动态性能和鲁棒性能。仿真结果表明,该方法不仅具有较强的全局和局部搜索效率,而且搜索结果具有较高的精度、更好的分布均匀性和多样性。     

NSGA-II与改进粒子群算法相结合的储能优化配置

储能系统的选址定容在接入新能源的电力系统中具有重要意义,合理选择储能容量可以很好地平抑风电接入后的系统有功功率波动,同时减少能源浪费。本文提出了一种混合智能优化算法(Hybrid Intelligent Optimization Algorithm,HIOA),以电压偏差、负荷波动最小及最少储能配置容量为目标进行优化配置。该算法将多目标粒子群算法改进后(IMOPSO)与精英非支配排序算法(NSGA-II)结合,与常规多目标粒子群算法相比,大幅提高了算法的寻优性能,保证了Pareto 解的多样性和分布性。通过非支配排序求解获得Pareto 最优解集,采用逼近理想解排序(technique for order preference by similarity to an ideal solution,TOPSIS)选出储能的最优接入方案。通过IEEE-33 节点测试系统的仿真实验验证了本文所提算法的准确性及有效性,在求解配电网储能选址定容问题中有很好的收敛性和全局寻优能力。     

基于多目标粒子群算法的矩形微通道结构优化

为提升矩形微通道的综合性能,通过多目标粒子群算法对矩形微通道进行数值优化,由响应曲面法拟合热阻函数,再以热阻与压降为目标函数,建立以矩形微通道结构参数为变量的多 目标粒子群算法的数学模型.由多 目标粒子群算法计算得到热阻与压降的pareto优化解集,用K-mean聚类法对优化解集进行聚类得到4个代表解,与未优化解进行对...     

基于多目标混合进化算法的多台TCSC控制器协调设计

将多台可控串联补偿器(TCSC)之间的协调运行问题转化为多目标优化问题,详细介绍了一种基于进化规划和粒子群优的多目标混合进化算法(MOEPPSO),提出了基于MOEPPSO的协调控制器设计方法.采用多目标混合进化算法优化控制器参数,得到一组Pareto参数解集,为运行人员提供更丰富、准确的信息.在装有两台TCSC的IEEE典型四机两区域系统研究实例中,非线性时域仿真验证了所提方法的有效性.与单独设计控制器的方法相比较,所提方法能够更好地提高互联系统的稳定性.     

多目标最优控制问题的优化及其在水平井设计中的应用

为求得一类多目标系统在有效解集上均匀分布的多个具有代表性的满意解,提出一种改进的GA算法.该算法由多个适应值函数引导搜索,其中每个适应值函数都等于两个性能指标标准化以后的加权和且其权值由均匀设计产生;为保持群体的多样性和加速算法收敛还构造一个新的选择算子,该算子在选取下一代种群时按均匀设计选取多个搜索方向引导搜索.将该算法用于辽河油田多口水平井的优化设计,数值结果表明该算法的有效性.     

求解多目标0/1背包问题的克隆选择算法

提出一种用于求解多目标 0/1 背包问题的新算法.新算法将抗体群中的抗体分为支配抗体和非支配抗体代替传统算法中对所有个体分配适应度值,解决了多目标优化问题中解的多样性的问题.先通过克隆操作实现全局择优,得到分布较广的Pareto-前端,接着采用免疫基因操作提高算法的局部搜索能力,同时采用抗体修正操作对由免疫基因等操作产生的不可行解进行修正,保证抗体在可行解范围内,并实现局部搜索.该算法与已有算法相比能更好地保持解的多样性、均匀性以及收敛性.仿真实验表明,新算法所得的 Pareto-前端分布最广,所得的解能较好地收敛到 Pareto-前端,并且将均匀性评价指标降低到1%以下.