多目标优化的微分进化算法

将微分进化算法的应用范围从求解无约束单目标优化推广到求解一般情形的多目标优化.与传统优化算法及一般的进化算法相比,该算法特点在于直接将约束条件以及多目标性结合到进化算子中.算例表明,该算法是有效的.     

多目标优化的微分进化算法

将微分进化算法的应用范围从求解无约束单目标优化推广到求解一般情形的多目标优化。与传统优化算法及一般的进化算法相比,该算法特点在于直接将约束条件以及多目标性结合到进化算子中。算例表明,该算法是有效的。     

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。     

多目标优化问题的差分进化算法研究

为保持所求得的多目标优化问题Pareto最优解的多样性,提出了一种精英保留和根据目标函数值进行排序的多目标优化差分进化算法.对排序策略中目标函数的选择方式进行了分析和比较,并提出了一种确定进化过程中求得的精英解是否进入Pareto最优解集的阈值确定方法.用多个经典测试函数进行了实验分析,并与NSGA-Ⅱ算法进行了比较.实验结果表明,该方法收敛到问题的Pareto前沿效果良好,能有效保持所求得的Pareto最优解的多样性.     

改进差分进化算法在铝电解多目标优化中的应用

针对多目标优化问题,提出一种改进的差分进化算法(DE).该改进算法首先将DE与粒子群优化算法(PSO)结合,提高DE的收敛速度,然后引入多种群进化策略,有利于维持Pareto解的多样性.同时,在综合考虑机理与工艺的基础上建立铝电解多目标优化模型,并应用改进算法进行求解.仿真结果表明:在电流效率为92％时,改进算法所得的直流功耗为14.03 MW.h/t,比NSGA-Ⅱ的直流功耗降低了1.45％,比传统DE的直流功耗降低了1.75％.表明本文改进算法有效地提高了传统进化算法的性能.     

多进化策略自适应免疫多目标进化算法

为了在基于克隆选择的免疫多目标进化算法中提高种群的多样性,提出了一种基于目标函数变化率的多进化策略自适应免疫多目标进化算法,以采用克隆选择的免疫多目标进化算法为基础,根据目标函数的变化率,在不同的进化阶段自适应地选择两种不同的差分进化策略,在保证算法收敛速度的同时兼顾种群的多样性,避免算法陷入局部最优。选用DTLZ测试函数对新算法进行了性能测试,并与其它算法进行了比较。结果显示,新算法解的分布性和均匀性有了一定程度的提高。     

差分进化算法在多目标路径规划中的应用

针对差分进化算法其算法思想简明、实现方便而得到了国际进化计算研究领域的认可,多目标问题中,由于各目标之间经常是相互制约的,因此优化难度相当大。带时间窗的多目标物流配送车辆路径优化的多约束性使得它很难应用进化算法进行优化。为了解决这个问题,本文通过变异操作算子改进,成功将改进的差分进化算法应用于该问题。数值仿真实验结果表明:这种改进的差分进化算法得到了较稳定的非支配解集,实现了客户间的路径优化。     

基于差分进化算法的分布式能源系统 多目标优化

为了避免传统分布式冷热电三联供系统设计中偏离实际工况、负荷率偏低、效率低下等问题,本文以某商务区为对象,将分布式能源系统设备容量的最优化问题转化为以年总成本和年排放量综合最低的多目标数学模型,在对比多种常见智能算法后,选择具有强大全局巡优能力的差分进化算法进行求解,获得优化配置方案。分布式能源系统设备类型较多,且影响因素繁杂,各种设备的容量配置是整个系统运行效益好坏的关键。计算结果表明,与冷热电分供能系统进行对比,通过差分进化算法进行最优化配置后的分布式能源系统具有显著的优越性和可行性,系统结构设计、能源价格,均会对系统最优化结果产生影响。     

多目标进化算法研究综述

简要介绍了多目标进化算法(MOEAs)的基本框架、研究历史、总体分类和主要方法,同时讨论了进化算法(EAs)在多目标优化的应用中的几个关键性问题及今后需进一步研究的工作.     

动态多目标优化进化算法研究综述

动态多目标优化进化算法主要研究如何利用进化计算方法求解动态多目标优化问题,其已成为进化计算领城一个新的研究课题.本文首先介绍了动态优化问题的分类,然后描述了动态多目标优化问题的基本概念、数学表述,最后在当前对动态多目标优化进化算法的基本原理、设计目标、研究现状及性能度量讨论的基础上,提出了对动态多目标优化问题需进一步研究的关键问题.     

基于蜜蜂进化型遗传算法的电力系统无功优化

采用蜜蜂进化机制与遗传算法相结合的蜜蜂进化型遗传算法(bee evolutionary genetic algo-rithm,BEGA)对电力系统进行无功优化计算.该算法以一定概率将蜂王(最优个体)与雄蜂(被选的个体)2部分进行交叉,因此对最优个体包含信息的开采能力得以增强.随机种群的引入,降低了算法出现过早收敛的可能性,保持了种群多样性.应用BEGA对IEEE6节点系统进行无功优化计算的结果表明:较其他算法,BEGA具有更强的全局寻优能力和更快的收敛速度.     

P systems based multi-objective optimization algorithm

Based on P systems, this paper proposes a new multi-objective optimization algorithm (PMOA). Similar to P systems, PMOA has a cell-like structure. The structure is dynamic and its membranes merge and divide at different stages. The key rule of a membrane is the communication rule which is derived from P systems. Mutation rules are important for the algorithm, which has different ranges of mutation in different membranes. The cooperation of the two rules contributes to the diversity of the population, the conquest of the muhimodality of objective function and the convergence of algorithm. Moreover, the unique structure divides the whole population into several sub populations, which decreases the computational complexity. Almost a dozen popular algorithms are compared using several test problems. Simulation results illustrate that the PMOA has the best performance. Its solutions are closer to the true Pareto-optimal front     

P systems based multi-objective optimization algorithm

Based on P systems, this paper proposes a new multi-objective optimization algorithm (PMOA). Similar to P systems, PMOA has a cell-like structure. The structure is dynamic and its membranes merge and divide at different stages. The key rule of a membrane is the communication rule which is derived from P systems. Mutation rules are important for the algorithm, which has different ranges of mutation in different membranes. The cooperation of the two rules contributes to the diversity of the population, the conquest of the muhimodality of objective function and the convergence of algorithm. Moreover, the unique structure divides the whole population into several sub populations, which decreases the computational complexity. Almost a dozen popular algorithms are compared using several test problems. Simulation results illustrate that the PMOA has the best performance. Its solutions are closer to the true Pareto-optimal front     

电力系统电压无功多目标的优化控制

电力系统电压无功多目标的优化控制是主要的复杂优化和控制问题之一. 本文在明确电压无功多目标控制方式及意义的基础上, 剖析了电力系统中的电压问题, 进一步详细研究了电压无功多目标优化算法的实现, 并通过在IEEE-6节点网络的无功优化计算结果的分析, 表明本文所研究优化控制方法的有效性.     

基于多目标优化的炼钢-连铸生产智能调度模型与算法

针对现有数学规划模型和算法对设备冲突欠缺直接、有效的处理方法问题,应用多目标优化的基本思想,建立了新的炼钢-连铸生产智能调度模型,将炼钢-连铸生产调度问题转化为具有两个目标的多目标优化问题,其中,第1个目标为最小化全厂完工时间与所有炉次等待时间,第2个目标由不能消解的设备冲突时间转换得到,这样利用多目标优化方法的先天优势来克服传统方法的不足,并设计了基于多目标进化算法NSGA-Ⅱ的求解算法;此外,针对设备冲突困境,还提出了一种基于等待时间松弛的冲突消解方法,通过迭代松弛调整炉次的等待时间长度完全消解设备冲突。在国内某大型转炉炼钢厂的应用实践表明了所提模型和算法的有效性。     

A new evolutionary algorithm for solving multi-objective optimization problems

Multi-objective optimization is a new focus of evolutionary computation research. This paper puts forward a new algorithm, which can not only converge quickly, but also keep diversity among population efficiently, in order to find the Pareto-optimal set. This new algorithm replaces the worst individual with a newly-created one by “multi-parent crossover”. so that the population could converge near the true Pareto-optimal solutions in the end. At the same time, this new algorithm adopts niching and fitness-sharing techniques to keep the population in a good distribution. Numerical experiments show that the algorithm is rather effective in solving some Benchmarks. No matter whether the Pareto front of problems is convex or non-convex, continuous or discontinuous, and the problems are with constraints or not, the program turns out to do well. Foundation item: Supported by the National Natural Science Foundation of China(60133010, 60073043, 70071042) Biography: Chen Wen-ping ( 1977-), female, Master candidate, research direction: evolutionary computation.     

免疫蚁群算法在电力系统无功优化中的应用

将人工免疫算法和蚊群算法相结合形成免疫蚁群算法,运用免疫机理提取疫苗获得初始解,通过免疫操作加快算法收敛速度,并用基于浓度的选择机制抑制算法的"早熟".将该算法用于求解电力系统无功优化问题进行仿真,结果表明它的收敛速度和计算精度都有较大提高.     

分层多目标优化的区间算法

文章根据分层多目标优化的基本原理,结合区间分析的方法,提出了求解约束分层多目标规划问题的区间算法,克服了传统算法中存在的评价函数选取难和有效解可选性差的缺点,证明了算法的收敛性,给出了数值算例。     

基于遗传算法实现电网的无功优化

在无功优化问题中引入了遗传算法（GA），着重解决了无功优化中离散变量的处理、目标函数及相关参数值的选取等问题。该算法可有效地减少系统的网损，在电网中实现无功优化。