基于决策偏好的多目标粒子群算法及其应用

针对传统多目标粒子群算法在解决复杂多目标优化问题上的不足,提出一种基于决策偏好的交互式多目标粒子群算法。该算法考虑决策者的正偏好和负偏好对粒子的引导作用,首先计算外部种群粒子与双极偏好点的相对贴近度,并进行排序;根据排序结果进行外部种群管理和全局最优解更新;使用δ-邻域值控制Pareto解集的分布性。在随机多目标库存控制应用中,证明了该算法对复杂应用问题求解的有效性,性能对比结果表明,该算法的收敛性、多样性和运算时间优于基于参照点的第二代非支配解排序遗传算法。     

基于自适应进化多目标约束的青霉素发酵过程优化EI北大核心CSCD

发酵过程多目标优化控制是提高发酵过程生产水平和经济效益的有效途径。提出了一种自适应进化多目标约束粒子群优化算法,并应用于青霉素分批补料发酵过程多目标优化。该算法根据不符合约束条件粒子的约束违反程度,修正了多目标粒子群优化算法的进化学习公式,提高了算法在约束边界区域的搜索能力;引入基于拥挤距离的Pareto最优解分布性动态维护策略,改进了Pareto前沿的分布性。实验结果表明,该算法能获得具有较好分布性的Pareto前沿,给出的底物补料策略能够使青霉素发酵过程在消耗更少底物的同时获得更多的产物产量,实现了发酵过程的多目标优化。     

基于改进非支配排序遗传算法的正铲挖掘机工作装置优化设计*

采用多目标进化算法对正铲挖掘机工作装置进行优化设计,目标是水平直线挖掘铲斗切削后角变化量、主要挖掘区域内纵向斗杆挖掘最大挖掘力和纵向铲斗挖掘最大挖掘力3个性能指标。针对NSGA-II处理具有复杂Pareto最优前端优化问题能力不足的问题,提出动态拥挤排序策略,提高算法求解的多样性,引入差分算子和柯西变异算子,提高算法的全局寻优能力。使用ZDT系列测试函数对改进算法进行测试研究,结果表明改进算法的收敛性指标和多样性指标均有很大提高,能够很好地处理具有复杂Pareto最优前端的优化问题。基于改进的优化算法对正铲挖掘机工作装置进行优化设计,并利用理想解法得到了最满意优化方案,优化结果表明了改进算法应用于实际工程问题的有效性和可行性。     

解决多目标优化问题的一种粒子群优化算法

优化设计已发展成为一种有效的新型工程设计方法.粒子群优化算法作为一种新型优化算法,逐渐被用于解决多目标优化问题.但目前研究还较少,本文提出了一种基于Pareto解集的多目标粒子群优化算法.采用一个"记忆体"来存储当前得到的Pareto最优解,对当前所得到的Pareto最优解进行相互比较,以确定一个较优的微粒作为微粒群更新方程中的全局极值,由此来引导其它粒子尽快向最优靠拢,达到算法收敛的目的.测试函数的仿真实验结果表明该算法取得了很好的效果.     

基于小生境粒子群算法的公差多目标优化设计

为解决产品设计中的公差优化问题,提出一种基于小生境粒子群算法的公差多目标优化方法。以加工成本、质量损失成本和公差敏感性为优化目标,以装配功能要求和加工能力为约束条件,建立了公差多目标优化模型。对标准粒子群算法进行改进,根据小生境数和Pareto优劣性确定孤立粒子,并通过个体历史最优粒子与孤立粒子的变异、选择操作更新粒子的个体历史最优位置;利用Pareto支配数排序更新粒子群的全局最优位置。利用改进的粒子群算法对公差多目标优化模型进行求解,得到分布均匀的Pareto前沿。设计并开发了原型系统,通过实例验证了该方法的有效性。     

-种基于Pareto解集的无约束条件的多目标粒子群算法

鉴于多目标优化问题的广泛存在性以及目前关于它的研究还较少,且没有一种很好的、通用的多目标PSO算法,本文提出了一种基于Pareto解集的多目标粒子群算法.通过采用一个"记忆体"来存储当前得到的Pareto最优解,对每次迭代得到的Pareto解集里的解两两进行比较以选取一个较优的解作为更新方程中当前最优解,这样可以更好的引导粒子群进行下一步的寻优操作,最终得到一个完整的Pareto最优解集.几个测试函数的仿真实验结果也表明了该算法取得了很好的效果.     

数据视角下神经网络增量学习支持的涡轮盘多目标优化

针对航空发动机涡轮盘多目标优化计算密集、案例需求大、分析费用高的问题,提出一种基于混合样本管理的人工神经网络训练方法,以辅助多目标粒子群优化算法处理这类计算密集问题.通过均匀设计的偏差控制,设计面向混合精度数值仿真的试验表;在误差分析基础上,通过联合优化"虚拟样本噪声强度—隐含层节点数—虚拟样本量",确定混合样本集的构造方法和神经网络拓扑结构,以提高模型的精度和泛化能力;多目标优化过程中,采用基于网格邻域信息的拥挤指标提高Pareto前沿的收敛性、多样性和均匀性;通过遗忘式增量学习提高寻优目标的导向性.以某型涡轮盘的多目标优化设计为例验证该体系的有效性.实验表明,所提方法在保证涡轮盘多目标优化质量的前提下,能够显著降低设计费用.     

基于拥挤距离排序的铝电解多目标优化

针对铝电解生产过程难以快速、准确地获得节能减排多目标优化Pareto前沿问题,提出一种基于拥挤距离排序的多目标细菌觅食算法。方法在保证铝电解槽平稳运行的基础上,建立电流效率最大和温室气体排放量最小的多目标优化模型;利用拥挤距离更新外部档案及对菌群步长进行自适应动态调整,以改进种群的收敛性和多样性,最后对优化模型求解。通过实验可知,改进后的算法能快速获得分布均匀的Pareto最优解,运用优化后的决策参数指导生产,能在提高电流效率的同时减少温室气体的排放量,实现铝电解生产过程节能减排的目的。     

改进的协同粒子群优化算法的研究与应用

为增强现有PSO算法和协同粒子群优化算法的优化性能,提出了一种改进的协同粒子群优化算法及一种新的协同策略。该算法在进化过程中,将寻优粒子群分解为若干子分群,各子分群粒子利用本分群经验和整个种群经验进行搜索,既能在分群内部不断搜索,不迷失寻优方向,又能周期性地共享整群最优值引导粒子找到最好解。分解为多个子种群有利于维持种群的多样性,有效抑制局部最优现象发生。对经典复杂函数的寻优测试表明,改进算法的鲁棒性、收敛速度、精度及全局搜索能力均优于基本PSO算法。最后将改进算法用于建立基于神经网络的旋转机械故障诊断模型,设计了相应的故障诊断系统。结果表明,基于此算法的故障诊断系统具有诊断精度较高、稳定性能较好等特点。     

基于量子位实数编码的优化算法及轧制规程多目标优化

针对热连轧轧制规程优化问题,以等功率裕量和轧制能耗为优化目标函数建立热连轧轧制规程多目标优化模型,提出基于量子位实数编码的热连轧轧制规程多目标优化算法。该算法将免疫遗传算法框架与量子计算思想相结合,采用量子位实数编码,利用量子态干涉进行遗传算子的交叉和变异,同时保证非支配解按拥挤距离选择优势免疫抗体种群,得到 Pareto 全局最优解集。以某轧钢厂热连轧精轧机组为例,验证本文所提及算法的有效性。实例分析表明,所提及的算法在寻优能力和收敛速度上均优于传统的NSGA-II算法,能够获得更好的Pareto解集,有效地解决热连轧轧制规程多目标优化问题,改善了轧制能耗。     

基于改进粒子群优化算法的多目标铜卷加工生产调度研究

针对多目标铜卷加工生产调度问题,提出一种自适应的改进粒子群优化算法。该算法采用基于个体拥挤距离排序的外部种群保留策略以避免陷入局部极值,基于个体拥挤距离概率更新全局极值以及基于支配关系更新个体极值,同时采用基于非支配解和单点交叉的内部种群规模自适应调整策略以及自适应动态惯性权重来保持种群的多样性。通过应用实例验证了该方法求解多目标铜卷加工生产调度问题的有效性。     

基于近似模型管理的微小卫星结构多目标优化设计

针对某型号微小卫星结构多目标优化的特性,在基于信赖域近似模型管理的基础上,提出了一种新型的近似模型管理框架。选取正交试验法和Kriging近似法用于构建近似模型,选取基于拥挤距离的粒子群多目标优化算法作为核心算法,并通过最大最小距离策略来保证信赖度计算的准确性与合理性,从而确保获取与高精度模型一致的非劣解集。所选的五组优化结果显示,卫星结构质量均有不同程度的减小, 最大减幅达到14.1%,同时整星前三阶固有频率较优化前明显提高。该近似模型管理框架在微小卫星结构多目标优化设计中的成功运用验证了其有效性及合理性,对于复杂工程多目标优化问题具有一定的工程应用价值。       

基于多目标优化策略的螺旋弹簧可靠性稳健优化设计

应用可靠性稳健优化设计理论和多目标决策方法,将车辆螺旋弹簧的可靠性稳健优化设计转化为多目标问题.运用层次分析法选取粒子群算法中的全局极值和个体极值,提出基于层次分析法的多目标粒子群算法,并将该算法应用于可靠性稳健优化设计的多目标模型求解中.与传统方法相比,该方法简便、易行,并能迅速准确地得到车辆螺旋弹簧的可靠性稳健优化设计信息.     

单平台下参数化产品族设计的两阶段智能优化算法

基于对参数化产品族优化设计问题特性的分析,提出了单平台下参数化产品族的两阶段优化设计方法。针对单平台产品族优化设计的特征,给出了单平台下参数化产品族优化设计的一般数学模型,在此基础上提出了平台变量值预先设定时的产品族优化模型,给出了采用拥挤距离排序的多目标约束遗传算法（CDSMOGA）对该模型进行优化求解的过程。对单平台下平台变量值已知时的通用电动机产品族优化数学模型进行了仿真运算。对比仿真结果与国内外文献中的相关结果发现,所提出的方法能够显著改善产品族的整体性能,在参数化产品族的优化设计上是有效的。     

无公用平台下的参数化产品族多目标智能优化

在忽略产品间共性约束的条件下,参数化产品族整体性能的优化实际上等价于产品族内系列产品的独立优化。基于参数化产品族优化问题的复杂性,提出了一种基于拥挤距离排序的多目标多约束遗传算法（CDSMOGA）,并将其用于求解无公用平台下的产品族优化问题。通用电动机产品族设计实例的仿真试验结果表明,CDSMOGA所得产品族优化设计方案整体性能显著优于被比较方案,验证了该方法的有效性和可行性。     

基于NSGAⅡ的齿轮减速器多目标优化研究

为了解决工程设计中有离散变量、多约束的多目标优化问题,对改进的非占优排序遗传算法(NSGAⅡ)进行了研究,通过基于拥挤距离的非占优排序,提出了离散变量和多约束的处理方法,利用Matlab软件编写了NSGAⅡ的多目标优化程序,并以二级减速器多目标优化设计为例,建立了多目标优化数学模型,运用NSGAⅡ算法求解得到了帕累托最优解集,根据模糊集合理论的有关方法选取了最优解,与传统方法得到的结果相比,体积、失效概率和传动误差都有不同程度的降低。研究结果表明,修改后的NSGAⅡ能用于有效地求解有离散变量、多约束的多目标优化设计问题。     

Pareto archive particle swarm optimization for multi-objective fuzzy job shop scheduling problems

This paper addresses multi-objective job shop scheduling problems with fuzzy processing time and due-date in such a way to provide the decision-maker with a group of Pareto optimal solutions. A new priority rule-based representation method is proposed and the problems are converted into continuous optimization ones to handle the problems by using particle swarm optimization. The conversion is implemented by constructing the corresponding relationship between real vector and the chromosome obtained with the new representation method. Pareto archive particle swarm optimization is proposed, in which the global best position selection is combined with the crowding measure-based archive maintenance, and the inclusion of mutation into the proposed algorithm is considered. The proposed algorithm is applied to eight benchmark problems for the following objectives: the minimum agreement index, the maximum fuzzy completion time and the mean fuzzy completion time. Computational results demonstrate that the proposal algorithm has a promising advantage in fuzzy job shop scheduling.     

基于粒子群算法的电网检修计划编制

在电网检修计划编制的基本原则和工作流程下,根据粒子群基本算法原理对电网检修计划编制进行数学建模。考虑检修时间作为自变量矢量,考虑期望缺供电量和检修成本作为其目标函数,考虑检修时间、检修资源和安全性等多个因素作为约束。结合粒子群算法原理和多目标优化理论,全局搜索非支配解集,形成帕累托前沿。最后依据管理者不同的偏好,通过加权计算的方式量化评估各优化目标,从而遴选出最优解,也即最符合决策人员预期的检修计划。通过与非劣排序多目标遗传算法和多目标粒子群算法进行对比,证明本文算法具有较高的实用性,提升了电网运行维护的自动化水平。     

Solving a multi-objective job shop scheduling problem with sequence-dependent setup times by a Pareto archive PSO combined with genetic operators and VNS

In this paper, we present a combination of particle swarm optimization (PSO) and genetic operators for a multi-objective job shop scheduling problem that minimizes the mean weighted completion time and the sum of the weighted tardiness/earliness costs, simultaneously. At first, we propose a new integer linear programming for the given problem. Then, we redefine and modify PSO by introducing genetic operators, such as crossover and mutation operators, to update particles and improve particles by variable neighborhood search. Furthermore, we consider sequence-dependent setup times. We then design a Pareto archive PSO, where the global best position selection is combined with the crowding measure-based archive updating method. To prove the efficiency of our proposed PSO, a number of test problems are solved. Its reliability based on some comparison metrics is compared with a prominent multi-objective genetic algorithm (MOGA), namely non-dominated sorting genetic algorithm II (NSGA-II). The computational results show that the proposed PSO outperforms the above MOGA, especially for large-sized problems.     

基于网格支配的微型多目标遗传算法

提出了一种基于网格支配的微型多目标遗传算法,该算法在求解较多目标函数的优化问题时具有较好的收敛性和较高的计算效率。该算法引入网格支配概念并结合微型多目标遗传算法,在每一代进化种群中计算各个个体的网格值、网格拥挤距离和网格坐标点距离,根据网格支配分级和网格选择机制策略选取精英个体,并对其进行交叉和变异操作,使其朝前沿面收敛以获得Pareto最优解。4个测试函数和2个工程实例验证了该算法的有效性。