基于NSGA-Ⅱ&DEA混合算法的高速铁路桥梁风屏障高度多目标优化研究

为探究高速铁路桥梁风屏障高度的多目标优化问题,基于计算流体动力学理论,采用数值模拟方法计算设置有不同高度风障时,列车及桥梁各自的气动力系数。以车辆侧倾稳定性力矩系数及桥梁阻力系数为优化目标,风屏障高度为设计变量,采用多目标遗传算法(NSGA-II)求解Pareto最优解集,采用数据包络分析方法(DEA)评价Pareto解集中各个解的相对效率,得到最优风屏障高度。结果表明:采用NSGA-IIDEA混合算法对风屏障高度进行多目标优化是可行的。该优化设计方法为风屏障高度优化问题提供了一种新思路。     

基于差异演化算法和多属性决策的机电系统可靠性多目标优化设计

针对机电系统可靠性设计问题,以可靠性和费用(或体积等)最优为目标建立可靠性设计的多目标优化模型．提出了自适应多目标差异演化算法,该算法提出了自适应缩放因子和混沌交叉率,采用改进的快速排序方法构造Pareto最优解,采用NSGA-II的拥挤操作对档案文件进行消减．采用自适应多目标差异演化算法获得多目标问题的Pareto最优解,利用TOPSIS方法对Pareto最优解进行多属性决策．实际工程结果表明：自适应多目标差异演化算法调节参数更少,且求得的Pareto最优解分布均匀;采用基于TOPSIS的多属性决策方法得到的结果合理可行．     

平流层飞艇的多目标优化与决策

该文建立了以平流层飞艇阻力最小、自重最轻、极限承载力最大及刚度最大为优化目标的多目标优化模型;采用强度Pareto进化算法(SPEA)进行了多目标优化设计;基于优化所得的Pareto解集,采用基于信噪比的决策方法选择满足实际需要的最终方案。结果表明:采用的SPEA算法是合理有效的,可以得到非劣解分布较均匀的Pareto曲面;通过基于信噪比的决策方法,可从非劣解集中获得满足实际要求的最稳健设计方案。     

基于MOABCO的多目标测试用例优先级排序

为了提高回归测试的效率,提出了一种基于多目标人工蜂群优化(Multi-Objective Artificial Bee Colony Optimization, MOABCO)算法的多目标测试用例优先级排序(Multi-Objective Test Case Prioritization, MOTCP)方法.针对标准多目标人工蜂群(Multi-Objective Artificial Bee Colony, MOABC)算法容易陷入局部最优解的问题,将差分变异策略融入到新蜜源更新阶段,且基于信息熵改进新蜜源选择方法,以避免算法陷入局部最优并增强了全局搜索能力;然后,将代码覆盖率和测试用例有效执行时间作为优化目标,并用MOABCO算法求Pareto最优解集,以解决MOTCP问题.实验结果表明, MOABCO算法求得的Pareto最优解集在逼近性和分布均匀性上均优于MOABC算法;在解决MOTCP问题上,相对于NSGA-II算法具有更高的收敛速度和更高的缺陷检测率.     

原油一次加工过程的多目标调度优化

在制定原油一次加工过程详细调度时,往往需要考虑多个优化目标。本文提出一种基于改进的骨干粒子群算法和II代非支配遗传算法协同进化的双种群算法,并通过Pareto差熵控制种群的交流,优化了供油罐使用成本、供油罐的切换成本、管道中原油混合成本以及供油罐罐底混合成本4个目标。通过一个工业实例,将本文算法与现有的几种具有代表性的进化多目标优化算法进行对比,验证本文算法的可行性和有效性。     

基于Pareto排序遗传算法的改进型扩张室压力脉动衰减器多目标优化

针对传统扩张室式压力脉动衰减器低、高频脉动衰减明显的不足,提出了两种改进结构。在衰减器外形尺寸不变的前提下,以最大化的回冲频率和固有频率处的滤波性能为目标,利用实数编码的标准遗传算法与Pareto排序的遗传算法分别对这两种改进结构进行参数优化,并结合一维平面波理论计算了其插入损失;在运用遗传算法进行优化的过程中,对影响优化的算法主要驱动算子、Pareto最优解、Pareto前沿的选取进行了讨论。结果表明,二维判据空间取得Pareto最优时,得到滤波器的各个结构参数非劣解,优化后的改进型扩张室式压力脉动衰减器在基频及其一次谐频处具有最优的滤波性能。     

多目标优化算法在发电权交易中的应用

发电权交易对我国实施节能调度具有重要意义。以煤耗最优的发电权交易为基础,提出煤耗和效益综合最优模型,并以Pareto最优的方法对多目标进行求解,提出基于动态Pareto解集的PSO算法。该模型以某实际电网为例,探讨Pareto解对发电权交易中能耗和效益的影响,计算结果表明,发电权交易能减少煤耗,增加社会效益。     

采用Pareto人工鱼群算法的结构健康监测传感器位置多目标优化EI北大核心CSCD

发展基于Pareto多目标人工鱼群算法(Multi⁃Objective Artificial Fish Swarm Algorithm,MO⁃AFSA),解决结构健康监测中传感器位置多目标优化的问题。构建与观测模态线性独立性、结构损伤灵敏度和损伤信息冗余性有关的传感器位置多目标优化目标函数;改进人工鱼群算法的追尾和觅食行为,并引入外部档案集以处理寻优过程中的互不支配解,结合Pareto概念选取与理想点欧式距离最近的Pareto解为最优解;以三层平面钢框架结构为数值算例,用基于Pareto人工鱼群算法求解传感器位置多目标优化方案,并进行结构损伤识别。研究结果表明:用所提方法得到的传感器测点在结构中均匀分布,获取的结构损伤信息更为全面,冗余性低,振型独立性好,能够较精确地识别损伤位置和损伤程度,并且抗噪性能好。     

一种基于“探测"与“开采"的多目标进化算法

针对实践中多目标优化问题(MOPs)的Pareto解集(PS)未知且比较复杂的特性,提出了一种基于"探测"(Exploration)与"开采"(Exploitation)的多目标进化算法(MOEA)——MOEA/2E。该算法在进化过程中采用"探测"与"开采"相结合的方法,用进化操作不断地探测新的搜索区域,用局部搜索充分开采优秀的解区域,并用隐最优个体保留机制保存每一代的最优个体。与目前最流行且有效的多目标进化算法NSGA-Ⅱ及SPEA-Ⅱ进行的比较实验结果表明,MOEA/2E获得的Pareto最优解集具有更好的收敛性与分布性。     

考虑多目标优化模型的风电场储能容量配置方案

提出一种风电场配置锂离子电池和超级电容混合储能系统的新方法,利用小波包分频技术对原始风功率进行分解,得到混合储能系统补偿功率。以混合储能配置方案为优化变量,引入改进后的全寿命周期成本,建立了净收益-波动性-弃风量的多目标储能系统配置模型。采用改进概率变异粒子群优化(probabilistic mutation particle swarm optimization, PMPSO)算法对该模型进行求解,得到Pareto解集,对解集进行归一化处理,得出熵权最优配置方案,并与单目标最优方案进行对比,验证了熵权最优配置方案对经济性和功能性的兼容性。通过与自适应量子粒子群优化算法(adaptive quantum particle swarm optimization,AQPSO)进行对比,验证了改进PMPSO算法得到的熵权最优配置方案在保证弃风量和波动性较小的同时,配置更小容量的储能以获得更大的收益,满足多目标配置需求。     

带调整时间的多目标流水车间调度的优化算法

为高效地求解带调整时间的多目标流水车间调度问题,提出了一种多目标混合遗传算法,此算法依据基于Pareto优于关系的个体排序数和密度值计算适应度,保持解的多样性,并采用非劣解并行局部搜索策略,提高算法的搜索效率.此外,引入精英策略保证算法的收敛性,在进化过程中通过淘汰掉个别最差个体,进一步加快解的收敛速度.仿真结果表明,新算法能够有效地解决带调整时间的多目标流水车间调度问题.     

一类不可微广义凸多目标规划的最优性条件和对偶

本文研究带不等式约束的不可微多目标规划问题,引入了广义d-I型一致不变凸函数的概念,证明了Pareto有效解和Pareto弱有效解的Karush-Kuhn-Tucker型充分条件.构造出了混合对偶模型,并证明了相应的对偶定理.     

基于混合粒子群算法的物流配送路径优化问题研究

针对物流配送路径优化问题,提出了一种融合Powell局部寻优算法和模拟退火算法的混合粒子群算法,以克服单用粒子群算法求解问题早熟收敛的不足,增加算法的开发能力,提高算法的全局搜索能力,并进行了实验计算.计算结果表明,用混合粒子群算法求解物流配送路径优化问题,可以在一定程度上提高粒子群算法在局部搜索能力和搜索全局最优解概率,从而得到质量较高的解.     

混合粒子群算法在混流装配线优化调度中的应用

应用粒子群算法求解混流装配线的优化调度问题,给出粒子的构造方法,并针对算法中存在过早收敛的问题,提出了一种与局部优化和粒子微变异方法相结合的混合粒子群算法.给出了一个实例,实例应用粒子群算法和混合粒子群算法分别进行求解,与其他一些方法比较表明,混合粒子群算法可以有效、快速地求得混流装配线优化调度问题的解.     

混合整数双层线性规划的全局优化算法

本文讨论了上层决策变量为整数变量、下层决策变量为连续变量的混合整数双层线性规划问题,利用其可行解均落在约束域边界上的性质,提出了一种求解混合整数双层线性规划全局最优解的算法,并举例说明了算法的执行过程。     

基于混合离散人工蜂群算法的混合零等待柔性流水车间优化研究

从钢铁业等流程工业提炼出一类混合零等待柔性流水车间问题，其中一些加工阶段要求工件连续不断地经过这些工序，对该问题建立了整数规划模型，提出了一种混合离散人工蜂群算法以最小化最大完工时间。采用二维矩阵编码表述染色体以及工件右移调整策略进行解码以获取调度解，改进NEH启发式规则用于生成初始种群。在雇佣蜂阶段，引入了修正粒子群优化算法产生新解；在跟随蜂阶段，设计了迭代贪婪算法中的破坏和构造算子，进一步增强算法的搜索能力；在侦查蜂阶段，利用变邻域搜索算子以替换最差解。对不同规模问题进行了仿真测试并与现有算法进行对比，结果表明所提算法在求解混合零等待柔性流水车间问题方面更加有效。     

基于进化算法的多目标闭环物流网络设计

为了帮助生产企业建立科学合理的闭环物流网络系统,提高废旧产品材料的再循环利用率,提出了一个多周期、多产品、多阶段的闭环物流网络选址与运输模型。该模型中,不仅考虑建造混合分销回收中心,还提出了2个优化目标:经济成本最小和时间成本最小。针对该多目标优化问题,本文采用了一种基于优先值编码方法的进化算法对模型求解,最终得到该问题的帕累托(Pareto)前沿。通过与约束法的计算结果相比较,求得误差均值小于5%,说明该进化算法对Pareto前沿的拟合程度较好,计算结果是正确有效的。     

基于Pareto解的军事计量保障方法研究

对于地理位置偏远、仪表送检困难的单位,如何减少送检仪表的数量是一个重要军事课题。本文采用基于Pareto解的非线性多目标规划算法,在确保各项参数计量覆盖率的情况下,有效降低了众多下属单位的待计量参数数量。     

求解旅行商问题的混合IDA星算法

旅行商问题是典型的NP完全问题,而且在实际生产生活中应用广泛。求解旅行商问题的智能算法也有很多,但目前仍没有很好的算法求解组合优化问题。本文提出一种混合IDA星算法,先使用混合粒子群优化算法在有限迭代内求出一个较优解,再通过此解构造IDA星算法中的估值函数,求解旅行商问题。通过实验分析,此方法达到了较好的效果,为解决旅行商问题提供了一种新思路。     

遗传算法在轮胎结构多目标优化设计中的应用

在轮胎结构设计中应用一种基于共享小生境技术的遗传算法(简称Pareto GA),用来求解多目标优化问题的Pareto最优解集合。在综合考虑轮胎带束层的耐久性和轮胎重量的基础上,通过三维有限元分析和室内耐久性试验建立了优化轮胎带束层的数学模型,采用Pareto遗传算法对该数学模型进行求解,获得了分散性很好的Pareto最优解集合。为了检验优化的效果,应用三维有限元分析技术,对优化胎与原胎进行了分析与对比。结果表明,该优化过程达到了预期的目的。