集值优化问题的真有效性与向量似变分不等式

研究广义锥预不变凸集值映射优化问题(SVOP)的真有效解对的最优性条件。证明了(SVOP)的局部Henig有效解对也为全局Henig有效解对。获得了(SVOP)的Henig有效解对、超有效解对要满足的充分必要条件,同时建立了(SVOP)的真有效性与向量似变分不等式的真有效性之间的密切关系。     

基于WNSGA-Ⅱ计及磁暴扰动无功补偿优化控制

为了补偿强磁暴导致的电力系统变压器集群无功损耗增高,提出了加权带精英策略非支配排序的遗传算法(WNSGA-Ⅱ).以电压失稳风险最小为目标进行的无功补偿优化,使电网无功潮流分布达到最优,缓解或消除强磁暴对复杂电网的不利影响.采用IEEE6节点算例,结果与人工鱼群算法对比,验证了WNSGA-Ⅱ的有效性.     

基于抗体浓度的克隆选择多目标优化算法及其应用

提出了基于抗体浓度的克隆选择多目标优化算法(CCSMOA),该算法借鉴生物克隆选择的机理,针对算法克隆倍数选择的问题,将克隆倍数表示为抗体浓度的函数,并将抗体浓度与抗体-抗原的亲和力及抗体间的亲和度相关联,以此来寻找靠近真实Pareto前沿及分布均匀的解.通过与经典的NSGA2、SPEA2以及当前的NNIA算法对比分析表明,在收敛性和分布性方面CCSMOA算法有所改善.最后将CCSMOA算法用于无线传感网络的覆盖优化.     

改进的多目标粒子群算法

提出了一个改进的粒子群算法并将其用于解决多目标优化问题．该算法利用粒子群算法的信息传递机制，引入多目标演化算法常用的归档技术，采用SPEA2算法的环境选择和配对选择策略，使得整个群体在保持适当的选择压力的情况下收敛于Pareto最优解集．标准测试函数的数值实验结果表明，所提出的算法能够使找到的解集快速收敛到Pareto非劣最优目标域，并且解集沿着Pareto非劣最优目标域有很好的扩展性．     

基于黎曼球面的多目标演化算法

对于求解多目标优化问题提出了一种基于黎曼球面的多目标演化算法(RSEA).它的特点在于:先在目标空间中采用无穷远点作为采样基点来对Pareto最优前沿进行采样;再将无界的多目标函数空间同构映射到黎曼球面上,进而在黎曼球面上对产生的新个体是否加入精英文档进行判定,以此提高了算法的均匀性与多样性,加快了算法的收敛速度.数值实验表明,新算法与NSGA2,SPEA2算法相比,性能有明显的提高.     

并行Pareto多目标演化算法

提出并实现了一个并行Pareto多目标演化算法(PPMEA)，PPMEA算法是一个通过演化算法来解决基于Pareto的多目标优化问题的并行计算模型。在这个算法中，采用了并行演化算法中常用的全局并行模型和粗粒度并行岛模型。构成每个岛的子群体以不同的杂交概率和变异概率各自独立的演化，但是每隔一定的代数它们要交换外部集中的个体。标准测试函数的数值实验结果表明，所提出的算法能够使找到的解集快速收敛到Pareto非劣最优目标域，并且解集沿着Pareto非劣最优目标域有很好的扩展性。     

基于可扩展多目标蚁群算法的土地利用优化配置

传统的土地利用优化配置模型无法灵活应对现实场景中多变的优化目标要求,也无法实现土地利用在空间布局上的优化.根据常见的优化目标进行抽象建模,建立了可扩展的多目标体系,并与蚁群算法有机结合,构建了基于可扩展多目标蚁群算法的土地利用优化配置模型,使土地利用配置在不同目标的指导下能够灵活优化,同时实现了土地利用配置在数量结构和空间布局优化上的统一,为土地利用规划提供了更具现实意义的参考方案.最后对该模型,以杭州市萧山区2015年土地利用格局为基础数据进行实例验证.结果表明:模型能够在多目标体系的指导下,合理配置研究区域的土地利用结构与布局,促进区域土地利用的可持续发展,并针对不同的多目标体系,给出具有不同侧重点的优化方案.     

求解动态车辆路径问题的演化蚁群算法

在Evo-Ant算法的基础上提出了多目标的算法,即利用Evo-Ant算法来产生新的解,并利用一个额外的存储空间来存放Pareto候选解,用新产生的解来更新Pareto候选解,消除被支配的解,依次循环,从而得到近似的Pareto解.为了验证演化蚁群算法,采用2种测试手段：一种是Solomon的测试数据;另一种是在仿真环境下的测试.实验结果表明该算法很具有竞争能力.     

一种改进型多目标粒子群优化算法MOPSO-Ⅱ

提出了一种改进型多目标粒子群优化算法(MOPSO-Ⅱ).该算法为粒子群中每个粒子增加一个"扰动向量",以利于粒子跳出局部最优并为粒子的全局最优位置赋予了时限的属性,可防止过于频繁地更新全局最优位置,有利于增强粒子搜索的持效性.该算法改进了粒子越界的处理方法,最大程度上保持粒子优秀的搜索方向.通过典型的多目标测试函数ZDT对该算法进行测试,实验结果表明,带ε-支配的MOPSO-Ⅱ算法在解群的分布性方面要优于使用了拥挤距离机制MOPSO-Ⅱ算法和NSGA2算法,对比实验还表明MOPSO-Ⅱ算法在收敛性方面要优于NSGA2.因此,MOPSO-Ⅱ在求解多目标优化问题上有一定优势,是一种有前途的算法.     

配电网无功补偿容量及位置的优化研究

结合配电网的特征,建立了配电网无功优化的数学模型,采用N点分散补偿法对配电网无功补偿的最佳位置进行了研究,采用遗传算法对配电网无功补偿最佳容量和有载调压变压器分接头最佳档位进行了研究,编制了基于N点分散补偿法和遗传算法的配电网无功优化软件.以新疆某配电网为算例的计算结果表明:N点分散补偿法可确定补偿位置;遗传算法可确定变压器分接头档位,且在补偿容量和减少线损方面优越于N点分散补偿法.     

基于拓扑与尺寸优化的风力机叶片轻量化设计

为有效减轻风力机叶片质量, 进一步实现降本增效, 对叶片内部结构进行拓扑优化与尺寸优化设计. 首先以叶片内部单元密度为设计变量, 将叶片柔顺度最小作为目标, 并以结构体积为约束条件, 考虑3种极限荷载工况, 利用ANSYS软件对叶片内部实体结构进行拓扑优化; 然后根据拓扑优化结果结合实际叶片内部材料铺层情况建立叶片壳体模型, 以关键结构参数为设计变量, 以叶片质量最轻为目标, 叶片强度、刚度、振动性能及稳定性等为约束, 采用MATLAB和ANSYS软件对叶片内部结构进行尺寸优化. 拓扑优化结果表明, 对叶片传统结构形式进行适当改进, 可有效改善叶片结构性能; 尺寸优化结果表明, 基于拓扑优化结果的改进结构优化方案与初始方案相比质量减轻了12.4%, 与传统结构优化方案相比质量减轻了2.6%, 较好地实现了叶片轻量化.     

生物地理学优化算法中基于Zoutendijk可行方向法的变异算子设计

根据约束优化问题的全局收敛性要求,基于传统优化与智能优化,设计了一种基于Zoutendijk可行方向法的新型变异算子,并将其应用于生物地理学优化算法,构建了一种用混合优化算法求解优化问题的方法.通过算子设计策略的理论验证、智能算法的收敛性分析及6个不同类型算例的仿真试验,证明此自适应求解优化问题机制具有实效性.     

基于最小速比偏差的注塑机双曲肘合模机构优化设计

注塑机合模机构的性能直接影响注塑制件的质量、效率以及注塑设备的寿命. 以企业指定380T锁模力的双曲肘合模机构为研究对象, 提出将肘杆机构原型速比曲线与理想速比曲线的最小偏差值加入优化函数, 结合机构总长、行程比、力放大比等进行多目标优化设计, 并进行仿真验证. 结果表明: 在合模机构总长、移模行程满足要求的基础上, 力放大比增大12.24%, 临界角处速比降低14.49%, 且合模周期减少6.6%, 可有效提升合模机构的综合性能.     

基于AIG的多级逻辑电路延迟近似优化

在对多级逻辑电路延迟进行优化中,提出了一种针对关键路径中节点输出的近似替换方法,用于实现延迟优化.提出的算法先建立待优化电路的关键路径集合,然后通过选取每一条关键路径中错误率影响最小的节点构成待优化节点集,再结合提出的节点输出近似替换技术,在错误率约束下实现节点删除和关键路径压缩,进而达到多级逻辑电路延迟优化.提出的算法用C++和ABC工具内置命令编程实现,使用ISCAS85以及LGSynth91电路进行测试.实验结果显示,与已提出的常量替换方法相比,面积和延迟优化效果分别提升22.96%和31.49%.同时相较于最新提出的针对延迟优化的算法,在延迟优化效果相近的情况下,算法运行时间上有61.88%的提升.     

流水线模数转换器系统功耗建模与优化方法

针对低功耗应用的需求,对流水线模数转换器(ADC)的系统功耗进行了研究与分析,深入探讨了余量放大器电流、级分辨率分配、热噪声限制、电容缩减系数以及前级采样保持电路等因素对系统功耗的影响.在分析基础上进行了功耗建模,导出系统总功耗.同时,提出采用混合搜索算法来同时优化流水线每一级的精度和单位电容值,实现了一个可以自动完成整个优化过程的CAD工具,应用该工具分别在不同优化条件下对10～15位流水线ADC进行了优化,并给出了14位,100MS.s-1 ADC的具体优化结果.     

基于library-free映射的电路面积快速优化算法

针对library-free映射过程中常用的动态规划算法在求解大电路时覆盖时间过长的问题,提出了一种将动态规划与遗传算法相结合的混合优化算法,用于平衡求解速度和求解质量,并利用“与/或/非”图和逻辑努力实现基于MOS晶体管的电路的面积估算.MCNC电路的测试结果显示,相较于动态规划,混合算法求得的最优解在面积平均增加不到1%的情况下,求解时间可节省35%以上.     

一种基于闭环优化的新型鲁棒预测控制方法

针对带约束的凸多面体线性不确定模型，提出了一种新型鲁棒预测控制方法，它采用离散化的不确定模型构造最小－最大优化控制问题，并在其中直接引入状态反馈机制，与其他最小－最大预测控制方法相比，这种方法等效于增加了控制序列的长度，为优化问题增加了更多的自由度，从而扩大了可行域，作为最小化目标的是离散化不确定系统在整个预测时域上二次型成本函数的最大值，而不是各预测阶段应成本项的上界之和，从而减少了与最小－最大优化相关的方程个数，有利于降低计算复杂性，文中进一步证明了不确定系统的闭环稳定性取决于优化问题在初始时刻的可行性，并将优化问题转化为线性矩阵不等式形式。最后，以数值仿赵例子验证了方法的有效性。