多目标网络相异路径的Pareto解及其遗传算法

网络相异路径一般是多目标约束路径问题,具有重要应用价值.然而,由于问题的难解性,总是利用妥协思想将其转换为单目标问题求解.本文建立了双目标相异路径的一种优化模型,给出了模型求解过程中伪理想点的概念,提出了基于小生境共享竞争复制算子的遗传算法,该算法可求解多目标优化问题的 Pareto 解集.最后,给出了一个计算分析实例.     

系统可靠性多目标优化的满意解

对系统可靠性多目标优化模型 ,由各单目标函数来分别定义一个目标满意度函数 ,再将各目标满意度函数用取小算子和加权指数综合为一个总满意度函数 ,最后以总满意度最大为目标建立一个单目标优化模型 ,该单目标优化模型的解是原多目标优化模型的一个非劣解 ,这一非劣解即可作为原多目标优化模型的满意解。最后以一个串联系统的可靠性多目标优化问题为例 ,给出了求满意解的具体方法。     

随机需求下公交时刻表设计的鲁棒性优化

考虑在实际运营中乘客需求具有随机性,固定需求下优化的公交时刻表不适应运营的要求.随机需求下的期望值模型忽略了不利可能事件对运营的负面影响,针对此情况研究随机需求下公交时刻表设计的鲁棒性优化.模型综合考虑乘客成本与运营成本,采用鲁棒性优化权衡目标期望值与偏差期望值.结合随机模拟技术,选用遗传算法求解模型.给出了算例,验证了模型和算法的有效性.通过比较固定需求模型、随机需求期望值模型、随机需求鲁棒性模型,说明在鲁棒性优化下需要提供更多的交通供给以降低偏差期望值.最后,对鲁棒性模型中的偏差权重系数进行了灵敏度分析.     

求解多目标运输问题的一种目标协调优化方法

针对多目标运输问题往往存在各目标间协调性差或冲突发生的现象,提出一种求解多目标运输问题的目标协调优化方法.以各目标做出一定的让步为切入点,通过寻求最小让步对各个目标进行协调,将多目标运输问题简化为单目标的线性规划模型.引入让步解、满意解等概念,给出了方法的求解步骤.最后,以实例验证了方法的有效性.     

基于网格划分的混合优化算法

提出了用于求解大规模优化模型的基于网格划分的混合算法。该算法引入了空间划分和收缩的思想,在求解过程中首先应用全局优化算法确定优解信息,其次使用网格划分和合并将解空间快速划分和收缩为多个子空间,然后用局部优化算法在模型的极值点附近搜索,可以很快地收敛到极值点。仿真结果表明该算法在搜索效率、应用范围、解的精确性和鲁棒性上都体现了良好的性能。     

不确定条件下多目标R&D项目组合选择优化

应用模糊集理论描述R&D项目过程的模糊不确定性,建立了以模糊实物期权度量收益,模糊熵度量风险,模糊净现值度量费用的多目标R&D项目组合选择优化数学模型;运用定性可能性原理将模糊模型清晰化,并针对清晰型数学模型提出了一种改进的多目标遗传算法进行求解;仿真实验证明,实现的多目标遗传算法可以有效求解清晰型多目标R&D项目组合选择优化问题.     

基于伪并行SPEA2算法的多目标鲁棒PID优化设计

现有的PID参数优化方法往往难以同时兼顾系统对快速性、稳定性与鲁棒性的要求,本文针对这一缺陷,提出了一种多目标PID优化设计方法--在满足系统的鲁棒性的前提下,以超调量、上升时间和调整时间最小作为多目标优化的子目标,并将强度Pareto进化算法(SPEA2)与并行遗传算法(PGA)相结合对其求解.该算法求得的Pareto最优解分布均匀、收敛速度快、寻优能力强,决策者可根据实际系统的要求在Pareto解集中选择最终的满意解,这为快速性、稳定性与鲁棒性的权衡分析提供了有效的工具.仿真结果表明设计方法的有效性和优越性.     

基于时差效用的双目标资源约束型鲁棒性项目调度优化

进度计划的稳定性对不确定环境下项目的顺利实施具有重要影响。从活动自由时差效用函数的新视角度量调度方案的鲁棒性,进而,同时考虑项目工期和鲁棒性两个目标函数,构建了基于时差效用的双目标资源约束型鲁棒性项目调度优化模型(BORRCPSP)。针对模型的NP-hard和多目标组合优化特征,设计一种调整的快速非支配性排序多目标遗传进化算法(NSGA-II)求解模型。基于PSPLIB中的480个标准算例进行大规模数值仿真测试。采用获得Pareto最优解集合的算例比率、与最优工期的偏差以及Pareto最优解集合的规模和计算时间作为4个评价指标,实验数据的统计结果验证了BORRCPSP模型和调整的NSGA-II算法的有效性。结论表明,BORRCPSP的Pareto最优解集合可以给项目经理综合考虑项目工期和进度计划的稳定性提供定量化决策依据。     

基于鲁棒性目标的关键链项目调度优化

针对传统关键链方法CCM忽略了调度方案的鲁棒性,提出基于鲁棒性目标的关键链项目调度优化问题.对插入输入缓冲导致的二次资源冲突,从鲁棒优化的角度提出一种启发式的协调策略,并设计基于两次调度过程和缓冲动态消耗的关键链鲁棒性度量指标.构建以鲁棒性最大化为目标的关键链项目调度优化模型CCPSP-R,并采用嵌入模型特征的启发式遗传算法求解.通过对较多随机算例的仿真测试,验证了CCPSP-R模型和求解方法的有效性.结果表明,CCPSP-R能较大程度地改善传统CCM的鲁棒性;对不同规模的项目网络测试算例,鲁棒性的平均改善度达到54.22%至210.4%.     

一种不确定条件下批处理过程的鲁棒调度模型

批处理过程中存在大量的不确定因素,通常表现在参数的变化上,这使得确定性的生产调度模型难以得到令决策者满意的调度结果.为了解决这一问题,文章从鲁棒优化的角度出发,给出了鲁棒调度的新定义,其核心是在调度的可行性与最优性之间寻求均衡.介绍并提出了相关的鲁棒性指标来衡量调度的鲁棒性.并依据这种思想,针对不确定需求建立了一种新的鲁棒调度模型,该模型允许在一定程度上违背某些约束,但要求对这种违背进行补偿,规定补偿行为,并将补偿成本记入优化目标,从而实现鲁棒优化.仿真结果表明,利用该模型可以得到鲁棒性更强的调度方案,并且满足一定的最优性.     

基于灵敏度分析的Pareto解改进计算方法

由于多目标优化算法得到的Pareto最优解集通常是离散分布的点,并非连续曲线（曲面）,大多数情况下无法为决策者提供较多完全符合决策要求的Pareto解。根据多目标优化与决策的关系,定义了偏好模型以量度对优化目标的满意程度,并通过灵敏度分析提出了一种Pareto改进解的计算方法,旨在确定是否存在更符合偏好要求的改进解。结果证明,此方法能有效地对Pareto最优解集中的元素进行改进,提供给决策者更多符合偏好要求的候选解,辅助决策人员选择最终方案。     

基于DSM的研发项目流程多目标仿真优化

分析了复杂产品研发项目中流程结构的不确定性,采用设计结构矩阵对其进行仿真建模,并将设计结构矩阵调度策略嵌入仿真模型,建立了同时最小化项目工期和成本的多目标优化模型.提出了一种基于设计结构矩阵仿真与非支配排序遗传算法的混合优化算法,获取研发项目流程多目标优化的Pareto最优解.以某飞机初步研制项目流程为研究算例,验证了混合优化算法的可靠性和有效性,并对获得的最优流程结构进行了深入的仿真评价与分析。     

控制系统最速响应鲁棒性设计

为了简化实际中控制系统鲁棒性的设计,提出一种有约束多目标最优化的鲁棒性时域设计方法。该法先对名义值系统进行设计,把自动驾驶仪的上升时间转化为目标函数,将系统超调量、稳态误差等性能指标转化为约束条件,采用有约束最优化方法设计名义值系统的控制器;然后考虑系统的鲁棒性,将参数的波动范围转化为对象族,采用优化方法设计出对象族的控制器,即考虑了系统的鲁棒性,通过仿真证明该算法是可行的。     

前景理论下的末端物流干扰管理方法研究

针对末端物流配送过程中可能出现的配送时间窗更改、送货地址变化等动态扰动问题,提出了基于前景理论的价值函数度量策略和基于量子理论的多目标优化求解方法.首先,对末端物流干扰管理问题进行了描述;然后,为度量用户对货物期待的心理感知度,建立了末端物流配送干扰管理模型,并设计了基于前景理论的价值函数曲线和扰动度量策略;在此基础上,为优化干扰管理模型和寻求用户满意度、配送成本以及配送效率等多目标优化问题的较优解,提出了一种融入量子理论的改进细菌觅食方法;最后,将所提出的方法与已经存在的经典算法进行比较,验证了该方法的可行性和有效性.     

基于Kriging模型的多点加点准则和并行代理优化算法

针对并行仿真环境下复杂工程系统的优化设计问题,提出一种基于Kriging模型、多目标策略和聚类方法的并行代理优化算法.该算法的多点加点准则,以同时优化期望改进准则和可行性概率准则为目标,首先生成兼具目标响应改进和可行域边界刻画功能的备选试验点集;再利用聚类方法从备选点集中选取多个有代表性的新试验点.通过两个数值算例和一个工程算例,将所提并行优化算法与已有算法做比较,结果表明所提算法具有更高的优化精度、效率和稳健性.     

带硬时间窗的战场物资配送车辆路径优化

针对战场物资配送中带硬时间窗车辆路径问题的多重模糊性,基于模糊可信性理论建立了多目标模糊期望值模型,提出了一种改进的约束多目标粒子群优化算法。算法采用基于相位空间思想的实数编码方式,提出了带优秀不可行解动态记忆机制的非支配解构造方法,基于自适应栅格和拥挤距离的混合多样性策略维护非支配解集,改进了个体向导更新方式,提高了算法的收敛性能,同时引入局部搜索和变异算子避免算法早熟。仿真实验表明了模型的合理性和算法的有效性。     

基于对位学习多目标遗传算法的板形板厚控制

提出了一种基于对位学习多目标遗传算法的板形板厚控制系统设计方法。该方法给出了控制系统的结构,建立了板形板厚控制器参数的多目标优化模型,并采用对位学习多目标遗传算法对该模型进行多目标优化,得到一组控制器参数的Pareto解。在其中选择三个Pareto解对应的控制器参数,作用于板形板厚控制系统做仿真研究。结果表明,所得到的Pareto解集中选定区域的解都可以使系统具有满意的性能,并且对扰动有较好的抑制作用,证实了该方法的有效性。     

基于聚类的新型多目标分布估计算法及其应用

为改善常见的多目标分布估计算法在求解多目标优化问题的过程中存在的不足,即:对问题的规则特性考虑不够,对种群中异常解的处理不当,种群多样性容易丢失,过多的计算开销用于构建最优概率模型,提出一种基于聚类的新型多目标分布估计算法(clustering based multi objective estimation of distribution algorithm, CEDA)。CEDA在每一代运用凝聚层次聚类算法发掘种群个体的邻近结构,基于此结构,为每个个体构建一个多元高斯模型逼近种群结构并抽样产生新个体。为了降低建模计算开销,邻近个体共享相同的协方差矩阵建立高斯模型。基于标准测试题的对比实验表明CEDA能够解决复杂的多目标优化问题。基于齿轮减速器优化设计的实际应用表明CEDA同样具有良好的实用性和优越性。     

Hierarchical satisfying optimal algorithm with different importance and priorities

1.INTRODUCTION Itisagreatprogressofindustryfromcontrolbased onregulationtocontrolbasedonoptimization.Asa computercontrolalgorithmdatedfromlate1970’s, predictivecontrol[1]usesthestepresponseortheim pulseresponseofaplantasmodel,userecedinghori zontooptimizeandcontrolon lineindustrialprocess andgetgoodresultsincomplexindustrialprocess.As apracticaldevelopmentofpredictivecontrol,satisfac torycontrol[2]basesonthemodelofplantstorealize constrainedmulti objectivemulti degree of freedom optimi…