水文模型模糊多目标SCE－UA参数优选方法研究

在SCE－UA算法的基础上,结合Pareto排序和模糊多目标优选的优点,提出了水文模型模糊多目标 SCE－UA（FMOSCE－UA）参数率定方法。目标函数综合考虑了洪峰流量、水量平衡、峰现时间以及流量过程均 方差等水文过程的不同要素,使得优选的参数更能反映流域水文特征。双牌水库实例研究结果表明FMOSCE－ UA优于标准SCE－UA算法,优选参数完全可以用于实际洪水预报。     

随机GP法在概念性水文模型参数优选中的应用

 在基于近似梯度及模式搜索法的基础上,提出了复合上述两种方法的GP局部优化方法。以Nash确定性系数为目标函数,对水文模型的参数空间随机搜索后采用GP方法优化,运用参数空间筛选策略,以获得全局最优解集。上述方法结合导数信息和随机性质的算法,使优化过程脱离局部极小解从而达到近似全局最优解集。杨楼单元流域应用新安江模型的实例研究结果表明,随机的GP优化方法可以成功的率定概念性水文模型参数。     

船舶锅炉水位PID控制器参数多目标优化整定

为有效提高船舶锅炉水位控制性能,提出一种基于多目标遗传算法和多属性决策(MADM)技术的PID控制器参数整定方法.将系统的跟随性能、扰动抑制性能及鲁棒性能作为目标函数,采用改进非劣分层多目标遗传算法(NSGAⅡ)求出Pareto最优解.使用客观赋权的信息熵法对Pareto最优解属性进行权值计算.采用逼近理想解的排序方法(TOPSIS)进行MADM研究,给出了Pareto最优解排序.仿真结果表明,该方法通用性好,PID性能良好,适合工程实际应用.     

代理模型参数率定方法在TOPKAPI模型中的应用

为提高复杂水文模型参数优化效率,通过Morris参数敏感性分析确定敏感参数,随后将多目标自适应代理模型优化(MO-ASMO)算法应用在TOPKAPI模型的参数率定中,通过最小欧几里得距离筛选Pareto解集中的相对最优解,从解集分布和每场洪水模拟效果两个维度与传统多目标优化方法NSGA-Ⅱ、NSGA-Ⅲ进行比较。结果表明：在相同模型运行次数下,MO-ASMO相较于NSGA-Ⅱ和NSGA-Ⅲ具有更优的Pareto前沿;无论是率定期还是验证期,MO-ASMO算法的评价指标均表现较好,综合表现优于NSGA-Ⅱ、NSGA-Ⅲ算法,MO-ASMO算法有效提升了模型参数优化效率。     

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。     

分布式水文模型多参数优化与不确定性分析

水文模拟效率高、应用范围广,但参数的率定仍存在一定困难,尤其是分布式水文模型因数据集较大,对参数优化与率定技术提出了更高的要求.为此,提出一种单纯形算法(Simplex algorithm)结合内尔米德(Nelder-Mead)搜索算法的优化方法,并以温德河流域为研究案例,采用分布式水文模型和Nelder-Mead单纯形法,分别考查多种目标函数并获得相应的纳什系数(NSE)、均方根误差(RMSE)等评估系数.结果表明:经寻优后得到的参数准确性较高,且均在合理物理意义的取值范围内,4次洪水模拟的NSE系数均达到0.9以上;以残差平方均值为目标函数所得到的NSE效率系数及RMSE系数均优于其他目标函数结果.此外,通过不确定性分析方法的进一步验证,优化参数和参数率定结果具备科学可靠性.     

油气悬架的不确定性多目标优化

为改善某393t矿用自卸车的平顺性能,需要优化油气悬架的非线性刚度阻尼特性,建立了更符合工程实际情况的7自由度整车模型.考虑矿用车运输过程中整车质量与质心位置的不确定性,选取对目标函数影响较大的悬架刚度和阻尼系数作为设计变量,选取整车质心加速度和车身侧倾角、车身俯仰角以及悬架的动扰度和车轮的动载荷作为目标函数,利用基于薄板样条插值的高维模型(TPS-HDMR)构建设计变量与目标函数之间的近似模型.采用基于Pareto概念的多目标优化遗传算法进行优化,得到了最优Pareto解集.仿真结果表明:多目标优化可以同时改善11个目标的性能,提高汽车的平顺性.     

基于SCE-A算法的新安江模型参数优化及应用

为了减小水文模型参数优化中人工试错法和局部优化法的不确定性,以一种快速有效的优化方法搜索到水文模型参数的全局最优解。以安徽呈村流域为例,使用SCE-UA算法对新安江模型参数进行优化,日模型和次洪模型分别采用总体水量误差和对数绝对值误差作为目标函数,分析优化结果并对优化参数进行检验。经检验分析,日模型检验期确定性系数均达到0.8,次洪模型检验期确定性系数接近0.9。研究结果表明,采用SCE-UA算法优化新安江模型参数可以取得较好结果,目标函数的选择对参数优化有着重要作用。     

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.     

基于Pareto遗传算法和TRIZ理论的数控装备加工参数智能优化

针对数控装备加工参数优化问题,提出了一种基于Pareto遗传算法结合TRIZ理论的优化算法.首先建立优化目标为切削效率和刀具耐用度的多目标优化模型,基于Pareto遗传算法实现先寻优后决策的求解模式,并得到Pareto最优解集;其次,基于TRIZ发明问题解决理论,从最优解集中分析技术矛盾并建立矛盾矩阵表,根据技术问题解决原理进行最优解的决策,有效地避免了基于经验和偏好选择的弊端,实现合理寻优和理性决策的良好组合.最后,通过采用4组切削参数分别进行铣削后的表面粗糙度实验验证了该方法的可行性和有效性.     

基于Pareto解的交互式模糊优化及其应用

设计参数内关外联的属性和设计约束的模糊性、相关性和传播性往往导致多目标优化设计中冲突发生和目标间协调性差等现象。针对这些问题,应用模糊数学原理,构造尺度函数,增加附加约束,并基于Pareto解处的冲突矩阵、协同灵敏度分析以及目标重要度阈值的交互选择,建立了基于Pareto解的模糊交互式多目标优化模型。结果表明:提出的模型在兼顾主、客观要求的前提下,可降低目标之间的冲突程度,得到最大的满意度。以实例验证了模型的有效可行性。     

一种用于多目标优化的克隆选择算法

多目标进化算法的研究目标是使算法种群快速收敛并均匀分布于问题的Pareto最优前沿面.为此,在比较与分析已有多目标进化算法的基础上,借鉴免疫系统中的克隆选择原理,提出了一种用于多目标优化的克隆选择算法.该方法只对部分当前所得到的Pareto最优解进行进化操作,并选用一种简单的多样性保护机制来保证Pareto最优解具有良好的分布特征.'实验结果表明该方法能够很好地达到Pareto最优前沿面,较好地保持解的多样性,并且具有很快的收敛速度.     

Pareto局部搜索算法的改进

针对一个Pareto局部搜索（PLS）算法在解决多目标组合优化问题中所得到的解集与初始点的选取有关,提出该算法的改进。改进算法从初始解开始进行PLS搜索产生一组改进解集VF,然后对VF中的所有解再进行PLS搜索,如此重复直到满足终止条件。实例计算表明,PLSⅠ算法和算法Ⅱ能得到很好的解且解的质量优于PLS算法。     

小样本分散数据的回归建模和多目标优化

小样本分散数据上的回归对建模有一定挑战, 利用高斯过程对其回归进行建模, 即采用极大似然估计进行核函数的超参数学习, 通过后验来计算回归结果并预测出目标函数的均值和方差. 在此基础上结合方差的多目标优化, 在进行材料逆向设计的同时能对设计结果的不确定性进行估计. 对 1215MS 非调质钢和三点弯混凝土数据集进行了实验验证. 实验结果表明, 对于三点弯混凝土平均有 50% 实验数据落在预测的 95% 置信区间内, 高斯过程回归 (Gaussian process regression, GPR) 模型可以较好地度量分散小样本数据的不确定性, 进行合理预测. 对于 1215MS 非调质钢数据集, 在高斯过程回归模型的基础上, 运用带精英策略的非支配遗传算法 (elitist non-dominated sorting genetic algorithm, NSGA-Ⅱ) 进行多目标优化, 将材料的力学性能以及所对应的方差作为优化目标, 在考虑最优力学性能的同时兼顾不确定因素对实验结果的影响, 得到最优帕累托解集, 以此作为下次实验的候选点, 辅助材料设计和制备优化.     

TFT-LCD制造cell阶段多目标绿色调度问题研究

针对薄膜晶体管液晶显示器(TFT-LCD)制造cell阶段的多目标绿色调度问题,构建了最小化最大完工时间、总能耗和总生产成本为目标的优化模型。采用基于机器和工序的两段式编码,使用在步长因子前加入动态系数的改进布谷鸟搜索算法,结合双元锦标赛和动态淘汰制,根据聚集距离法筛选Pareto最优解来获得Pareto最优解集,对TFT-LCD制造cell阶段多目标绿色调度问题进行求解。结果表明,改进布谷鸟搜索算法优于标准布谷鸟搜索算法和带精英策略的快速非支配排序遗传算法,可以提高TFT-LCD制造cell阶段多目标绿色调度问题的求解效率和质量。     

最佳觅食算法求解多目标混合流水车间调度问题

针对生产车间中需要同时考虑减少生产时间、确保加工质量以及通过减少能耗而降低生产费用的需求,建立以完工时间、空闲时间、加工质量和机器能耗为目标的多目标混合流水车间调度模型,提出一种基于直觉模糊集相似度的最佳觅食算法.为有效求解此问题,提出基于Largest Order Value规则的双层整数编码方式,在机器层编码部分采用权重法来计算机器的选择概率.针对多目标优化,提出直觉模糊集相似度的解比较策略,采用直觉模糊集相似度的大小衡量Pareto解与理想解的相似程度,判断Pareto解的优劣.通过测试实例和实际案例,验证本算法求解多目标混合流水车间调度问题的有效性和可行性.     

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．     

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。     

FH—MOEA：基于快速计算空间超体积贡献机制的多目标优化进化算法

研究在多目标优化进化算法中引入强选择压力机制,以促使搜索群体在有效保证多样性的前提下向Pareto最优前沿迅速收敛,并引入空间超体积测度．针对当前空间超体积测度计算代价高的问题,提出了一种基于空间切片的快速空间超体积贡献计算方法FH．基于该方法,发展出一种基于快速计算空间超体积贡献机制的多目标进化算法（FH—MOEA）,并应用于解决复杂的多目标优化问题．用一组测试问题对算法性能进行检验,实验结果表明,该算法在收敛性和分布性两方面均比著名的NSGA-Ⅱ算法有显著提高．