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．     

动力吸振器的多目标优化和多属性决策研究

在结构振动控制中,为了最大限度发挥吸振器的耗能减振作用.需要寻找吸振器的最优参数,即最优频率比、最优阻尼比和最优质量比,使得结构在不同的频率激励下获得最好的减振效果.本文将基于进化算法的多目标优化技术与多属性决策方法联合运用,针对主系统存在阻尼的减振系统,研究了动力吸振器的优化和决策同题.对于多目标优化问题,采用改进的非支配解排序的多目标进化算法(NSGA Ⅱ),求出Pareto最优解,由这些Pareto最优解构成决策矩阵,使用客观赋权的信息熵方法对最优解的属性进行权值计算.然后用逼近理想解的排序方法(TOPSIS)进行多属性决策(MADM)研究,对Pareto最优解给出排序.文中给出了4个设计参数、3个目标函数的动力吸振器优化设计算例.     

基于多目标遗传算法的传感器优化布点研究

针对目前桥梁模态试验中传感器布点优化都是基于单一准则下的研究的局限性,提出采用双准则或多准则下的传感器优化布点研究,该方法改进了以往布点优化中单一目标最优的限制,转而寻求多准则下的优化布点的满意解,而非真正严格数学意义上的最优解。采用Pareto遗传算法,设计了相应的遗传算子和编码方案,成功求解了双准则下传感器最优布点问题,优化结束时,成功给出了一组pareto最优解的前沿面,进而证明了提出的方法是可行的。     

基于Pareto最优解的零件制作方向优化研究

分析了快速成型工艺中零件制作方向对制件表面质量、所需支撑面积和零件制造时间的影响,分别建立了它们的优化数学模型。采用了基于Pareto最优解的多目标优化遗传算法NSGA-II进行优化计算,通过与单目标优化方法求得最优结果的对比,表明用多目标优化方法进行零件制作方向的优化计算,不仅可以求出比单目标方法更优的解,而且通过一次优化计算就可得到多个较优的零件制作方向。     

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。     

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。     

一种基于遗传算法的多目标优化算法研究

对一般的无约束多目标优化问题的求解进行讨论,提出一种基于遗传算法的求解方法,该方法区别于传统遗传算法的求解模式,它采用带性别标志的编码、子群体的选择、保留Pareto最优解,并对解集进行共享函数的处理,最后得到较高质量的Pareto最优解集,给出的两个算例也充分说明此方法在处理多目标问题的可行性和实用性。     

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.     

层合板频率响应与声功率双目标优化设计

利用遗传算法对复合材料层合板结构的固有频率间隔和辐射声功率进行双目标优化设计。利用分层理论结合有限元模型求解层合板的固有频率和振速分布。通过声辐射模态理论,计算层合板结构辐射声功率。以铺设角度作为设计变量,第一阶与第二阶固有频率间隔和辐射声功率作为双目标优化目标函数,以某4层的层合板结构为例,采用目标加权法优化目标函数。研究了不同权重系数、不同频率时固有频率间隔最大化和声功率最小化对应的优化铺设角度。由数值分析结果可知:不同的权重系数比下获得的Pareto最优解不同;在同一权重系数下,两个优化目标所起的作用不尽相同;随着频率的增加,选择相对较大的权重系数可使Pareto最优解较好地兼顾两个优化目标。     

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。     

基于物理规划的 Stewart 平台多目标优化

应用物理规划方法对500米口径球面射电望远镜(FAST)精调 Stewart 平台进行了多目标优化设计.根据 Stewart 平台的设计准则,将 Stewart 平台的运动精度、重量和工作效率作为目标函数,构造了相应的以目标函数为变量的偏好函数,建立了基于物理规划的多目标优化模型,采用遗传算法对该优化问题进行求解.结果表明,物理规划避免了基于权重的多目标优化方法中权系数难以确定的问题,有效地给出了优化问题的 Pareto 解.     

基于动态加权系数和多目标进化的模型修正方法

建立准确的结构动力学模型是结构响应分析的基础,由于模型简化的不确切等因素,必然会带来一定的误差,为了获得高精度的动力学分析模型,需要结合试验数据对模型进行修正。模态试验结果中包含了试件不同状态不同阶次的频率和振型信息,模型修正时需要建立多个目标函数,提出了一种基于动态加权系数的多目标模型修正方法。通过对解的群体实施进化,在每一代非劣解中,挑选各个子目标函数的局部最优解,计算各个局部最优解与子目标期望值的差距,并根据差距对加权系数动态调整,从而在进化过程中对加权系数进行优化,避免维数灾难问题,实现各个子目标函数的快速收敛。采用该方法对导弹全弹动力学模型进行了修正,子目标函数个数达到16个,与基于Pareto最优的模型修正方法相比,用较少的代数实现了各个子目标函数的收敛,提高了群体搜索的效率,取得了较好的修正效果。     

考虑准备时间的多目标混合流水车间调度

本文研究了一个带有不可预期发生且准备时间顺序相关的混合流水车间调度问题,以最小化制造期和总拖期为多目标进行Pareto求解。首先建立了一个混合整数线性规划模型,然后提出了一种NEH-Pareto档案模拟退火(NEH-pareto archive simulated annealing,NEH-PASA)融合算法,算法采用一种改进的NEH算法产生高质量的初始解,设计了一种基于Pareto最优的混合扰动策略生成邻域解,并引入一种Pareto搜索机制以获取Pareto解集。最后通过计算实验,验证了算法的优越性。     

基于遗传算法的辊筒棒磨机多目标优化设计

为了优化辊筒棒磨机的磨矿过程,选取影响磨矿性能的主要因素,利用量纲分析法对磨矿特征进行描述,并结合实验数据,建立磨矿过程的多目标优化模型;利用遗传算法对模型进行求解,得到Pareto最优解集,采用优劣解距离(TOPSIS)法寻得多目标优化问题的一组最优解,并对结果进行分析。结果表明:进行多目标优化后,棒磨机产率提高了5. 46%,能源利用率提升5. 04%,磨矿产物的均一性指数增大1. 088,有效地提升了辊筒棒磨机的综合性能。     

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。     

支持服务关联的全局最优服务选择算法

针对面向服务的军事综合电子信息系统候选服务的服务质量往往依赖于其他候选服务的问题,提出了一种支持服务关联的全局最优服务选择方法.该方法将基于QoS的军事信息服务选择问题建模为带QoS约束的多目标组合优化问题,采用基于独立成分分析(ICA)的多目标分布估计算法同时优化多个目标函数,最终产生一组满足约束条件的Pareto最优解服务组合集.对比实验结果表明,基于ICA的多目标分布估计算法通过概率图模型可以描述服务间的相互关系,可以更好地解决存在服务关联的组合服务选择问题,具有良好的有效性和可行性.     

基于NSGA-II遗传算法的磁流变悬置多目标优化

磁流变悬置集总参数优化是设计高性能发动机悬置的关键。为克服以往悬置优化中优化目标单一、优化目标选取不合理、未考虑实际加工可行性等问题,建立单自由度磁流变悬置隔振系统数学模型,提出倍程区间灵敏度分析法,对各集总参数灵敏度进行分析,并以此为依据选取优化变量。以发动机常用转速激振频率段的力传递率积分为优化目标,采用改进型非支配排序遗传算法(NSGA-II)进行多目标优化。在一定范围内将结构尺寸进行离散化处理,计算各组离散尺寸对应的集总参数值,以离散集总参数与集总参数Pareto非劣解之间的综合距离为准则筛选最优解。     

用于约束多目标优化问题的改进蚁群遗传算法

针对多目标蚁群遗传算法(MOAGA)解集边界分布不均的问题,提出改进算法,解决连续空间中带约束条件多目标优化问题.改进算法在基本MOAGA算法的基础上,在选择中引入一定比例的边界决策、单目标最优决策,并提高边界决策的交叉率.实验证明,改进算法解决了基本算法解集分布边界疏中间密的问题,并且能更快的获得散布性较好的Pareto最优解集.     

基于SPEA2算法的泊位调度多目标优化

为获得使集装箱码头综合利益最大的泊位调度方案,建立了以船舶平均在港时间、码头生产成本和安全质量为目标的多目标优化模型;采用改进的强度Pareto进化算法(SPEA2)进行求解,基本操作中,可行解用三层染色体结构表示,改进的两点交叉算子和基于领域搜索的变异算子可避免出现不可行解,同时给出了靠泊顺序推迟最小的Pareto最优解选择策略。某集装箱码头的试验算例表明,文中提出的优化方法不仅能获得较优的满意解,同时收敛速度较快,可作为集装箱码头泊位调度的有效手段。     

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。