认知无线电网络中多目标频谱分配与功率控制

针对Underlay接入方式的认知无线电网络中的功率控制问题进行了研究,提出同时考虑频谱分配和功率控制两个因素。并且为了同时满足用户的多种需求,将网络容量和功耗效率构建成一个多目标优化问题,然后提出了一种基于NSGA-Ⅱ的改进多目标优化算法对该问题进行建模求解,得到了适合用户不同需求的Pareto最优解集。最后将所提方法与SPEA-Ⅱ算法进行了实验对比,仿真结果表明,所提方法能够有效地搜索到优化解,并且能够满足不同情况下的频谱和功率分配要求。     

改进多目标鮣鱼优化算法求解多容量养老院选址分配问题

为应对未来老龄化时代的到来,完善养老服务体系,针对养老院的选址分配问题,在考虑用户满意度和覆盖率的情况下,构建多目标优化模型。首先,考虑老人对养老院的满意度、养老院相对于社区位置满意度以及养老院相对于大型医院位置满意度,构建了最大化平均满意度和覆盖率以及最小化建设成本的多目标选址分配模型。其次,针对模型的特点,融入两阶段思想,设计了一种改进鮣鱼优化算法对模型进行求解。实验结果表明,该算法能够快速且有效地获得一簇Pareto解,可权衡实际需求和对不同目标的偏好,考虑满意度或成本,在Pareto解中可选择恰当的养老院选址分配方案。最后,通过与其他三种算法的对比分析,验证了模型的可行性和算法的优越性。     

基于多目标遗传算法的柴电混合动力船舶功率分配优化

船舶在传统的柴油机推进模式时,低负荷下船用主机性能不佳,燃油消耗率高,燃烧质量差,在提高经济指标和减少排放指标方面遇到瓶颈.柴-电动混合动力推进形式能够通过合理的分配,有效降低燃料消耗和排放.针对混合动力船舶的动力结构,构建关于油耗和污染物排放的多目标优化模型.采用多目标遗传算法(NSGA-Ⅱ)优化功率在主机和发电机间...     

改进聚类排序的多目标优化算法

针对高维多目标优化问题提出一种改进型的聚类排序算法,旨在提升原算法所得解的多样性。对该算法的改进,主要集中在两方面。首先,引入了一种双层权值向量系统。相对于原始权值向量方法,该方法可以建立目标空间当中的内部权值向量。内部向量与边缘权值向量的合并,可以促进整体权值向量的多样性。此外,引入一种新的聚类算子,可避免特定权值向量中附着过多的解。实验结果表明,相对比于原始的聚类排序算法和其他两种对比算法,所提出的算法在不同特性的测试问题上具有较好的性能。     

多目标优化的一种改进微粒群算法

微粒群算法是解决多目标优化问题的一个重要方法.为了多目标目标优化求解问题,常用的微粒群算法在处理多目标优化问题时,存在所得Pareto最优解集的分散性和实用性较差的缺点.针对上述问题,提出了微粒群算法的一种改进形式.改进算法引入了个体精英解集,从中选择更合适的个体最优位置.同时,在评价个体适应度时,考虑了目标函数值差异这一信息.个体对应的目标函数值差异大,则其适应度就小.这样能避免各目标函数值差异过大的最优解存在.三个典型的多目标测试函数表明,改进方法得到最优解集具有更好的分散性和实用性.测得结果证明,改进方法是有效的.     

基于粒子群优化算法的多目标裁剪优化分配的研究

为解决裁剪优化分配问题,根据分床裁剪实际情况,结合订单信息,以用料成本、利用率、分床裁剪时间为目标,建立多目标优化数学模型。最后采用粒子群优化算法对既定模型进行求解,数据测试结果表明,该模型优化效果较好。     

基于确定性策略的卫星通信动态功率分配算法

随着地面用户对数据需求的大幅增加,以及卫星多波束间资源分配的需求,高效稳定的动态资源分配技术成为制约当前卫星通信行业的关键。与传统的算法相比,基于人工智能的动态算法将多维资源分配和复杂时空限制条件引入多波束卫星通信中,通过建立的多波束卫星通信模型,并基于确定性策略,提出了一种双延迟-确定策略梯度（TD3）算法。该算法构建了价值网络用于评估策略,构建了策略网络用于对动作策略进行更新,同时还采用了延迟更新和添加噪声平滑目标策略。仿真实验表明,该算法与其他强化学习算法和传统算法相比吞吐量提高了5.2%,此外,通过设置隐藏层的神经元数量,给出了神经网络最稳定的隐藏层参数。     

求解人力资源分配问题的多目标微粒群优化算法*

提出一种改进的多目标微粒群优化算法来求解人力资源分配问题.通过对种群进行正交初始化,保证了个体在整个可行解空间上的均匀分散,使得算法能够在整个可行解空间上进行均匀搜索;通过基于网格技术的外部存档非劣解删选策略,有效地保留了逼近Pareto前沿的非劣解;引入一种广义的学习策略来提升粒子向Pareto前沿收敛的概率.实验结...     

基于蒙特卡罗搜索树的机动控制研究

高效解算飞机机动是无人自主空战中的必备部分,也是战机完成作战任务的重要保证。利用强化学习思想,将蒙特卡罗搜索树（Metro Carlo Search Tree）算法与飞行机动控制相结合,通过反复试错解算出飞机操纵序列,同时应用了多目标优化和滚动时域优化技术,克服了传统机动动作库方法的固有缺陷。最后,以上升转弯、桶滚机动及连续蛇形S机动为例,对某型六自由度飞机模型进行控制实现,证明了所建立的MCTS机动控制算法能够灵活可靠地实现机动控制,最后通过参数摄动实验验证了算法的鲁棒性。     

异构群智感知PPO多目标任务指派方法

现有移动群智感知系统的任务指派主要面向单一类型移动用户展开,对于存在多种类型移动用户的异构群智感知任务指派研究相对缺乏.为此,本文针对异质移动用户,定义其区域可达性,并给出感知子区域类型划分.进而,兼顾感知任务数量和移动用户规模的时变性,构建了动态异构群智感知系统任务指派的多目标约束优化模型.模型以最大化感知质量和最小化感知成本为目标,综合考虑用户的最大任务执行数量、无人机的受限工作时间等约束.为解决该优化问题,本文提出一种基于近端策略优化的多目标进化优化算法.采用近端策略优化,根据种群的当前进化状态,选取具有最高奖励值的进化算子,生成子代种群.面向不同异构群智感知实例,与多种算法的对比实验结果表明,所提算法获得的Pareto最优解集具有最佳的收敛性和分布性,进化算子选择策略可以有效提升对时变因素的适应能力,改善算法性能.     

基于算子学习的多目标深度强化学习模型求解消防设施选址问题

针对消防设施选址问题,构建考虑时效性、市民等待救援的焦急心理和建设成本的三目标消防设施选址模型,以实现更科学的消防设施布局.鉴于该问题的NP难特性,提出基于算子学习的多目标深度强化学习模型(multi-objective deep reinforcement learning,MDRL).设计多种优化算子作为强化学习的动作空间,训练策略网络以选择最佳优化算子来改进解决方案.针对多目标问题,设计基于优势差异的方法(MDRL-AD)和基于支配性评估的方法(MDRL-DE).采用四种规模的测试算例及实际案例进行数值实验,将MDRL和改进的NSGA-Ⅱ、MOPSO、L2I算法进行比较,并利用Hypervolume指标、Spacing指标、Ω指标、IGD指标对算法性能进行评估.实验结果表明,MDRL-AD方法更适用于求解小规模算例,MDRL-DE方法则在求解大规模和超大规模算例时相比其他算法优势明显.MDRL在非劣解集的收敛性和均匀性方面明显优于其他对比算法,为消防设施布局规划提供了一种有竞争力的解决方案.     

基于深度强化学习的多人协同混流装配线平衡优化研究

针对大型设备混流装配过程中的多人协同、多工种等特点,提出基于双深度Q网络(double deep Q network,DDQN)的多人协同混流装配线平衡优化算法.首先以工作站和工人数量、工人与工作站间的负载为优化目标,建立多人协同混流装配线平衡问题的多目标优化数学模型.其次,根据装配过程中生产对象的特征设计状态空间,并根据启发式规则设计动作空间,结合优化目标设计奖励函数,从而将数学模型转化为马尔科夫决策模型.在此基础上,对传统DDQN算法进行改进,采用自适应探索概率完成动作决策,并设计基于工人利用率的解码方法.最后,通过混流装配线标准测试实例以及多人协同混流装配线测试实例,将DDQN算法与改进离散水波优化算法和模拟退火算法进行对比,验证算法的寻优精度以及模型的有效性.同时,在车身混流装配实际案例中采用DDQN算法进行平衡优化,验证算法的有效性和实用性.     

分布式多区域多能微网群协同AGC算法

综合能源多区域协同是电网发展趋势, 而核心问题是采用何种方法对多区域进行协同. 本文基于Q ($sigma $)融入了资格迹及双重Q学习, 提出一种面向多区域多能微网群的多智能体协同控制算法, 即DQ ($sigma ,lambda $), 避免传统强化学习动作探索值高估的同时, 来获取分布式多区域的协同. 通过对改进的IEEE两区域负荷频率控制模型及三区域多能微网群自动发电控制(Automatic generation control, AGC)模型仿真, 结果表明, 与传统方法相比, 所提算法具有快速收敛性和更优动态性能, 能获得分布式多区域多能微网群的协同.     

基于多步强化学习的多目标组播路由算法

当前网络中存在过度供应、冗余和拥塞等问题, 导致能耗过高和用户满意度下降。联合优化能耗和延迟的组播路由问题是一个NP完全问题。在软件定义网络(SDN)架构下, 提出一种基于多步Q-Learning的多目标组播路由算法, 以解决延迟和能耗的组播路由问题。该算法旨在降低网络能耗和延迟, 同时满足网络性能和服务质量(QoS)的要求。基于多步Q-Learning, 准确估计每条路径的长期奖励, 通过在每个步骤中更新Q值, 为节点选择最优的动作, 并最终找到最佳路径。通过将多个时间步的奖励和价值函数相结合, 更快地收敛到最优策略。此外, 在设置奖励值时, 为每一个目标赋予不同的权重, 用来平衡目标所占的比重。仿真结果表明, 与现有的代表性算法相比, 该算法能够有效降低网络能耗和延迟, 提高网络性能。     

基于多步强化学习的多目标组播路由算法

当前网络中存在过度供应、冗余和拥塞等问题, 导致能耗过高和用户满意度下降。联合优化能耗和延迟的组播路由问题是一个NP完全问题。在软件定义网络(SDN)架构下, 提出一种基于多步Q-Learning的多目标组播路由算法, 以解决延迟和能耗的组播路由问题。该算法旨在降低网络能耗和延迟, 同时满足网络性能和服务质量(QoS)的要求。基于多步Q-Learning, 准确估计每条路径的长期奖励, 通过在每个步骤中更新Q值, 为节点选择最优的动作, 并最终找到最佳路径。通过将多个时间步的奖励和价值函数相结合, 更快地收敛到最优策略。此外, 在设置奖励值时, 为每一个目标赋予不同的权重, 用来平衡目标所占的比重。仿真结果表明, 与现有的代表性算法相比, 该算法能够有效降低网络能耗和延迟, 提高网络性能。     

改进灰狼优化算法求解模糊车间调度问题

模糊车间调度问题是复杂调度的经典体现,针对此问题设计优秀的调度方案能提高生产效率。目前对于模糊车间调度问题的研究主要集中在单目标上,因此提出一种改进的灰狼优化算法（improved grey wolf optimization,IGWO）求解以最小化模糊完成时间和最小化模糊机器总负载的双目标模糊柔性作业车间调度问题。该算法首先采用双层编码将IGWO离散化,设计一种基于HV贡献度的策略提高种群多样性;然后使用强化学习方法确定全局和局部的搜索参数,改进两种交叉算子协助个体在不同更新模式下的进化;接着使用两级变邻域和四种替换策略提高局部搜索能力;最后在多个测例上进行多组实验分析验证改进策略的有效性。在多数测例上,IGWO的性能要优于对比算法,具有良好的收敛性和分布性。     

多目标粒子群算法的动态多燃料经济环境负荷分配

考虑动态的负荷需求和多种燃料资源,以经济成本和环境成本为优化指标,建立动态多燃料经济环境负荷分配的多目标优化模型,并提出一种多目标粒子群优化算法求解该类优化模型.模型采用动态负荷需求和多种燃料资源,更有利于节约电能成本和提高能源利用效率,但高维数、复杂非线性和多目标成为求解该优化模型的难点,故在算法中引入多目标解集更新策略和变邻域搜索策略.实验仿真结果表明,该模型是有效的,且采用所提算法求解这类模型时所获得的近似Pareto前端的精度明显优于其他算法.     

基于分区搜索和强化学习的多模态多目标头脑风暴优化算法

维持种群多样性和提高算法搜索效率是多模态多目标优化亟需解决的两大问题。为解决以上问题,提出了一种基于分区搜索和强化学习的多模态多目标头脑风暴优化算法（MMBSO-ZSRL）。在MMBSO-ZSRL中,首先将决策空间分解为多个子空间以降低搜索难度和维持种群多样性;然后,使用SARSA（state-action-reward-state-action） 算法来平衡头脑风暴算法的全局探索和局部开发能力;并使用特殊拥挤距离来挑选个体来指导种群进化。为了验证所提算法的性能,选取六种先进的多模态多目标优化算法来进行比较,并选取IEEE CEC2019多模态多目标问题基准测试集来对所有比较算法的性能进行测试。实验结果表明,MMBSO-ZSRL的整体性能要显著优于其他六种比较算法。MMBSO-ZSRL不仅可以找到多样性和逼近性更好的帕累托前沿,而且可以在决策空间找到更多的帕累托最优解。