动态种群规模协同进化算法求解多目标投资组合优化问题

为了解决仅含预算约束的投资组合优化模型,提出一种基于种群密度的多目标协同进化算法.算法采用种群竞争的策略自适应的产生不定规模的种群,避免了固定种群规模的缺点.在进化过程中每个种群都会参考自身的最优个体以及竞争种群对自身的影响,超级个体集合存储进化过程中产生的最优解,通过最优个体的引导使算法快速收敛至Pareto前沿.实验结果表明,与NSGA-2算法相比,提出的算法在稳定性和收敛性都有很好的表现,是一种有效的多目标进化算法.     

制造单元布局问题的双目标模型与算法研究

单元制造系统的布局对于提高系统的效率起着十分重要的作用。以最小化物料周转量和设施面积为目标,建立了一个单元制造系统布局的双目标优化模型,在该模型中不同制造单元的布局、单元内部不同设施的位置与方向这几个问题可以同时进行优化。基于模拟退火邻域解的变尺度生成机制和双目标抽样准则设计了模型的求解算法。算例表明本文算法所得Pareto解集优于经典的NSGA-Ⅱ算法。     

基于种群自适应调整的多目标差分进化算法

为提高已有多目标进化算法在求解复杂多目标优化问题上的收敛性和解集分布性,提出一种基于种群自适应调整的多目标差分进化算法。该算法设计一个种群扩增策略,它在决策空间生成一些新个体帮助搜索更优的非支配解;设计了一个种群收缩策略,它依据对非支配解集的贡献程度淘汰较差的个体以减少计算负荷,并预留一些空间给新的带有种群多样性的扰动个体;引入精英学习策略,防止算法陷入局部收敛。通过典型的多目标优化函数对算法进行测试验证,结果表明所提算法相对于其他算法具有明显的优势,其性能优越,能够在保证良好收敛性的同时,使获得的Pareto最优解集具有更均匀的分布性和更广的覆盖范围,尤其适合于高维复杂多目标优化问题的求解。     

基于多目标进化算法的供水系统优化运行研究

将多目标进化算法与启发式算法相接合,对供水管网微观模型进行优化调度研究.目标函数为供水系统的运行费用和维护费用最小化,以及水压服务水平的最大化(保证安全供水),以各泵站各型号水泵的开启和调速泵的转数比为决策变量,进行二进制-实数混合编码,并采用新型的交叉算子.运用NSGA-Ⅱ、epsilon-MOEA、SPEA2三种多目标进化方法求解优化运行模型,并通过工程算例进行比较.应用表明,多目标进化算法能为供水系统的优化决策提供支持.     

改进的NSGA-Ⅱ算法研究风力机叶片多目标优化

将一种采用精英控制策略和动态拥挤方法用于快速非支配排序遗传算法（NSGA-Ⅱ）,并应用到风力机叶片的优化研究中,获得了一种新颖的风力机叶片多目标优化设计方法．作为应用算例,以设计风速下的功率系数最大和叶片质量最小为优化目标,用该方法设计了5 MW大型风力机叶片．优化结果表明,此算法在处理风力机多目标优化问题取得了良好的效果,给出的是一个Pareto最优解集,而不是传统优化方法追求的单个最优解,为风力机多目标优化设计提供新的思路和通用的算法．     

考虑帕累托最优解的多目标优化进化算法

大多数现有的进化算法在处理多目标优化问题(multi-objective optimization problem,MOP)时会遇到Pareto最优解稀疏的困难,特别是当决策变量的数目很大时,如旨在从大量候选特征中找出小部分特征的特征选择.为此,提出了一种求解大规模稀疏MOP的进化算法.算法考虑Pareto最优解的稀疏性,提出了一种新的种群初始化策略和遗传算子,以保证解的稀疏性.此外,还设计了一个测试套件来评估该算法在大规模稀疏MOP中的性能,实验结果和应用实例证明了该算法在处理大规模稀疏MOP问题上的优越性.     

基于改进NSGA-Ⅱ算法的次同步附加阻尼控制器的优化设计

针对直驱永磁同步风电机组中出现的次同步振荡问题,建立引入次同步阻尼控制器(sub-synchronous oscillation damping controller,SSDC)后的直驱风电机组完整数学模型,在此基础上,以振荡模态特征值实部和阻尼比为目标函数建立了SSDC参数多目标优化模型.针对改进非支配解排序遗传算法(improved nondominated sorting genetic algorithm,NSGA-Ⅱ)在参数优化时种群多样性较差的问题,对其选择策略进行了改进,然后将改进后的NSGA-Ⅱ算法引入到SSDC参数优化设计中,利用空间评价方法对解集进行评价,结果表明采用改进算法所获得的Pareto最优解分布更加均匀.最后通过特征值分析和仿真验证,进一步证实了文章所优化设计得到的SSDC对发生在直驱风电机组的次同步振荡抑制具有显著效果.     

基于NSGA-Ⅱ的应急储备库多目标选址决策模型及算法研究

应急物资储备库选址问题是在近年世界灾害多发的现实背景下产生的,根据具体选址问题特点建立了多目标选址决策模型。该模型综合考虑了两种灾害风险下储备库的成本费用、覆盖效率以及对重点地区的备用覆盖,以使模型更加符合实际目标及约束情况。算法设计上,首次采用带精英策略的非支配排序遗传算法(Fast and elitist Non-dominated Sorting Genetic AlgorithmⅡ,NSGA-Ⅱ)解决储备库多目标选址问题,得到了Pareto非劣解分布并同不带精英策略的常规NSGA算法下的仿真结果进行对比分析。验证了模型的可行性以及NSGA-Ⅱ在解决储备库多目标选址问题的有效性。     

考虑应急设施中断风险与防御的可靠性选址模型研究

为提高应急设施运行的可靠性和抵御中断风险的能力, 研究中断情境下的应急设施选址-分配决策问题。扩展传统无容量限制的固定费用选址模型, 从抵御设施中断的视角和提高服务质量的视角建立选址布局网络的双目标优化模型, 以应急设施的建立成本和抵御设施中断的加固成本最小为目标, 以最大化覆盖服务质量水平为目标, 在加固预算有限及最大最小容量限制约束下, 构建中断情境下应急设施的可靠性选址决策优化模型。针对所构建模型的特性利用非支配排序多目标遗传算法(NSGA-Ⅱ)求解该模型, 得到多目标的Pareto前沿解集。以不同的算例分析和验证模型和算法的可行性。在获得Pareto前沿的同时对不同中断概率进行灵敏度分析, 给出Pareto最优解集的分布及应急设施选址布局网络的拓扑结构。     

用改进的MOEA/D算法求解微电网电力调度多目标优化问题

针对包含可再生能源发电装置,微型燃气轮机(microturbine,MT),燃烧电池(fuel cell,FC)以及镍氢电池(nickel-metal hydride battery,Bat)的典型低压微电网电力调度多目标优化问题,文章提出一种改进的基于分解的多目标进化算法IMOEA/D (improved multi-objective evolutionary algorithm based on decomposition),最小化发电成本和污染物气体排放量.IMOEA/D算法将多目标问题按照切比雪夫权重射线均匀展开分解为若干子问题进行优化;基于Pareto占优概念以及模糊聚类策略更新子问题非劣解,引入基于欧氏距离的解的稀疏度评估法对非劣解保留集进行更新和对其储存空间大小进行控制.最后,将提出的算法与其它进化算法如GA (遗传算法)和AMPSO (自适应改进粒子群优化算法)等分别进行单多目标性能比较,结果表明,IMOEA/D算法在多目标优化性能比较中能较稳定的得到质量更高,范围更广,分布更均匀的非劣解保留集,即该算法在解搜索的深度和广度上都有较好的表现.     

基于聚类的昂贵多目标优化代理辅助进化算法

针对目标函数估值昂贵的多目标优化问题,提出了基于聚类的代理辅助进化算法。在MOEA/D算法的框架下,对种群进行聚类,并通过权重向量的邻域选出种群子集,在子集上使用径向基插值函数辅助的差分进化算法得到新解,对种群进行更新。在7个DTLZ标准测试问题上进行了数值实验,计算结果表明本文提出的算法比新近提出的多目标邻域回归优化(MONRO)算法具有优势。     

改进的二进制粒子群算法求解车辆路径问题

设计了一种改进的二进制粒子群优化算法来求解车辆路径问题,算法基于粒子群算法的寻优模式充分考虑粒子之间的导向作用,改进二进制粒子群算法的位取值方式,减小了在进化过程中停滞于局部最优解的概率,并通过构造辅助函数处理优化问题的约束条件,基于分层次实现多个目标的思路来寻优,提高了算法的搜索效率和计算速度.实验测试结果验证了该算法对求解车辆路径问题的适用性和有效性.     

基于NSGA-Ⅱ的应急储备库多目标

应急物资储备库选址问题是在近年世界灾害多发的现实背景下产生的,根据具体选址问题特点建立了多目标选址决策模型。该模型综合考虑了两种灾害风险下储备库的成本费用、覆盖效率以及对重点地区的备用覆盖,以使模型更加符合实际目标及约束情况。算法设计上,首次采用带精英策略的非支配排序遗传算法(Fast and elitist Non-dominated Sorting Genetic Algorithm Ⅱ,NSGA-Ⅱ)解决储备库多目标选址问题,得到了Pareto非劣解分布并同不带精英策略的常规NSGA算法下的仿真结果进行对比分析。验证了模型的可行性以及NSGA-Ⅱ在解决储备库多目标选址问题的有效性。     

基于改进微粒群算法的建设项目多目标动态优化

针对建设项目的复杂性和动态性,建立基于改进微粒群算法的多目标动态优化模型.首先,为提高算法性能,引入外部归档集和阈值并构建基于理想点法的适应度函数;其次,分别建立工期模型、加入系统可靠度的质量模型以及加入费用现值的成本模型,由其得到综合优化模型;最后结合工程实例对算法进行验证并与非劣分类遗传算法(NSGA-Ⅱ算法)对比.结果表明:方法比NSGA-Ⅱ算法的优化结果更科学、收敛速度更快.     

求多目标优化问题Pareto最优解集的方法

主要讨论了无约束多目标优化问题Pareto最优解集的求解方法,其中问题的目标函数是C1连续函数.给出了Pareto最优解集的一个充要条件,定义了α强有效解,并结合区间分析的方法,建立了求解无约束多目标优化问题Pareto最优解集的区间算法,理论分析和数值结果均表明该算法是可靠和有效的.     

灾情巡视问题的蚁群两目标优化算法研究

分析目前灾情巡视问题求解方法存在的缺陷,归纳出灾情巡视问题两目标优化模型.针对灾情巡视问题模型特点,引入蚁群算法和多目标优化理论,提出两个灾情巡视问题的蚁群两目标优化算法:算法1将灾情巡视问题的道路网络转化为完全图,增加m-1个(m为巡视组数)虚拟巡视起点,将灾情巡视两目标优化问题转化为单旅行商两目标优化问题,然后使用蚁群算法和多目标优化理论进行迭代求解.算法2使用一只蚂蚁寻找一个子回路,m个子回路构成一个灾情巡视可行方案,采用罚函数法和多目标优化理论构建增广两目标优化评价函数,使用g组,共g×m只蚂蚁共同协作来发现灾情巡视问题的最优解.算法特点:①算法1将灾情巡视两目标优化问题转化为单旅行商两目标优化问题,可以充分利用已有蚁群算法求解单旅行商问题的研究成果;②两个算法引入蚁群算法,提高了算法效率;③两个算法克服目前灾情巡视问题的求解方法不严密性缺陷;④两目标优化算法可以为用户提供多个满足约束条件的Pareto组合解,扩大了用户选择范围,增强了算法的适用性.算法测试表明:灾情巡视问题的蚁群两目标优化算法是完全可行和有效的.     

基于模糊系统的改进型NSGA-III算法

在利用多目标进化算法解决高维多目标优化问题时，随着目标函数个数的增加，非支配解的个数呈指数增长，使得在环境选择阶段缺少足够的选择压力，进而影响算法性能。基于分解的NSGA-III算法是一种能够有效解决上述问题的多目标进化算法，但在该算法中采用固定的交叉概率和变异概率生成新的解，使得算法在处理一些复杂的高维多目标问题时表现较差。因此，本文提出一种基于模糊系统的改进型NSGA-III算法，该算法利用模糊系统动态调整子代生成过程中算子的交叉概率与变异概率。对于模糊系统的设计，采用与算法密切相关的Spread值和迭代次数作为输入，利用模糊逻辑推理后输出交叉概率与变异概率。将所提算法与其他基于分解技术的算法在20个高维多目标优化问题上进行实验对比，结果表明本文算法可以有效提高收敛速度，且能很好地保持种群的多样性和收敛性。     

随机混流U型拆卸线平衡排序问题多目标进化算法优化

针对混流U型拆卸线平衡排序问题,考虑拆卸时间不确定,建立了该问题最小拆卸线平均闲置率、尽早拆卸危害和高需求零部件、最小化平均方向改变次数的多目标优化模型,并提出一种基于分解和动态邻域搜索的混合多目标进化算法(Hybrid Multi-objective Evolutionary Algorithm Based on Decomposition, HMOEA/D)。该算法通过采用弹性任务分配策略、动态邻域结构和动态调整权重以保证解的可行性并搜索得到分布较好的非劣解集。最后,仿真求解实验设计技术(DOE)生成的测试算例,结果表明HMOEA/D较其它算法能得到更接近Pareto最优、分布更好的近似解集。     

基于粒子群算法的大型网络计划资源优化

现有求解网络计划资源优化的方法中,解析法不能解决大型复杂网络优化问题,启发式方法过多依赖具体问题、求解效率低,遗传算法生成新一代优化解种群依据的三个算子的实现参数选择,大部分依靠经验并严重影响解的品质,粒子群算法存在大型网络计划资源优化计算量过大和缺少大型网络计划资源优化算例问题.借助设计网络计划时间参数的计算机算法、建立评价函数、设计进化方程等基础工作,选择与工作开始时间相关的变量作为粒子空间位置,用蒙特卡洛方法和限制条件优化初始粒子群,设置可行解范围,用二维动态数组解决大型网络计划资源优化运行image超限问题,通过粒子群算法进化,寻求大型网络计划资源优化解,算例表明基于粒子群算法的大型网络计划资源优化效果明显,粒子群算法参数分析表明:粒子群算法的参数会影响网络计划资源优化结果,而且初始粒子群限制条件和优化目标设置的影响程度较大.     

一种求解半向量二层规划问题的基于KKT背离度量方程的粒子群优化算法

下层多目标规划问题的Pareto最优解的精确性对于成功求解半向量二层规划问题具有决定性作用.本文基于多目标规划问题的KKT背离度量方程,设计了具有确定性终止准则的半向量二层规划问题的粒子群算法.最后,利用线性半向量二层规划算例和非线性半向量二层规划算例进行数值仿真,仿真结果表明,算法中的KKT背离度量方程能有效控制下层问题Pareto最优解的精度,从而确保问题最优解的真实有效性.