一种基于Kriging模型加点策略的多目标粒子群优化算法

针对工程问题中优化结果误差较大的不足, 提出一种基于Kriging模型的多目标粒子群优化算法. 先利用Kriging模型的响应信息对误差进行预测, 并将预测误差引入Pareto支配关系比较、 全局领导者和局部领导者的选取及变异机制的进行过程中, 再结合文中加点策略使优化过程在少量抽样的前提下快速准确地逼近Pareto前沿解集. 性能测试结果表明, 该算法可提高复杂系统模型的优化效率及准确性.     

压力铸造成型工艺参数优化数学模型研究

针对压铸成型的工艺参数系统难以建立精确的数学模型,参数优化凭经验试凑,难以得到最优成型工艺参数的问题。本文提出了一种基于量子粒子群算法改进的Kriging算法来建立压铸成型工艺参数系统精确的数学模型,通过Kriging代理模型技术建立工艺参数与控制量之间的精确数学模型,采用量子粒子群算法对Kriging代理模型的变差函数的参数进行优化,提高KRIGING建立的工艺参数与控制量之间的数学模型精度。仿真结果表明:基于量子粒子群算法改进后的Kriging模型精度评价指标的R²提高了9. 4741%,RMSE降低了82. 3207%,RMAE降低了84. 9139%,预测误差更小,由原来的[-2,10]优化为[-2,1]之间,提高了Kriging模型的拟合精度。     

基于Kriging代理模型的注塑产品翘曲优化

针对传统的基于CAE的注塑产品工艺优化方法精度不高、效率低,提出了Kriging模型与自适应粒子群算法相结合的集成优化策略.Kriging模型代替CAE分析作为粒子群算法迭代过程中的适应函数,大大减少了优化算法的计算量;同时,通过在粒子群算法中引入自适应惯性权系数,加快了粒子群算法的收敛速度.算例表明,基于Kriging模型与自适应粒子群算法的优化策略可以在小样本情况下获取较高的求解精度,并通过与标准遗传算法做比较,表明该优化策略同时具有较高的计算效率.     

基于偏最小二乘的Kriging代理模型在加氢裂化建模中的应用

提出了一种改进的代理模型方法 (Kriging with Partial Least Squares,KPLS)。该方法在Kriging模型的基础上引入偏最小二乘的思想,利用偏最小二乘方法构建新的Kriging模型的高斯核函数。将该模型应用于加氢裂化过程建模,有效地提高了航煤、柴油质量收率的预测精度。采用GLAMP(Global and local search strategy)优化算法对建立的KPLS模型进行优化,仿真结果显示航煤、柴油质量收率得到了显著提升。     

一种改进的全局可靠性分析方法

基于Kriging模型的高效全局可靠性分析(EGRA)方法在每次循环迭代过程中只能增加一个样本点.为了提高EGRA方法的效率，提出了一种基于多代理模型的改进全局可靠性分析算法.通过引入Kriging模型的预测误差，在每次循环迭代过程中，计算多个代理模型的期望可行函数(EFF)获得多个最佳样本点，将这些样本点同时加入到样本库中并更新所有代理模型，直到满足给定的精度为止.在建立极限状态函数高质量的近似模型后，采用蒙特卡罗方法进行可靠性分析.两个数值算例的分析结果表明，该方法具有较高的效率和准确性.     

基于Kriging模型的高压共轨柴油机标定应用

为解决电控柴油机随着控制参数的增多造成的标定工作量大、工作效率低的问题,将基于模型的标定方法应用于VMR425DOHC高压共轨柴油机的经济性优化过程中. 采用LHS-ESE算法设计控制参数的试验空间,根据获得的试验数据建立控制参数与响应数据之间的Ordinary Kriging代理模型,并在此基础上进行优化得到最终的控制参数MAP. 试验结果表明,对比常规标定方法,采用基于模型的标定可以使试验样本点选取更加合理,大幅提高试验标定效率,Kriging代理模型的使用使预测结果更为精确,最大误差率在2%以内,满足共轨柴油机建模需要,优化结果使发动机燃油经济性区域得到扩大.      

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.     

基于梯度法的高效全局优化算法

用极大似然估计法和交替方向法估计Kriging模型参数, 提出一种基于有效集共轭梯度法的Kriging模型参数优化算法, 并在此基础上改进了高效全局优化算法. 结果表明, 利用改进的全局优化算法可解决高效全局优化算法的过早收敛问题.     

基于LLE降维方法的Pareto优劣性预测

对于一个昂贵多目标优化问题,为了提高在决策空间Pareto优劣性类比不均衡情况下,Pareto优劣性预测的准确率,本文提出了一种基于LLE降维的Pareto优劣性预测方法.首先,根据决策空间等价维的划分,对LLE算法中最近邻的选取、最近邻个数k的确定以及降维后决策空间的维数进行了改进.然后,利用改进后的LLE算法,对决策空间进行分组降维.采用最近邻的框架,对降维后的决策空间进行Pareto优劣性预测.对比实验表明,本文所提出的方法,在决策空间Pareto优劣性类比不均衡情况下,Pareto优劣性的预测正确率有了明显的提升.     

结构加速度频响函数模型修正的Kriging方法

为提高结构频响函数模型修正效率,提出将Kriging模型引入优化过程,代替有限元模型进行迭代运算.基于频响曲线对应频率点处的响应值之差构造目标函数,并结合初选设计参数进行实验设计.根据实验设计结果进行各参数的灵敏度分析,进而筛选出模型修正的待修正参数,基于该参数及其响应构造Kriging模型,经检验有效的Kriging模型将参与模型修正过程.以GARTEUR飞机模型为算例,基于加速度频响数据进行模型修正,修正后模型不仅能复现检验点处频响曲线,还能成功预测结构局部修改后的频响曲线,证明了Kriging方法应用于频响函数模型修正的有效性.     

基于Kriging-PSO智能算法优化焊接工艺参数

焊接工艺参数是影响焊接成型质量的关键因素.由于工艺参数和焊接接头的力学性能之间的关系是多维隐式的,因此,提出了一种Kriging模型和粒子群相结合的优化算法,解决了在交流钨极氩弧焊中3.5mm厚镁合金薄板的工艺参数优化问题.首先通过田口正交法构建样本集,其次建立输出和输入之间的Kriging代理模型,并通过提出的算法获得最优工艺参数组合及其力学性能.结果表明:通过该算法获得的最优工艺参数组合,其对应的焊接接头的抗拉强度、屈服强度和平均显微硬度分别达到母材的97.6%,98%和91.5%,减少了经济和时间成本,提高了焊接工艺设计能力.     

求解约束优化问题的一种新的进化算法

分析了现有的约束优化进化算法的一些不足之处，提出了一种处理约束优化问题的新算法。新算法将多目标优化思想与全局搜索和局部搜索机制有机地结合起来；在全局搜索过程中，作为一种小生态遗传算法，排挤操作利用Pareto优劣关系比较个体并接受具有相似性的父代个体和予代个体中的优胜者；在局部搜索过程中，首先对局部群体中的个体赋予Pareto强度，然后根据Pareto强度选择个体。通过一个复杂高维多峰测试函数验证了新算法的有效性。     

一类基于混合遗传算法的多目标优化方法

提出一类求多目标Pareto解的快速算法，该算法将个体各分目标的最大值作为适应度函数，采用混合遗传算法，通过求解种群适应度极小值的方法来获得Pareto边界不同方向上的最优解，并在种群进化过程中采用了一些加速收敛的改进方法，通过典型算例的仿真验证了其有效性．     

两连杆桁架设计的多目标优化算法

针对两连杆桁架的多目标最优化设计问题,提出一种利用遗传算法和模糊理论来求解多目标优化问题的Pareto最优解算法,并通过实验进行验证;讨论遗传算法和模糊理论产生Pareto最优解的差异.结果显示:通过遗传算法配合近似分析的方法可以更有效率地寻找到更多的Pareto最优解.     

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。     

基于粒子群优化的多目标作业车间调度

为了利用粒子群优化算法解决作业车间调度问题,提出了将调度问题转化为连续优化问题的有效策略;设计了Pareto档案粒子群算法(PAPSO),该算法将档案维护和全局最好位置选取结合在一起,在档案维护过程中为每个粒子选取全局最好位置;给出了变异与PAPSO的结合新策略.将PAPSO和带变异的PAPSO应用于15个调度实例,以最小化总拖后时间和最大完成时间,与强度Pareto进化算法2等进行比较,结果验证了PAPSO在作业车间调度方面的良好性能.     

基于约束粒子群优化的克里金插值算法

针对常规克里金插值算法中的不足之处,通过改变粒子群算法中粒子多样性,结合地质变量的特征和数据特征,提出了一种改进的插值方法——基于约束粒子群优化的克里金插值算法,在粒子群优化过程中,通过高斯变异、样本点权重系数设定、搜索范围约束等方式提高了插值精度。实验结果表明:基于约束粒子群优化的克里金插值算法可以获得高精度的插值效果,优于常规的克里金插值。