基于多目标量子粒子群算法的环境/经济调度

针对传统的粒子群优化算法在求解环境/经济调度中存在控制参数多和局部搜索精度低等问题,提出一种基于多目标量子粒子群优化算法的环境/经济调度问题的求解方法.该算法利用具有量子行为特性的粒子搜索解空间,引入改变作用区间的变异算子增强全局搜索能力,并采用基于粒子多样性的方法更新全局最优的领导粒子.仿真结果表明,该算法是有效的,所求Pareto解集能逼近真实的Pareto解集且具有良好的分布性.     

基于Maximin的动态种群多目标粒子群算法

针对粒子群优化算法在处理多目标函数优化问题的过程中,往往会出现局部收敛现象,在MOPSO算法基础上提出了一种新的多目标粒子群优化算法.该算法在运行过程中采用动态调整粒子群种群数目的方式使粒子摆脱局部最优解对其的吸引;同时为了克服粒子种群多样性降低带来的影响,将粒子的相对适应度方差引入到Maximin计算公式中.然后基于Pareto最优的概念,利用方差Maximin策略来评价最优解,并保存在可变的外部精英集中,以保证结果的分布性良好.最后,该方法在仿真中取得了良好效果,可以更广泛地应用到复杂工业多目标优化领域中.     

组合粒子群优化和分布估计的多目标优化算法

提出组合粒子群优化和分布估计的多目标优化算法。在寻优迭代过程中,一半的后代由粒子群算法产生,带有变异操作的粒子群优化算法具有全局搜索能力;另一半后代采用分布估计算法来产生,分布估计算法具有良好的学习和局部搜索能力,由其提取决策空间的信息并建立期望解的概率分布模型,对这个分布模型进行采样而产生下一代的解。与多种多目标优化算法的比较实验表明,组合算法在基准函数ZDT1～ZDT3,ZDT6和ZDT6-1上获得的Pareto解集具有较好的收敛性与多样性,在ZDT4实例上的性能适中。     

基于一种新混合群算法(MOHO-SA)的结构主动控制多目标优化研究

基于粒子群(PSO)算法和差分进化(DE)算法提出了一种新的多目标混合群优化算法,对结构主动控制系统的作动器位置、数量与控制器参数进行同步优化.首先,分别采用PSO算法与DE算法进行对应种群的进化,使用庄家法则构造非支配解集,并引入边界点几何中心leader选择机制,同时利用模拟退火算法完成个体进化的二级局部搜索;以随机地震激励下反映结构振动控制效果和控制策略优劣的双指标作为优化目标函数.最后,针对ASCE 9层benchmark模型,采用本文提出的具有二级搜索功能的多目标混合群算法(MOHO-SA)对其主动控制系统进行优化设计,并分别与多目标差分进化算法(MODE)、多目标粒子群算法(MOPSO)、普通多目标混合群算法(MOHA)的优化结果进行对比分析,表明其Pareto解集具有更优的收敛曲线及分布性.     

基于约束骨干粒子群算法的化工过程动态多目标优化

大多数化工过程是动态过程,需同时优化多个目标,从而带来复杂的约束多目标动态优化问题。因此提出了一种动态约束多目标骨干粒子群算法,即采用一种新型约束处理方法,结合Pareto支配和ε约束支配技术的双档集机制;针对约束优化问题寻优难度更大,更易陷入局部最优的特点,采用局部搜索和混合变异策略,并自适应调整搜索步长,提高算法的探索和开发能力;采用分段线性函数参数化方法,构建一种动态约束多目标粒优化算法,并将其用于解决间歇反应器的动态多目标优化问题。测试实验表明:与NSGA-II和自适应差分进化算法(SADE-εCD)比较,该算法具有更优秀的收敛性与分布性;应用到化工过程多目标动态优化问题实例进行比较表明,多目标骨干粒子群算法在约束多目标动态优化问题的求解中表现出更好的应用前景。     

基于多目标粒子群算法的卫星结构动力学优化

针对卫星结构的多目标动力学优化问题,在其优化过程中建立了一种多目标粒子群优化(MOPSO)算法.该算法采用惯性权重递减策略,对违反约束的粒子给予不同惩罚,并在算法后期引入变异算子,增强种群的多样性,使算法更好地进行全局寻优.结合支持向量机近似模型,将MOPSO方法用于卫星结构动力学优化,并与多目标遗传算法(NSGA-II)的结果进行了对比.数值结果表明,MOPSO可以有效地搜寻优化问题的Pareto前沿,具有良好的分散度和均匀性.     

基于自适应粒子群优化算法的光伏电池参数辨识

利用双二极管等效电路模型进行光伏电池输出特性仿真,基于光伏电池的U-I数据建立了目标寻优函数,采用自适应粒子群优化算法对光伏电池参数进行了反演计算.结果表明:U-I反演曲线与实际曲线基本吻合,自适应粒子群算法与单纯形方法的参数辨识结果均与理论值相符,权重因子策略和种群规模对自适应粒子群优化算法寻优结果具有显著影响,基于自适粒子群优化算法的光伏电池参数辨识方法具有更高的求解精度和寻优效率.     

基于密集距离的多目标粒子群优化算法

设计出基于密集距离的多目标粒子群优化算法(CMPSO),该算法根据密集距离大小按轮盘赌方式为每个粒子从外部档案选取全局最好位置并采用基于密集距离的方法对外部档案进行维护.将算法应用于3个复杂的测试实例,并与强度Pareto进化算法2等算法进行比较,计算结果表明CMPSO具有良好的连续优化能力.     

基于改进粒子群算法的方案飞行弹道优化设计

研究导弹方案飞行弹道的优化问题.在对方案飞行弹道优化本质特征进行分析的基础上,针对爬升-转弯段弹道提出了一种基于粒子群优化算法的方案弹道优化算法.该算法引入罚函数法和权系数法构建综合的目标函数,采用非均匀B样条方法实现控制规律的参数化,采用改进的具有动态初始化策略的粒子群优化算法进行寻优计算.仿真算例及结果表明,该方法结构清晰,具有较好的通用性,优化后的方案飞行弹道满足约束条件.     

基于搜索空间自适应分割的多目标粒子群优化算法

提出一种基于搜索空间自适应分割的多目标粒子群优化算法, 根据粒子的搜索能力和规模与子搜索空间的体积呈多维标准正态分布变换, 精细分割搜索空间, 向划分出的子搜索空间分布粒子实现优化, 分割在迭代时持续进行, 直至获得最优解集. 实验结果表明: 该方法解决了多目标粒子群优化算法易陷入局部极值的问题; 在反向世代距离性能指标上, 该算法与一些典型的多目标粒子群优化算法相比, 其种群多样性和解的收敛性优势显著.     

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。     

基于粒子群优化的最小属性约简算法

将最小属性约简问题转化为一个基于粒子群优化算法求解的多目标优化问题.引入基于表现型共享的适应度评价函数以提高多目标搜索算法的性能,对基本粒子群优化算法的位置更新公式进行修正使其能够有效应用于最小属性约简问题,并提出了一种用于求解该问题的二进制多目标粒子群优化算法.实验表明,本算法是有效的,并能一次运算获得多个最小属性约简.     

供应商优选与订货量分配的多目标微粒群算法

分析了供应商优选与订货量分配问题的特性,构建了带界约束的多目标优化模型,并设计具备有综合学习机制的多目标微粒群优化算法以求解该模型.实验结果表明,该多目标微粒群优化算法是有效的.     

基于多目标粒子群优化的服务选择算法

基于多目标粒子群优化算法提出一种高效的服务选择算法(MOPSOSS).首先将服务选择问题建模为带QoS约束的多目标组合优化问题;其次,根据支配的概念构造远小于原子服务集的新子服务集;最后基于多目标粒子群优化算法求解由新子服务集构成的服务选择问题,从而获得一组满足约束的pareto最优解.理论分析表明,MOPSOSS能正确、高效地求出原问题的全局最优解.与遗传算法(GA)的对比结果表明当问题规模大于150时,MOPSOSS的平均运行时间仅为GA的7%,求出的解的个数是GA的1.15倍,75%的解能支配GA求出的解,分布广度是GA的1.5倍.随着约束强度的增加,MOPSOSS的平均运行时间减少,而解的质量并无显著下降.与GA相比,MOPSOSS能用更短的时间求出更多高质量的解.     

精英竞争和综合控制的多目标粒子群算法

目的 多目标粒子群算法虽然极易实现且收敛速度快,但在平衡其收敛性和多样性方面仍需进一步改善。方法 针对上述问题,提出一种精英竞争和综合控制的多目标粒子群算法(ECMOPSO)。一方面,算法采用全局损害选择精英粒子集,然后将两两竞争引入多目标粒子群算法中,通过精英竞争选取优胜者粒子,将其与全局领导者融合形成更全面的社会综合信息,以增强种群中粒子之间信息的交互性,更好引导种群中的粒子飞行,提升算法全局探索能力;另一方面,结合全局损害和基于位移密度估计对外部存档进行维护,从而提高外部存档中非劣解的质量,平衡算法的收敛性和多样性。结果 将ECMOPSO算法与4个多目标粒子群算法和4个多目标进化算法在ZDT和UF系列基准测试问题上进行仿真实验,并采用Wilcoxon秩和检验和Friedman秩检验比较ECMOPSO算法与所选对比算法的整体性能。实验结果表明：相比其他几个对比算法,ECMOPSO算法的收敛能力、解的分布性以及稳定性都得到了一定的提升。结论 ECMOPSO算法可以很好地平衡收敛性和多样性,提升其整体性能,能有效求解大多数多目标优化问题。     

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。     

智能家庭用电多目标优化方案研究

分析了家庭用电的微电网系统,研究了粒子群算法以及多目标优化理论. 在此基础上,设计了一种面向家庭用电的多目标优化模型,利用人工智能粒子群算法处理多维目标函数,制定了用电优化策略. 计算机仿真结果表明,该策略有效优化了家庭能耗,达到了节能减排的目的.     

解多目标优化问题的新粒子群存档算法

通过把Pareto优与粒子群优化(PSO)算法相结合,利用给出的粒子的序值定义对粒子群中的粒子进行分离存档,给出了一种求解多目标优化问题的新粒子群存档算法。为了提高算法的全局收敛性,对PSO算法中的惯性因子ω执行自适应调节。数据实验比较表明该算法能找到问题数量更多、分布更广、更均匀的Pareto最优解。     

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...     

基于粒子群寻优的汽车自适应巡航预测控制

为进一步提升多目标自适应巡航系统预测控制精度,提出一种基于粒子群寻优的汽车自适应巡航预测控制算法.首先建立一种包含前车加速度扰动的自适应巡航系统车间纵向运动学模型,并对其线性离散化;其次综合车距误差、相对车速、自车加速度和冲击度,设计二次型多目标优化性能指标函数和多参数约束条件,构建自适应巡航预测控制优化命题;最后为便于问题求解,将目标函数和约束条件推导转化为以预测控制增量为优化变量的规范形式,并基于粒子群优化算法求解自适应巡航预测控制的最优控制律.通过Matlab/Simulink多工况仿真结果表明,粒子群算法求解的最优控制律能够控制自车保持更好的跟踪性和自适应性.