基于遗传算法的多目标优化算法

本文先介绍了遗传算法的实现技术,又介绍了多目标优化问题的概念,然后使用遗传算法来求解多目标优化问题。文中使用了均匀设计方法来设计适应度函数,并设计了新的变异算子,算法结果是有效的。     

基于遗传算法的多目标优化配矿

为综合衡量配矿效果,基于多目标优化理论,以磨浮入选原矿组分指标、入选原矿品质稳定及最大限度利用原矿为目标,构建磷矿堆场多目标优化配矿模型,并采用改进的多目标遗传算法求解该模型。经约束多目标优化算例测试结果表明：改进的多目标遗传算法可以找到多目标优化问题分布广泛、均匀的Pareto最优解集。并针对磷矿浮选堆场开展多目标优化配矿,现场测试结果显示,矿石混配后P2 O5含量23.052％,MgO含量4.195％,混配原矿30654 t,比常规优化方案资源利用率提高0.31％。研究结果表明,该多目标优化配矿技术可实现稳定矿石品质的同时最大限度地利用原矿。     

基于遗传算法的多目标优化方法

本文通过建立多目标问题模型,提出了运用改进的遗传算法求解多目标物流网络问题.该算法借鉴AHP方法的思想,采用将其与遗传算法混合的求解策略,并采用分阶段化的实数编码思想以及相应的遗传算子设计,对遗传算法进行适应性改进.     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

基于遗传算法的交通信号控制多目标优化

针对城市交通信号控制面临的多目标优化问题,提出了利用遗传算法实现多目标优化的方法.分析了城市交通信号控制多目标优化的本质及特点,采用基于遗传算法的多目标优化方法,提出了信号控制多层模糊控制模型,以平均延误和停车次数作为优化目标,采用遗传算法中的随机权重方法来进行该模型的多目标综合优化,给出了各模型参数的计算方法和优化步骤,最后进行了仿真试验.仿真结果表明,给出的多目标优化方法优于传统的多目标固定权重方法,可以获得更好的交通信号控制效果.     

基于多目标混沌遗传算法的列车控制策略优化

为得到一组满意的行车控制策略,构建了列车运行多目标模型,并以列车运行动力学模型为基础求得列车局部运行控制策略制定方法。使用基于混沌优化的多目标遗传算法对列车控制策略进行优化研究,以相位转换点作为基因序列,多个基因组成染色体形成一套控制策略。使用混沌初始化种群,结合精英保留策略,增加了种群的多样性,并提高算法收敛能力。最后采用Matlab软件仿真验证了方法的可行性及有效性。     

面向多目标优化问题的基于Species的遗传算法

为了能够快速准确地获得多目标优化问题的一组非支配解,提出了一种基于Species的多目标遗传算法.该算法采用Tchebycheff方法构建一定数量的子问题,进而基于Species机制构造多种群实现了对多个子问题的并行求解.这种采用多个体对一个最优解的搜索方式提高了算法的探索能力和开发能力.最后,对一组标准测试函数进行仿真实验,结果表明所提出的算法能够快速准确地获得一定数量的非支配解.     

基于Species机制的多目标遗传算法

多目标优化算法设计正在成为当前进化算法领域的一个研究热点.考虑将最初用于多峰优化的Species机制引入到多目标遗传算法中,通过借鉴现有多目标算法的相关思想,设计并提出了一种新的Species方法,包括基于Pareto最优性和拥挤度思想的Species种子确定策略及适应性的Species构造策略.一组标准多目标测试函数的仿真实验结果表明,提出的基于Species机制的多目标遗传算法表现出比经典的非支配排序遗传算法Ⅱ(NSGA Ⅱ)更好的性能.     

基于模糊逻辑的多目标优化问题遗传算法求解探讨

基于群体搜索的遗传算法求解多目标优化问题具有独特的优势,鉴于决策者事先对于各目标的重要性一般只有模糊的认识,文中对各目标进行了模糊化处理,构造了适应值函数,提出了基于模糊逻辑的多目标优化问题遗传算法求解方案.     

基于多目标遗传算法的热定型工艺参数优化设计

为了解决染整后整理中热定型工艺参数难以定量设计的关键技术难题,将工艺参数优化设计问题视为以成品门幅、克重与客户要求的相应值的绝对误差最小为目标函数,温度、车速、超喂率和上机门幅为优化变量,以根据实际情况中各优化变量的取值范围为约束条件的多目标优化问题。建立多目标优化模型,并基于该模型采用多目标遗传算法,实现了热定型参数精确定量设计。用该方法得到的工艺参数加工弹力布,生产成品的克重、门幅与用户要求指标的偏差小于1%,完全可以满足实际生产要求。     

基于新型Memetic算法的多目标优化

为了更好地解决多目标优化问题,提出一种求解多目标优化问题的新型memetic算法。该算法利用微粒子群算法的全局搜索能力和同步启发式局部搜索相结合进行局部微
调;利用基于模糊全局极值的概念处理种群中过早出现收敛以及解多样性保持等问题。通过进一步检测得出新算法的特点并展示其在多目标优化问题上的独立性和综合效应。同时应用新型算法对IEEE14节点标准电网进行无功优化计算。结果证明,该新型memetic算法具有很好的寻优能力,验证了该算法的有效性及科学性。     

基于多目标遗传算法的吸声覆盖层参数优化设计

针对圆柱空腔吸声覆盖层低、高频吸声的机制不同,提出了一种基于多目标遗传算法的吸声覆盖层参数优化设计方法.利用有限元软件ANSYS建立了平面波垂直入射吸声覆盖层的分析模型,并采用多目标遗传算法NSGA-II得到了多目标吸声问题的Pareto最优解集.结果表明：多目标优化设计全面考虑了圆柱空腔吸声覆盖层的低、高频吸声之间的耦合,可按需选择其满意的优化结果;比起仅优化吸声覆盖层的材料属性,考虑材料属性和结构参数的综合优化能够获得更佳的宽频吸声性能.     

液氮洗工艺的多目标遗传算法优化

为了优化大化肥中的液氮洗关键流程以提高能量效率、控制CO2排放,在使用Aspen Plus软件对某低温液氮洗工艺进行模拟分析的基础上,结合多目标遗传算法和二次规划法(MOGA-QP)来解决局部极值和大规模优化问题.根据超结构方法,构建了液氮洗工艺流程总结构,即在原流程中加入了一个减压阀和一个分离器,由此可以增补29.546 kJ/kg冷量,使得液氮洗涤塔出口净化气中的CO体积分数为0.55×10-6.利用MOGA-QP求解了超结构,即在进化过程中用二次规划法来模拟流程表单的各个子模块,在最终收敛的环节用二次规划法求解子问题,从而对遗传算法产生的Pareto解做进一步的精细优化.实际应用显示:在满足工艺指标的前提下,优化后的液氮入口流量减至0.131 2 kmol/s,出口CO体积分数降至0.25×10-6,液氮入口流量减少了1.7%,火用损失减少了15.7%,表明改进流程更佳,MOGA-QP算法有效.     

基于多目标遗传算法的路径规划

研究三维地形中的路径规划问题.针对三维地形中路径涉及的因素多,将多目标优化的思想引入路径规划.提出一种基于多目标遗传算法的路径规划方法,设计了优化路径的遗传算法实现方案.使用大范围初始化种群的方法,设计了适合于路径规划的遗传算子.实验证明,该算法能综合考虑多种因素,并能同时提供不同特点的多条路径供决策者选择.     

多目标优化问题中一种改进的遗传算法

遗传算法作为一种随机优化算法在多目标优化等众多领域取得广泛的应用,针对基本遗传算法存在寻优速度较慢,存在“封闭竞争”等问题,利用生物界中存在的“杂交”优势原理,提出以多种群变异为基础解决以上问题的改进遗传算法,并通过仿真取得满意的效果。     

求解多目标优化问题的改进遗传机器学习方法

将遗传算法与机器学习相结合, 在分类器系统的基础上, 引入增强因子、 排挤因子、 合并因子等改进因子, 完善信度分配机制, 提出了改进的遗传机器学习方法. 并将算法应用于投资的收益与风险双目标优化模型, 数值结果表明, 改进算法能够寻求到数量更多、 分布更广的Pareto最优解, 并且具有较好的稳定性, 避免了非成熟收敛.     

改进小生境遗传算法在元搜索引擎调度优化中的研究

针对多独立搜索引擎组合调度时查询精度、查询完全度和响应时间不理想等问题,结合元搜索引擎调度特点对多独立搜索引擎组合调度进行动态优化。文中借鉴小生境思想,将小生境技术与遗传算法、相结合,提出了一种多目标组合优化调度的改进小生境遗传算法。该算法使每个个体在其小生境内进行局部寻优操作,保证了群体的多样性,增强了局部搜索能力,抑制了种群的早熟现象。在多个子目标不能同时达到最优时,采用个体综合适应度对各个目标函数的适应度进行加权,来协调优化各搜索引擎的组合,找到搜索引擎组合调度序列的非劣解。仿真实验结果表明该算法提高了元搜索引擎的调度效率,在查询精度和计算速度上均优于常用的查询优化技术。     

基于多混沌算子遗传算法的混合动力汽车控制策略优化

为某款装备了电池/超级电容混合储能系统的并联型混合动力汽车设计了模糊控制策略.结合遗传算法的种群进化和混沌序列的随机遍历特性,将混沌初始化算子、混沌扰动算子、混沌局部搜索算子引入多目标非占优排序遗传算法(NSGA-II)中,构建了新的多混沌算子遗传算法(MCO-NSGA-II).运用MCO-NSGA-II算法进行了混合动力汽车模糊控制策略优化,以改进车辆的燃油经济性及HC、CO和NOx的排放性能.仿真结果表明,混沌初始化算子和混沌扰动算子可以改善原NSGA-II算法的搜索能力并增加种群多样性,而混沌局部搜索算子可以进一步增强算法局部搜索能力,能更好地搜索到理想的Pareto解集.运用MCO-NSGA-II算法进行优化,使混合动力汽车在欧洲城市驾驶循环(ECE)下的燃油消耗降低了11.8%,HC、CO和NOx排放分别下降了7.72%、15.72%和11.77%.