考虑CO2排放量的能量枢纽运行配置优化

多能源系统通过电、热、气等不同形式能源在生产、传输、消费等多个环节进行协同优化为解决能源与环境问题提供了新方案.能量枢纽(EH)作为多能源系统的耦合环节,其配置方案对多能源系统的优化运行至关重要.在此背景下,本文提出了一种考虑CO2排放量的含电力、热能、天然气等不同形式能源的能量枢纽优化运行配置方案.在考虑CO2排放量的基础上,提出一个多目标优化问题,并采用遗传算法(GA)求解整体优化问题,从而实现社会效益最大化,CO2排放量最小化的目标.最后通过不同配置算例的分析比较验证所提方法的有效性,为能量枢纽的建设和运行提供理论和技术支撑.     

采用遗传优化自适应模糊PID控制球杆系统

为解决球杆系统动态、静态性能不高的问题,提出了遗传算法优化自适应模糊PID控制器的控制方法.该模型在拉格朗日方程建立球杆系统数学模型的基础上,采用遗传算法优化模糊控制规则、隶属函数和自适应PID参数.在GBB1004系统中建立了遗传算法优化后的自适应模糊PID控制器以及控制模型,并对该控制器进行实验验证.实验结果证明了遗传算法优化后的模糊控制器有效地减小了系统的超调量,缩短了系统的调节时间,能够较好地控制球杆系统.     

并行多目标遗传算法在控制系统优化中的应用

为了提高复杂控制系统设计问题中的效率,提出了一种基于主从模型的并行多目标遗传算法的优化器模型.主进程进行各类遗传操作和最优排序操作,所有进程都进行目标函数值和约束函数值的运算操作,并采用动态负载平衡策略.将该优化器应用在飞行器控制系统设计中,显示出了该算法的优良效果.     

基于新模型的多目标Memetic算法及收敛分析

将多目标函数优化问题转化成单目标约束优化问题.对转化后的问题提出了基于约束主导原理的选择方法,克服了多数方法只使用Pareto优胜关系作为选择策略而没有采用偏好信息这一缺陷;Memetic算法是求解多目标优化问题最有效的方法之一,它融合了局部搜索和进化计算.新的多目标Memetic算法引进C-metric,将模拟退火算法与遗传算法结合起米,改善了全局搜索能力.用概率论的有关知识证明了算法的收敛性.仿真结果表明该方法对不同的试验函数均可求出一组沿着Pareto前沿分布均匀且散布广泛的非劣解.     

基于遗传模糊控制的多机器人避碰规划

设计了一种基于遗传算法优化的模糊逻辑控制的多机器人避碰规划方法,采用简化的三层行为结构:躲避机器人、躲避静态障碍物和趋向目标点,三个行为分别独立推理,将不同传感器信息作为输入,机器人动作作为输出,再通过优先级和加权的方法对三个行为输出进行综合.随后,针对模糊控制中构造全部的模糊规则比较复杂的问题,采用遗传算法对模糊规则的隶属度函数宽度和中心值进行优化,实现模糊控制器的离线自寻优,得到一组最优参数.从最终的仿真效果看,通过遗传算法优化提高了机器人的自导航性能.     

智能算法在金属矿山品位动态优化中的应用

对遗传算法、神经网络和模糊逻辑等智能算法进行深入研究并将其应用于复杂的矿山生产系统中,解决放矿截止品位和入选品位的优化问题。首先应用神经网络建立以品位指标为自变量的多目标优化函数模型,再对其进行模糊综合评判,将得到的模糊隶属度函数作为遗传算法的适应度函数,全局搜索出使适应度函数最大即最优的品位指标组合,实现截止品位和入选品位的动态优化,为矿山企业放矿生产提供决策。     

基于分布式神经动态优化的综合能源系统多目标优化调度EI北大核心CSCD

研究了基于神经动态优化的综合能源系统(Integrated energy systems,IES)分布式多目标优化调度问题.首先,将IES元件单元(包含负荷)作为独立的决策主体,联合考量其运行成本和排放成本,并计及多能源设备间的传输损耗,提出了IES多目标优化调度模型,该模型可描述为一类非凸多目标优化问题.其次,针对此类问题的求解,提出了一种基于神经动力学系统的分布式多目标优化算法,该算法基于动态权重的神经网络模型,可以解决不可分离的不等式约束问题.该算法计算负担小,收敛速度快,并且易于硬件实现.仿真结果表明,所提算法能同时协调综合能源系统的经济性和环境性这两个冲突的目标,且获得了整个帕累托前沿,有效降低了综合能源系统的污染物排放量和综合运行成本.     

基于T-S 模型和小世界优化算法的广义非线性预测控制

提出一种新型的基于T-S模糊模型和小世界优化算法的广义非线性预测控制策略.采用基于混沌遗传算法的T-S模糊模型描述复杂非线性系统的动态特性,构成模糊多步预报器.同时,针对现有基于二进制和十进制编码小世界优化算法运行时间长等缺点,提出一种新型的基于实数编码的小世界优化算法,函数测试和应用于非线性预测控制的滚动优化反映了其较强的寻优能力.最后,将其应用于基于实际数据的T-S模糊模型的广义非线性预测控制,满足了系统实时性和快速稳定性的要求.     

基于信用级别的银行信贷优化模型

建立了基于贴近度的信用等级评价模型,在此基础上建立了具有模糊约束的多目标模糊规划模型,用于优化商业银行信贷决策．为了便于求解,采用加权和方式将多目标问题转化为单目标问题,运用客差法对模糊约束进行清晰化．最后通过实例运算验证了该模糊规划模型的有效性与柔性．     

遗传算法和小波分析在函数优化中的运用

对于一些非线性、多模型、多目标的函数优化问题,用传统优化方法较难求解,而遗传算法却可以方便地得到较好的结果。本文分别用传统寻优算法和遗传算法对Rosenbrock函数作了测试比较,证明了遗传算法优于其他优化算法的全局寻优能力。对遗传算法寻优的标准偏差数据作小波分析,得到一些新颖的结果。     

基于模糊偏好的多目标成像卫星调度方法研究

不确定条件下的成像卫星调度问题是一个多目标优化问题。借鉴连续函数的鲁棒性优化思想,提出了一种基于邻域的鲁棒性指标,考虑多种约束条件,建立了多目标成像卫星调度模型。在考虑目标间偏好的情况下,提出了一种基于模糊偏好的多目标遗传算法。实例研究表明,该模型和算法能够有效地解决不确定条件下的成像卫星调度问题。     

多种人工智能算法的数据库技术课程自动组卷比较

在线考试被广泛应用在远程教育上,自动化组卷是在线考试的关键技术,组卷问题即是多目标期望值的求解问题,其往往存在多个解,人工智能算法对于求解多目标函数有明显优势.采用遗传算法及蚁群算法的多目标优化求解更加高效,能更好胜任于本文数据库技术课程的自动化组卷.在讨论人工智能算法在组卷应用基础上,构建了组卷指标体系,建立多目标约束数学模型,并对多目标期望值进行优化求解.多次实验结果论证表明,人工智能算法的成功率最高,平均达到98%以上（含蚁群算法100%,遗传算法96%）,而非人工智能的算法成功率较低,随机变量法62%,回溯试探法84%.应用人工智能方法特别是遗传算法和蚁群算法,提升了自动化组卷效率,满足了实际各种组卷的需要,使其在远程教育和在线考试中有很好的应用前景.     

基于改进的NSGA-II多目标优化方法研究*

针对传统多目标优化算法在其领域存在的多个子目标不能同时取优的问题,提出了一种基于改进的非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm-II, NSGA-II）多目标优化方法,以多目标优化遗传算法为基础,多输入多输出的反向传播（Back-Propagation, BP）神经网络为适应度函数评价体系,保证算法快速收敛并搜索到全局最优解集,该算法在建模前对实验数据进行主成分分析,降低了运算时间和算法难度,通过在遗传进化过程中引进正态分布交叉算子（Normal Distribution Crossover, NDX）和改进的自适应调整变异算子,实现了多个目标同时取优,保证Pareto最优解集快速、准确地获取。仿真实验使用UCI数据集,通过与其他常用的多目标优化算法对比,验证了改进的NSGA-II算法精确度更高、收敛速度更快、稳定性更强。     

多目标遗传算法在GPS动态车辆调度中的应用研究

围绕车辆调度问题多目标优化这一主题,依据企业现有的GPS定位系统,设计一种基于实数编码和精英保留策略,综合应用外部惩罚函数法的多目标遗传算法.并于其中创新性的引入基因校验算子,避免了重复车次的产生.程序使用Java语言编制,后台数据库使用oracle.实验结果表明,该算法能够充分满足系统硬约束条件,快速收敛于目标约束,完成车辆的优化调度,具有较强的实用价值.     

补偿模型误差的采油过程多目标优化

通过对采油过程的分析,本文建立了以最大化区块产油量和最小化单位产油量综合能耗为目标的优化模型.针对单位产油量综合能耗模型的输出与实际值存在较大误差,利用高斯混合模型(GMM)对单位产油量综合能耗混合模型误差特性进行描述,实现对模型的误差补偿,并将误差补偿后的单位产油量综合能耗引入到已建的优化模型中,使得优化结果更接近实际最优值.在此基础上,采用带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)用于所建的多目标优化模型求解.最后,以某采油作业区一区块生产过程为例进行仿真验证,结果表明了所建模型和优化算法的有效性.     

Multi-objective optimization design for a sand crab-inspired compliant microgripper

A large working travel and a minimal stress are the most critical characteristics of a microgripper but they are conflicted each other. This paper develops a new efficient hybrid algorithm to solve the multi-objective optimization design for a sand bubbler crab-inspired compliant microgripper. The structure of sand bubbler crab-inspired compliant microgripper is inspired from the profile of sand bubbler crab. A surrogate-assisted multi-objective optimization is conducted by developing a hybrid approach of finite element analysis, response surface method, Kigring metamodel and multi-objective genetic algorithm. First, the data are collected by integrating the finite element analysis and response surface method. Subsequently, in the types of common surrogates, Kigring metamodel is adopted as an efficient tool to approximate the objective functions. And then, the Pareto-optimal fronts are found via the multi-objective genetic algorithm. The results indicated that the optimal results are at the displacement of 5999.9 µm and stress of 330.68 MPa. The results revealed that the optimized results are highly consistent with both the validation results. The accuracy of the surrogate models showed that the regression model is a good prediction. The proposed approach is useful tool to solve complex optimization designs.

     

区际救援物资中转调度的多目标优化问题研究

针对大规模、远距离和多品种的区际救援物资联动调运问题,以区际救援物资送达受灾城市总时间最短和总成本最小为目标,建立了一个区际救援物资中转调度的多目标优化模型,并设计了一种多目标协进化遗传算法。算例分析验证了该算法能够较好地获取问题的Pareto最优解。     

基于遗传算法的WMSNs多路径多目标优化路由算法

针对WMSNs路由算法设计的需求,依据遗传算法的基本原理和Pareto多目标优化方法,提出WMSNs多路径多目标优化路由算法MMOR-GA。该算法充分利用基站的存储空间充裕、能量充足和计算能力强的优势,在全局范围内搜索WMSNs多路径多目标优化路由。同时构建了基于前向邻居概念的网络模型和多目标优化函数,设计特定的编码方案及选择、交叉、变异算子。将MMOR-GA和TPGF进行模拟仿真实验,结果表明MMOR-GA算法能均衡有效地提高WMSNs路由的多QoS参数。     

基于多目标飞蛾算法的电力系统无功优化研究

鉴于电力需求的日益增长与传统无功优化方法的桎梏,如何更加合理有效地解决电力系统的无功优化问题逐渐成为了研究的热点。提出一种多目标飞蛾扑火算法来解决电力系统多目标无功优化的问题,算法引入固定大小的外部储存机制、自适应的网格和筛选机制来有效存储和提升无功优化问题的帕累托最优解集,算法采用CEC2009标准多目标测试函数来进行仿真实验,并与两种经典算法进行性能的对比分析。此外,在电力系统IEEE 30节点上将该算法与MOPSO,NGSGA-II算法的求解结果进行比较分析的结果表明,多目标飞蛾算法具有良好的性能,并在解决电力系统多目标无功优化问题上具有良好的潜力。     

Hybrid multi-objective shape design optimization using Taguchi’s method and genetic algorithm

This research is based on a new hybrid approach, which deals with the improvement of shape optimization process. The objective is to contribute to the development of more efficient shape optimization approaches in an integrated optimal topology and shape optimization area with the help of genetic algorithms and robustness issues. An improved genetic algorithm is introduced to solve multi-objective shape design optimization problems. The specific issue of this research is to overcome the limitations caused by larger population of solutions in the pure multi-objective genetic algorithm. The combination of genetic algorithm with robust parameter design through a smaller population of individuals results in a solution that leads to better parameter values for design optimization problems. The effectiveness of the proposed hybrid approach is illustrated and evaluated with test problems taken from literature. It is also shown that the proposed approach can be used as first stage in other multi-objective genetic algorithms to enhance the performance of genetic algorithms. Finally, the shape optimization of a vehicle component is presented to illustrate how the present approach can be applied for solving multi-objective shape design optimization problems.