基于就近取值策略的离散多目标优化

针对现有的离散变量处理方法在求解多目标优化问题中存在精度和可靠性不足的情况,结合离散变量优化问题和遗传算法两者的特点,提出一种能够处理离散变量的就近取值策略.此策略代替了传统对离散优化问题中离散变量的处理方法:将离散优化问题转化为连续优化问题,利用决策变量为连续的优化方法去解决该离散优化问题所对应的连续优化问题的最优解集,最后再按照特定的方法将该连续优化问题的最优解集离散化得到对应离散优化问题的最优解集.将此策略应用在传统多目标遗传算法NSGA-Ⅱ(Non-dominate Sort Genetic AlgorithmⅡ)的遗传算子中得到了离散交叉算子和离散变异算子,使得算法能够真正在离散空间中搜索寻优,并得到了一种基于就近取值策略的离散多目标优化算法(Dispersed Non-dominate Sort Genetic AlgorithmⅡ,DIS-NSGA-Ⅱ).在理论上本方法相比传统方法,对解决离散优化问题更合理,优化结果更精确,有较大优势.最后,通过实验对比现有两种最典型的离散变量处理方法验证了DIS-NSGA-Ⅱ对解决离散变量优化问题的有效性.     

适用于混合型变量的通用优化程序及其在油轮设计中的应用

本文用混合整数规划方法编出通用优化程序。该程序适合于求解多目标有约束带 有混合型变量的最优化问题，能给出符合实际工程要求的规格化最优解。     

改进遗传算法在建筑结构优化设计中的应用

针对标准遗传算法在迭代过程中经常出现未成熟收敛、发生振荡、随机性太大等缺点,提出一种新的遗传算子转基因算子,用于对标准遗传算法的改进·这种转基因算子有效地利用了计算适应度的信息,很好地保护了最优个体,并能提高群体中个体的适应度·包含转基因算子的改进遗传算法能直接计算具有应力约束和截面尺寸约束的离散变量结构优化设计问题,也能处理同时具有稳定约束和位移约束的多工况、多约束、多变量的离散变量结构优化设计问题·算例结果表明,改进遗传算法的收敛特性和优化设计结果远好于标准遗传算法,是一种理想的建筑结构优化设计方法·     

混合离散变量优化设计方法MDCP

在工程设计中,运用优化技术,可以节省资源、降低成本、改善质量、提高效益,是进行现代化设计的一项关键技术。由于在工程设计工作中存在一量约束非线性混合离散变量的问题,因此发展混合离散变量优化方法就成为近年来的重要的研究领域之一。 混合离散变量优化设计方法MDCP是“六·五”国家重点科技攻关项目之一,其目的就是研制与开发一种适用于工程设计和计算机辅助设计的通用优化方法与程序。本方法是以离散组合型为基础,用有效目标函数进行约束处理,并以一维离散搜索,重新启动为算法的主体功能,为了适应实际问题数学模型的复杂性,又进一步设计了加速措施、贴边技术、重构和领域查点等辅助功能,形成了一个完整的混合离散变量组合型算法。方法的显著特点是,只要求目标函数和约束函数是可计算函数,对非可行或可行     

动态无功优化的混合智能算法

针对存在离散控制设备动作次数约束的动态无功优化问题,提出免疫遗传算法和非线性内点法的混合算法.首先忽略控制设备的离散性和动作次数约束,采用非线性内点法求解初始优化解;然后按照控制变量的性质将原问题分解为连续优化与离散优化2个子问题迭代求解.在离散优化问题中,保持连续变量不变,采用免疫遗传算法优化离散变量,通过特别的编码方式使抗体自动满足动作次数约束;在连续优化问题中,保持离散变量不变,采用非线性内点法优化连续变量.混合算法充分结合了免疫遗传算法和非线性内点法的优点,能较快求解动态无功优化的近似最优解.IEEE14节点系统的仿真结果验证了混合算法的有效性.     

模块化产品族的共享模块筛选方法

针对在模块化平台中筛选共享变量的问题,受协同优化算法使用一致性约束函数对各子优化问题进行一致性统筹的启发,提出一种基于一致性约束的优化算法.在系统级优化中使用非支配排序的遗传算法NSGA-Ⅱ对该多目标优化问题进行求解后得到Pareto解集,利用模糊聚类算法对解集中的每组解进行综合性能的评价并选优,根据最终筛选出的最优解即可实现共享变量的筛选.相比以往常用的基于经验或灵敏度的方法,该方法更严格地在子学科优化中以车身性能为目标函数,在系统级优化中进行共享度的优化,并且可根据系统级优化结果筛选出局部共享变量.以SUV、两厢掀背车和三厢轿车为算例,使用该方法有效地筛选出3款车型的全局共享变量、局部共享变量和非共享变量,对该方法的可行性和有效性进行了验证.     

混合离散变量的整型优化方法

本文对混合离散变量的优化问题进行了探讨,提出了将混合离散变量转换为单一的纯整型离散变量、并在整型空间内对全离散或混合离散变量、约束非线性问题进行优化设计的新方法。     

基于混合离散复合形法的工程优化设计

针对工程中大量存在的设计变量为离散型和连续型的混合离散变量优化设计问题,提出了连续变量及非均匀离散变量的均匀离散化处理方法,并借鉴离散变量的搜索优化法,在连续变量的复合形法基础上,探讨了一种求解有约束非线性混合离散变量的优化设计问题的方法———混合离散复合形法。算例表明,混合离散复合形法可用于工程结构优化设计中,其结果不需圆整,解题可靠性和效率大大提高。     

综合评分法在力矩式自整角机多目标优化设计中的应用

本文结合自整角机的多目标优化设计,提出了用综合评分法解决多目标优化问题,并用正交设计优化方法处理电机优化设计中常见的问题——混合离散型约束非线性规划问题,取得较为满意的结果。为电机多目标优化设计作了有益的探讨。     

离散变量模糊优化的组合形遗传算法及应用

为解决离散变量结构优化客观追求的应该是"满意解"的问题,提出离散变量模糊优化的模型,构造了离散变量模糊优化的对称解法.把离散组合形算法作为组合形操作算子融合到遗传算法中,构造一种离散变量结构优化算法-组合形遗传算法.在建立的对称模糊优化模型中,利用交模糊判决,将模糊优化问题转化成非模糊优化问题来求解,然后运用组合形遗传算法进行非模糊优化问题的求解.最后通过算例证明该方法具有良好的效果,为工程结构优化设计提供具有参考价值的理论依据.     

基于改进遗传算法和内点法的无功优化混合算法

文章针对具有离散变量和连续变量共存的高维大规模无功优化问题,采用非线性内点法和改进遗传算法交替求解的混合算法,在迭代的不同阶段,分别对内点法和改进遗传算法进行收敛条件改进,使二者的优化结果互为基础、相互利用,保证了混合算法的整体寻优效率.IEEE118节点系统的无功优化计算表明,所提混合算法可有效提高单一算法的收敛性能和运算速度.     

基于Species机制的多目标遗传算法

多目标优化算法设计正在成为当前进化算法领域的一个研究热点.考虑将最初用于多峰优化的Species机制引入到多目标遗传算法中,通过借鉴现有多目标算法的相关思想,设计并提出了一种新的Species方法,包括基于Pareto最优性和拥挤度思想的Species种子确定策略及适应性的Species构造策略.一组标准多目标测试函数的仿真实验结果表明,提出的基于Species机制的多目标遗传算法表现出比经典的非支配排序遗传算法Ⅱ(NSGA Ⅱ)更好的性能.     

多目标随机规划的交互遗传算法

利用遗传算法在处理过程中不依赖问题的种类,并具有较强鲁棒性等特点,提出了一种基于交互式的求解多目标随机规划的遗传算法,算法的意思是,结合小生境技巧和构造Pareto选优过滤器的手段,通过与决策者的反复交互对话,最后得到使决策者满意的问题的Pateto有效解集。     

遗传算法在多目标优化问题中的应用策略

遗传算法针对多目标优化问题,在适应度函数的选择、为防止遗传漂移和维持种群多样性等方面采用了相应的策略.在两杆构架优化的实例中,根据关系算子进行Pareto最优性排序,计算个体的适应度;引入分享机制以避免遗传漂移现象,保持种群的多样性;从种群池中独立保持Pareto解,使得最优解成为实际上的满意解.     

基于Pareto蚁群算法的MVB周期轮询表优化设计

合理的多功能车辆总线(MVB)周期轮询表有助于均衡网络负荷、提高网络处理偶发信息的能力、保证实时通信的可靠性.为此提出一种有效的轮询表设计方法.将MVB周期轮询表的设计抽象成离散优化问题,根据IEC 61375-1国际标准和可调度性要求建立约束条件,将均匀度和相邻基本周期时间差作为优化目标,利用Pareto蚁群(Pareto ant colony,P-AC)算法求解.每个优化目标对应自己的信息素,信息素采用蚁群系统的规则更新,总信息素由两者加权得到,非劣解基于拥挤距离方法维护.与已有的优化算法相比,Pareto蚁群算法优化得到的轮询表均匀度更好,能够更有效地均衡网络负荷.     

基于多目标离散粒子群的产品服务系统方案配置规则提取

为有效辅助工程师将顾客需求转化为产品服务系统方案,针对其技术特征,提出一种离散粒子群优化算法(DPSO)与帕累托(Pareto)结合的配置规则提取方法.该方法包括建立产品服务系统配置规则模型及构造Pareto-DPSO算法模型.Pareto-DPSO算法基于Sobol序列的频率初始化方法及离散化粒子更新方式,将连续粒子映射到十进制离散空间;并利用Pareto进行多目标下粒子优劣性评价,以获取非支配的最优规则集.以汽车产品服务系统方案配置设计为例,经与常规多目标粒子群算法及DPSO算法对比,验证了该方法对于解决多维空间内产品服务配置规则挖掘的可行性及有效性.     

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Pareto GA的机械手结构/控制多目标优化设计

针对机械／控制系统并行设计的多变量、多目标优化特点，以单臂机械手为对象，研究机电融合优化设计模型和多目标并行优化的算法．根据单臂机械手的动态特性和控制性能要求，采用极点配置方法构造了基于PD反馈控制的机电融合优化设计模型，通过Pareto遗传算法（PGA）对带约束的机电融合多目标优化问题的并行求解进行了研究，并对得到的Parato可行解集进行了分析．在PGA优化过程中采用了目标函数的归一化处理、分级罚函数法将约束问题转化为无约束优化、群体分级和Pareto解集过滤器等技术，并采用聚类方法对Pareto解集中解的个数、解集的特性和解的多样性进行控制，使优化解收敛到一个非劣点集．     

基于遗传算法的静电反馈式微传感器多目标优化

讨论了一种新型梳齿式静电反馈微加速度计的多目标参数优化问题，从耦合静电场能量关系出发，建立了系统的动态模型．在此基础上，以灵敏度、分辨率和动态响应为优化目标，通过目标规划法，构建了系统的多目标优化模型．利用遗传算法进行优化求解，并与序列二次规划法的优化解进行了对比分析，研究结果表明，这2种算法均能成功地求解优化问题，但遗传算法可得到设计者更为满意的多目标有效解．研究工作为进一步利用遗传算法的随机性和潜在并行性进行系统的Pareto多目标优化提供了基础．     

采用离散坐标法计算一维平行入射辐射问题

针对离散坐标法难以应用于平行入射辐射的问题，提出了一种简单有效的方法；在原有的离散坐标系列中，直接添加一个与平行入射辐射的方向重合的离散方向，并将该离散方向的加权取得极其微小（合如1）10^-200)，这一新的离散方向对于离散坐标系列的各阶段矩方程没有任何影响，因此可以任意地设置，这样无论平行入射辐射来自哪个方向，都可以被准确地捕捉到，并采用一个一维大气辐射问题对本方法进行了检验，计算结果与精确解吻合。