一类大规模系统的全局优化

讨论了可分非凸大规模系统的全局优化控制问题,提出一种三级递阶优化算法。该算法首先把原问题转化为可分的多目标优化问题,然后凸化非劣前沿,再从非劣解集中挑出原问题的全局最优解。建立了该算法的理论基础,证明了算法的收敛性。仿真结果表明该算法是有效的。     

可分非凸稳态大系统的全局递阶优化控制算法

讨论了可非凸稳态大系统的全局递阶优化控制问题,提出了一种三级递阶优化算法,该处首先把原问题转化为可分的多目标优化问题,然后凸化非劣前沿,再从非劣解集中挑出原问题的全局最优解,建立了算法的理论基础,证明了算法的收敛性,仿真结果表明,该算法是有效的。     

可分非凸稳态大系统凸化方法研究

本文讨论带一般约束的可分非凸稳态大系统的凸化方法。采用只增加部分约束罚项的思想,提出了一种既能将原非凸问题目标函数凸化,又能保持原问题可分性的构造增广Lagrange函数的新方法,并给出了该问题的递阶优化算法,证明了算法的收敛性,给出了收敛速度的估计.     

基于递阶优化算法的轧制过程控制策略优化研究

给出利用递阶优化算法解决轧制过程控制策略优化问题的思想. 针对总时间最短和总能耗最小两个优化目标,分别将其作为上下层目标函数建立起两层规划的数学模型,通过基于分解-协调的递阶优化算法对该两层规划进行求解,最终得到了中厚板精轧控制策略优化的最优解. 仿真结果说明,利用递阶优化算法求解轧制过程控制策略是非常有效的方法.     

多目标混合混沌优化算法研究及应用

为了求解多目标优化问题,提出一种基于混沌搜索的多目标模糊混沌优化算法．将混沌优化方法与模糊优化方法有机地结合起来,应用混沌优化算法求出各个单目标的最优解;将各最优解模糊化;应用模糊非对称方法的思想和模糊集合理论中的最大满意度原理,将多目标优化问题转化为单目标非线性规划问题;最后应用混沌优化算法求解单目标优化问题,得到满意度最大的解．结果表明,所提出的多目标模糊混沌优化算法是可行和有效的,为求解多目标优化问题提供了一种新的有效方法．     

非凸大系统优化的辅助变量法

提出了一种优化非凸可分离大系统的新方法，该方法通过引入辅助变量，将非凸大系统分解成凸的子系统进行优化，文中举了一个应用本算法解非凸多品种最小费用流问题的实例。     

基于粒子群算法的不确定动态多目标优化方法研究

当前不确定动态多目标优化方法通常将多目标问题转换成单目标问题,将其它目标看作约束条件,仅可得到单个解,无法有效体现不确定多目标之间的关系,导致得到的解质量低。为此,提出一种新的基于粒子群算法的不确定动态多目标优化方法,给出不确定动态多目标优化问题的数学描述,介绍了粒子群算法,针对粒子群算法容易陷入局部最优的弊端,引入动态变异算子对其进行改进,通过改进的位置更新公式实现粒子群算法位置的自适应更新,给出解决不确定多目标优化问题的详细过程,在此基础上,通过分段线性函数参数化实现不确定动态多目标优化。实验结果表明,所提方法搜索能力强,采用所提方法得到的解与真实解最相近,质量最高。     

区间多目标粒子群优化算法及其应用

提出了一种区间多目标粒子群优化(IMOPSO)算法,用于解决多目标下区间变量的优化问题.基于区间可信度定义两个区间解的占优关系,通过归一化方法和区间拥挤度距离对Pareto最优解排序,并设立归档机制,利用外部存储器保存Pareto最优解集.针对有界误差系统的建模问题,提出了基于IMOPSO算法训练区间神经网络(INN)模型参数的建模方法,解决了误差界已知和误差界未知两种情况下的有界误差系统建模问题.最后,以一阶不确定系统为例,利用所提算法进行了建模仿真,验证了建模方法的有效性.     

多目标优化的进化优化算法

进化优化算法具有全局优化能力,可以一次性求解多个非劣解。近年来,此类方法已经成为求解多目标优化问题一个重要的研究方向。本文分析了进化优化算法的关键步骤,介绍了几种代表性的多目标进化优化算法,并指出了值得进一步研究的相关问题。     

求解多目标优化问题的分布估计算法

通过对多目标优化方法研究现状的分析,针对多目标优化问题的特点提出一种基于联合正态分布的求解多目标优化问题的分布估计算法。该算法将不同目标函数的自变量作为不同的随机变量,用联合正态分布对扩充的解空间进行估计,并用投影的方式将采样点映射到解空间中。仿真结果表明了该算法的有效性。     

多目标优化算法中Pareto最优解集适应度值的研究

多目标优化算法主要研究如何利用算法求解相对复杂得多目标问题从而得到一组最优解,多目标优化算法已经成为进化计算领域的研究热点之一。多目标优化问题解的多样性主要体现在两个方面,即目标解分布的广度和均匀程度。为了使目标解具备多样性且均匀分布,研究领域提出了多种解决方法,本文主要围绕Pareto最优解集适应度值展开深入的研究与分析。     

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。     

基于分布式神经动力学算法的微电网多目标优化

针对微电网多目标优化计算量较大的问题,提出了一种考虑需求响应的微电网分布式神经动力学优化算法.首先,考虑平均效率函数、微电网的排放、需求响应引起的不满意度以及总利润函数等因素建立多目标优化模型.其次,应用单目标积公式将多目标优化问题转换为单目标优化问题,并证明了最优解是原始多目标问题的帕累托最优点.再次,使用对数障碍物惩罚因子处理不等式约束,利用Lasalle的不变性原理和Lyapunov函数证明所提出的算法可以收敛到最优解.最后,通过仿真验证了本文算法可以在保证优化精度与收敛性条件下,大大降低计算成本.     

基于NSGA2的多目标稳健优化研究

特稳健设计优化设计理论、可靠性灵敏度技术和可靠性稳健设计方法相结,把稳定优化问题转化为多目标优化问题,采用:NSGA2优化算法结合ANSYS稳健设计模块进行多目标稳健优化分析,不需要定义各个目标之间的权重,最后得到优化问题的Patero解集,通过与规定权重的多目标优化方法对比,得出此种稳健优化方法的最优解集与权重方法的解存在重合部分,表明NSGA2方法结合ANSYS稳健优化设计方法确实可行.     

基于Barzilai-Borwein梯度法的多微电网系统递阶优化调度算法

针对由多个相互关联的微电网组成的多微电网系统,本文提出基于Barzilai-Borwein梯度法的多微电网系统递阶优化调度算法。该算法通过协调各子网多余或缺少的能量,并优化各子网发电设备以实现各微电网能量供需平衡,最小化多微电网系统整体运行成本。首先建立多微电网能量流动模型及其能量管理优化问题,进而综合预测控制的滚动优化思想和关联平衡原理,设计了多微电网系统的递阶优化调度算法。该算法将整体优化的复杂的高维整体优化问题分解为若干个相互独立的低维子问题,将原来集中的大规模计算分散到每个子系统中进行,降低对单个控制器的计算性能要求,并引入Barzilai-Borwein梯度法对子微电网之间协调,提升协调级迭代计算寻优过程的收敛速度,驱动各子网的独立优化解快速收敛至多微电网的整体优化解,以较低的计算量取得了良好的多微电网能量管理效果。最后通过数值仿真验证了本文所设计算法的有效性。     

基于精英重组的混合多目标进化算法

针对多目标进化算法搜索效率低和收敛性差的问题,提出了基于精英重组的混合多目标进化算法,将多目标优化问题分解为多个单目标优化问题单独求解,并采用基于遗传算法的精英重组策略将多个相异解重组生成唯一的精英解.提出区域化的种群初始化方法,改进局部搜索及群体选择机制,采用以优化子群为核心的分组交叉策略及自适应多位变异算子,并引入基于混沌优化的重启机制,有效克服了精英保存的固有缺陷,以及现有多目标进化算法存在的目标空间解拥挤、收敛慢、易早熟等问题.多目标测试函数的数值仿真和关键步骤的性能分析证明了本文算法的有效性和优越性.     

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.     

系统可靠性的多目标优化计算

由于多目标优化问题存在多个最优解集合，而传统的方法往往将其转化为各目标之加权和，然后采用单目标优化技术，这种方法存在诸多缺点和脆弱性，作为一种并行算法，遗传算法能很好地解决多目标优化问题，文中在非劣性分层遗传算法的基础上对遗传算子进行改进，首先获得多目标优化问题的非劣解，然后通过对系统进行敏感性分析，有效地缩小了问题的解空间．试验对比发现，算法的速度和精度得到有效提高。     

贝叶斯优化算法在多目标优化问题中的应用

贝叶斯优化算法是近年来在进化算法领域兴起的一种新兴算法,用贝叶斯网络概率模型来显式地反映变量之间的依赖关系及可行解的分布,更符合实际问题的本质,在众多领域获得应用。针对多目标优化问题,在Pareto优化概念的基础上,用非占先排序及拥挤距离的方法来选择群体,形成解决多目标优化算法的Pareto贝叶斯优化算法,实验结果表明,Pareto贝叶斯优化算法要优于经典多目标优化算法NSGA-II。     

求解复杂多目标优化问题MOEA/D-GEP算法

针对复杂多目标优化问题,提出一种基于演化建模的MOEA/D（基于分解的多目标遗传算法）求解算法（MOEA/D-GEP）.该算法利用MOEA/D算法思想分解多目标优化问题,对分解后得到的可行解用基于模拟退火的GEP算法建模,从中选取预测值较好的点进入下一次真实适应值的计算.采用国际公认的ZDT,DTLZ等测试函数进行实验验证,并与MOEA/D-EGO演化多目标优化算法进行了比较.实验结果表明：该算法在IGD性能指标上有较好的表现,说明将演化建模技术引入MOEA/D算法提高了种群个体分布模型的精度,降低了求解复杂多目标优化问题的计算成本.