改进非支配排序进化算法在下料问题中的应用

针对一维下料问题,提出了减少废料、减少下料设置时间和减少可回收余料的三目标优化模型,用改进的非支配排序进化算法求出问题的Pareto最优解集,运用逼近理想解方法从解集中选出一个满意解作为下料方案,各优化目标的权重用CRITIC法算出。仿真实验证明了所提出的方法可以有效解决该类多目标下料问题。     

结合批量问题的多目标矩形件优化排样

设计多目标启发式进化算法,研究了一种考虑批量问题的二维矩形件排样问题,建立了含有原材料成本最小化和零件库存成本最小化的多目标优化模型。先用启发式算法初始化下料方式,再用改进的快速非支配排序算法进行优化求解,确定下料方案。通过实验结果以及与其他算法的对比表明,在中等规模的矩形件排样问题中,该算法能够在较快的时间内既保证较高的原料利用率,又能降低该问题的总成本,证明了该算法的有效性。     

基于改进多目标差分进化算法的诺西肽发酵过程优化

诺西肽发酵存在着产量较低和生产效率不高的问题, 多目标优化是解决此类问题的有效途径. 将差分进化算法引入多目标优化, 构建了改进的多目标差分进化算法((IDEMO). 根据Pareto优劣等级和拥挤距离对种群进行选择操作, 并引入自适应变异算子和棍沌迁移算子以改善算法性能. 在诺西肽分批发酵动力学模型的基础上建立了多目标优化的模型, 并利用IDEMO对此优化问题进行了求解, 优化结果表明了算法的有效性.     

基于自适应分解的多任务协作型昂贵多目标优化算法

现实世界的工程优化问题通常需要同时优化多个冲突的目标,且这些目标函数的评估由于依赖仿真、物理实验而十分昂贵,这类问题被称为昂贵多目标优化问题.使用机器学习方法建立代理模型用于估计候选解的目标函数值是求解此类问题的一种有效手段.高斯代理模型适用于训练样本数较少的中小规模问题,且能提供评估的不确定性,因此常作为代理模型被应用于昂贵优化.分解是处理多目标优化问题的一种有效手段.一个多目标优化问题可被分解为多个单目标优化子问题,且多个子问题可被进一步划分为代理模型学习的一个目标任务.现有基于分解的昂贵多目标优化算法大多将固定数量的子问题静态地划分到同一任务,从而构造多个固定任务并对其建立多任务高斯代理模型进行求解.这未能充分利用数据的相关信息动态反映出任务间的相关性,限制了多任务高斯过程模型的预测精度以及优化算法的最终性能.为此,本文提出了一种自适应多任务多种群协作搜索算法(AMMCS).AMMCS使用相似性指标实时度量已评估的解集,获得子问题间的相关性,从而自适应地划分任务,提升多任务模型的预测质量.此外,AMMCS使用一个解集(种群)优化一个任务,并通过多种群的协作搜索实现多任务高斯模型的批量优化,提高了采样效率,提升了算法的收敛效率.通过AMMCS与六个代理辅助进化算法进行多组实验对比和分析,显示了AMMCS具有良好的性能.我们同时也设计实验验证了算法中自适应分解以及多种群协作搜索的有效性.     

多车场多目标开放式物流配送车辆调度问题的研究

为了优化现代物流中的车辆调度问题,文章针对多车场开放式物流配送车辆调度问题,建立了一种灵活的多目标组合优化模型,此模型可以方便地增减优化目标值;设计了适合多车场开放式车辆路径问题的通用染色体编码方案,并对遗传算法中的交叉变异操作做了详细说明,最终得到了多车场多目标开放式物流配送中车辆调度的优化策略;通过真实的测试用例验证了项目设计的优化模型和遗传算法在解决多车场多目标开放式物流配送车辆调度问题中的可行性.     

基于信息增益和目标威胁度的多传感器管理优化模型

针对信息化防空作战的多传感器资源管理优化问题,分析了防空作战传感器管理,提出了基于信息增益和目标威胁度的多传感器管理优化模型.该模型通过计算传感器对目标的信息熵,获得每个传感器对每个目标最大的信息增益,以此作为代价函数,考虑目标的威胁度,利用线性规划思想进行多传感器对多目标的优化分配,实例分析表明该模型的有效合理性.     

云计算环境下基于粒子群算法的多目标优化

为了优化资源的部署调度,需要考虑处理费用、传输费用,并提高云计算的性能.对云计算环境下特点进行了研究,把云计算环境下的数据部署和任务调度问题映射为处理交互图,对处理交互图进行分析、提出了多目标优化模型,并通过粒子群算法对多目标模型进行优化.仿真结果表明,该多目标优化模型和算法不但能优化处理时间、传输时间,也能优化处理费用和传输费用.     

基于下料特征的大规模零件分组优化方法

针对诸多算法在处理大规模零件下料问题时易陷入时间效率和材料利用率矛盾的问题,提出一种基于零件下料特征的分组优化方法.首先采用图论工具对零件下料特征关联进行分析,建立零件相似特征关联有权无向图与零件下料配合特征关联有权无向图;然后将样本零件所表现的下料特征作为分组约束,通过对无向图最小生成树(MST)的分割完成待下料零件的自适应分组.优化前根据材料利用率对零件分组进行排序,优化中对零件的组间分布进行动态补偿,最后合并各组优化结果得到原问题的下料方案.实验结果表明,该方法是可行的和有效的.     

基于改进型遗传算法的能源模糊优化的研究

将模糊优化的概念引入能源模型中,将多目标能源模型中的能源、经济和环境3个目标函数的约束条件模糊化,并定义了由惩罚函数和目标函数组成的新目标函数.针对该模糊多目标优化模型,采用改进型遗传算法进行求解,在适应度函数以及其它遗传操作的设计上做了改进.实验表明,这种遗传算法是一种性能优良的解决能源优化问题的启发式搜索算法,可以快速有效的求得能源优化问题的最优解,进而得到能源的最佳配置.     

无线传感器网络中多目标优化节点部署模型

针对多跳无线传感器网络中数据采集只采用单目标优化策略带来的问题,提出了一种基于多目标优化的可移动sink节点部署模型.该模型以网络能耗最小和数据延迟最小为优化目标,采用多目标线性规划方法获得节点部署的较优解,在能量消耗和数据收集延迟中取得平衡.仿真结果表明,该模型能够给决策制定者提供更优的无线网络数据采集方案,提高了数据采集的质量.