改进的NSGA2算法在航空活塞发动机装配中的应用

针对复杂机械产品零部件选择装配中个体重复现象,提出一种新的解集评价指标：种群均匀度。基于种群均匀度和拥挤度相结合的子代精英保留策略,改进了多目标优化NSGA2 (non-dominated sorting genetic algorithm-2)算法。以装配合格率和装配精度为质量评价指标,建立选择装配多目标优化模型。引进近邻搜索算子,克服NSGA2算法局部搜索能力的不足。以某型号航空活塞发动机装配为例,优化结果以Pareto边界集表示,结果表明算法改进之后非支配解集的多样性和收敛性均得到了提高。     

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.     

面向智能生产车间的多AGV系统多目标调度优化

以具有多台自动导引车(AGV)的智能生产车间为对象,以完工时间、AGV数量以及惩罚成本的最小化作为优化目标,构建作业车间多目标调度优化模型.针对多目标调度优化模型的求解需求,提出一种自适应多目标遗传-差分进化算法(AMOGA-DE),采用多段式实数编码的染色体表征调度方案,利用遗传算法获得模型优化解,融合差分进化算法和外部Pareto解集档案构建技术以改进解的质量,引入自适应策略以提高算法的收敛速度,实现多约束条件下AGV系统的多目标调度优化.以一个具有多台AGV的智能制造车间为例进行案例分析,得到调度方案.将AMOGA-DE与NSGA-Ⅱ、SPEA2算法应用于3个不同规模问题,研究结果表明:AMOGA-DE算法具有更快的收敛速度,能得到更好的优化结果,在不同规模的算例上获得了分布均匀且具有较高质量的Pareto解集.     

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。     

用遗传算法求解多目标0/1背包问题

扼要介绍多目标优化的Pareto最优性概念 ,研究搜索多目标 0 1背包问题Pareto最优解集的快速遗传算法 (FPGA :fastParetogeneticalgorithms) .FPGA采用种群中非支配解的层次评价可行解的适应值 ,提出了一种快速非支配解层次辨识算法 ,辨识算法仅有O(n2 )数量级的计算复杂性 ;采用基于聚类概率排挤的小生态技术维持种群多样度和Pareto最优解集的分布均匀性。对多种多目标 0 1背包问题的仿真优化实验结果表明 ,FPGA能够以有效的计算成本搜索到精度高的、分布均匀的高质量Pareto非劣解集 ,其收敛速度和收敛准确性一致地优于代表性的强度Pareto进化算法 (SPEA) .     

机械蒸汽再压缩蒸发结晶系统优化设计

为使机械蒸汽再压缩(MVR)并联双效蒸发结晶系统在满足生产要求的同时性能达到最优,提出基于强度Pareto进化算法2(SPEA2)的系统优化设计方法,进一步挖掘系统的节能潜力。对于既定的系统工艺流程,通过分析操作变量对系统性能的影响规律,建立了优化问题的数学模型,并加以质量和能量平衡的约束条件;以系统总功耗最低和总换热面积最小为优化目标,利用SPEA2多目标进化算法对操作变量取值进行寻优计算,在模糊集合理论支撑下得到蒸发温度和压缩温升的最优组合解。结果表明:在相同设计任务条件下,系统总功耗降低了22.1 kW,总换热面积减少了31.2 m~2,效能系数值提高7.94%,效率提升5.91%,损失减小38.4 kW,说明采用基于SPEA2算法的优化设计方法,能够提高机械蒸汽再压缩并联双效蒸发结晶系统的能量利用率及热力学完善程度。     

基于强度Pareto进化算法的双足机器人步态规划

为了获得良好的双足机器人步行模式,提出了以步行过程中机器人的稳定性、移动性和能耗为目标的步态规划多目标优化方法.该方法基于倒立摆模型产生基本步态,并使用罚函数法和改进的强度Pareto进化算法(SPEA2)在可行域中求得基于基本步态的Pareto解集,从而找出最优解.最后在Matlab6.5仿真环境下进行步态仿真,并将...     

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.     

基于伪并行SPEA2算法的含风电场多目标负荷调度

对传统意义下负荷调度模型进行修正,同时考虑系统的电压稳定程度最好、发电成本最小和污染排放量最少,提出了含风电场的多目标负荷调度模型,并将强度Pareto进化(SPEA2)算法和PGA算法相结合,用伪并行SPEA2算法用于最优求解.最后,通过算例分析计算了一含有风电场的系统不同穿透功率下的多目标负荷调度,验证了所提出算法的有效性和实用性.     

基于多目标离散粒子群的产品服务系统方案配置规则提取

为有效辅助工程师将顾客需求转化为产品服务系统方案,针对其技术特征,提出一种离散粒子群优化算法(DPSO)与帕累托(Pareto)结合的配置规则提取方法.该方法包括建立产品服务系统配置规则模型及构造Pareto-DPSO算法模型.Pareto-DPSO算法基于Sobol序列的频率初始化方法及离散化粒子更新方式,将连续粒子映射到十进制离散空间;并利用Pareto进行多目标下粒子优劣性评价,以获取非支配的最优规则集.以汽车产品服务系统方案配置设计为例,经与常规多目标粒子群算法及DPSO算法对比,验证了该方法对于解决多维空间内产品服务配置规则挖掘的可行性及有效性.     

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.     

基于SPEA Ⅱ的双资源多目标车间调度模型

针对复杂制造业环境下实际作业车间受多种资源约束的问题,考虑工人综合素质及实际参与操作设备的人员数等因素所存在的差异性对工作效率的影响,建立了一种包含机器设备和操作工人2种约束资源的多目标车间调度模型,然后以完工时间最短、加工成本最低以及总拖期最小为目标,采用改进的强度帕累托进化算法(strength Pareto evolutionary algorithmⅡ,SPEAⅡ)求解该模型.仿真结果验证了该模型的正确性以及该文算法的可行性和有效性.     

一种求解多目标优化问题的新遗传算法

给出了种群个体的序和密度定义,在此定义下又给出目标空间中Pareto界面上解的质量度量函数和均匀性度量函数.把对任意多个目标优化问题转化成了利用解的质量度量函数及均匀性度量函数构成的2个目标优化问题,同时对转化后的优化问题设计了一种新的遗传算法.为了提高算法的性能,对算法采用变适应度进化策略及遗传参数采用自适应调节技术.数据实验表明该算法对提高Pareto界面上解的质量及其均匀分布是有效的.     

基于Pareto协同进化算法的高维模糊分类系统设计

提出一种可同时构造多个精确性和解释性较好折衷的高维模糊分类系统的设计方法.该方法首先利用Simba算法进行特征变量选择,然后采用模糊聚类算法辨识初始的模糊模型,最后利用Pareto协同进化算法对所获得的初始模糊模型进行结构和参数优化.其中,Pareto协同进化算法采用了一种新的基于非支配排序的多种群合作策略.为提高模型的解释性,在Pareto协同进化算法中利用基于相似性的模型简化方法对模型进行约简.利用该方法对Wine典型问题进行分类,仿真结果验证了方法的有效性.     

面向误差传递的复杂机械产品装配单元划分方法

针对复杂机械产品直接进行装配误差建模与分析困难的问题,提出了一种面向误差传递的复杂机械产品装配单元划分方法。该方法首先根据产品装配工艺信息,同时考虑零件间的装配关系以及对产品装配质量起重要影响的测量关系,基于复杂网络构建零件层级关联网络;其次采用模糊层次分析与专家打分相结合的方式为零件间关联关系赋权,得到零件层级关联加权网络,与传统方法相比,在一定程度上提高了零件关联关系强度的客观性;然后基于零件层级网络的社团特性,采用改进的连边社团检测算法进行装配单元划分,不仅揭示出零件网络的层次性,还可以挖掘出属于不同装配单元的重叠零件,更加符合复杂产品结构特点;最后以某型号汽轮机低压模块为例,验证了该方法的可行性和有效性。该方法为后期误差传递分析等研究奠定了基础,基于该方法得到的装配单元,可以进一步拓展构建装配特征层级误差传递网络,从而为复杂机械产品装配质量分析提供了一个较为完备的分析平台。     

一种基于模糊逻辑引入偏好信息的多目标遗传算法

针对多目标优化存在多个非支配解、用户难以挑选的问题,该文提出一种交互式引入决策者偏好信息的多目标遗传算法.该算法使用一种新型的九级标度赋值法把决策者通过语言表达的偏好信息量化为各目标的重要性因子,采用模糊推理系统构造一种基于偏好信息的"强度优于"关系替代常规的"Pareto支配"关系,以比较个体之间的优劣.对算法的计算复杂度进行了理论分析.仿真实验表明,该算法具有实时处理偏好信息的能力,与2种经典多目标遗传算法相比,该算法能够搜索到质量更优的解.     

基于自适应环境因子熵权决策的多目标特征选择

多目标进化算法在特征选择方面有显著的优势，但其求解高维数据最优特征子集的性能依然较差，且从获得的Pareto解集中选择合理最优解仍是一个挑战性的问题.为了解决该问题，提出一种基于自适应环境因子熵权决策的多目标特征选择算法.首先，通过设计环境因子来自适应识别关键特征，优化候选特征子空间；其次，将环境因子嵌入改进的交叉算子和变异算子，实现全局最优特征子集的自适应搜索；最后，利用关联环境因子的熵权决策策略，从获得的Pareto解集中选出最优解.实验表明，与现有的五种多目标特征选择算法相比，提出的算法具有更高的分类精度，并能准确地获取全局最优解，验证了该算法的有效性.     

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.     

基于自适应多目标指数罚函数的NSGA-Ⅱ算法

为求解多目标优化问题,将快速非支配进化算法(NSGA-Ⅱ)进行了推广,构造了一种新的多目标指数罚函数,将其作为NSGA-Ⅱ算法的适应度函数,通过每次自适应更新罚因子,以此获得多目标规划问题的有效解(Pareto解).仿真结果表明,该算法在快速收敛的情况下,能够获得更加均匀的Pareto前沿.     

一种基于ELECTRE法的多目标优化进化算法

将多目标属性决策方法中的ELECTRE法引入到多目标优化进化算法中,提出了一种新的多目标优化算法.采用辅助群体来存储进化过程中的非劣个体,并且采用与SPEA-Ⅱ相同的适应值分配策略来保证解的良好分布性.此外,构造出一种新的超序关系对个体进行排序,证明了该超序关系比Pareto优劣关系弱,利用此超序关系,能增强进化过程中的选择压,加快收敛速度.数据实验结果表明,该算法能很好地收敛到Pareto最优,有效地保持解的多样性.