工程项目绿色施工管理多目标均衡优化研究

与传统的工程施工不同,绿色施工将环境保护目标与进度、成本、质量一同视为工程施工中的主要控制目标。在分析了进度、成本、质量和环境保护目标之间相互制约关系的基础上,利用多属性效用函数理论和目标优化理论,建立了工程项目绿色施工管理中的多目标均衡优化模型,并采用先进优化仿生算法——微粒群算法（PSO）对模型进行求解,得到的最满意解即可作为绿色施工管理的主要控制目标。最后通过应用实例验证了模型的合理性和模型求解方法的有效性。     

多目标蚁群优化研究综述

多目标蚁群优化是一类重要的多目标进化算法,它在解决多目标优化问题,尤其是多目标组合优化方面,具有优异的性能。首先,通过总结多目标蚁群优化的研究成果,将多目标蚁群优化分为基于帕累托的方法、基于指标函数的方法和目标分解法3类,并阐述了每类方法的特点和代表性算法;然后,展现了多目标蚁群优化在实际问题中的广泛应用;最后,探讨了目前多目标蚁群优化存在的问题。     

大型工程项目任务多目标优化调度方法

提出了一种大型工程项目任务多目标优化调度方法。构建了一种以项目工期最小化、费用最小化及质量最大化为目标函数的多目标优化模型;针对模型的多变量、多约束、大组合量特点,提出了一种基于自适应变异和模拟退火思想的改进蚁群算法。将模型和算法在某大型工程项目任务调度中加以应用,验证了所提出的优化调度方法的正确性和有效性。     

考虑失灵风险的随机多目标定位-库存问题及其优化算法

为实现物流系统整体优化,考虑失灵风险、随机需求、设施容量约束、提前期等因素,以系统总成本最小与客户满意度最高为目标,建立一个两级物流网络的随机多目标定位-库存问题模型。该模型是一个双目标的非线性离散混合整数规划模型。在此基础上,设计一种改进的基于小生境技术的非支配排序多目标遗传算法。实验结果表明,该算法可得模型的Pateto前沿解集,与标准非支配排序遗传算法相比,改进算法在收敛代数及解的数量和分布上均具有明显优势。在实际应用中,决策者可根据需要及偏好在Pateto候选解中选择合适的优化决策方案。     

考虑低碳排放的混凝土配合比多目标优化

本研究将碳排放量目标引入到混凝土配合比优化设计之中,采用可视化优化方法对混凝土配合比进行多目标优化。先将配合比试验数据降维映射到二维平面上,同时生成混凝土强度、碳排放量和原料成本的等值线。然后据此等值线直观地确定出混凝土强度在一定范围内,成本和碳排放都比较低的配合比优化操作区域。最后将优化区域中的操作点通过逆映射算法转变成实际的配合比。文中给出某商品混凝土的配合比优化实例,验证了本方法的适用性和有效性,为混凝土绿色生产找到一条可行的途径。     

多子群协同进化的多目标微粒群优化算法

微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。     

基于多目标优化的网络通信任务均衡分配方法研究

针对传统方法网络通信任务分配均衡性较差问题,笔者提出基于多目标优化的网络通信任务均衡分配方法。首先该方法应用层次描述法对分层描述网络通信任务,将网络通信任务按类别划分,以延迟最小、耗能最小、分配均衡作为分配目标,然后建立任务均衡分配的目标函数,运用遗传算法对函数求解,最后得到最合理的分配方案。经对比实验,证明了本方法对网络通信任务分配的均衡性提升有较好的效果。     

考虑多目标优化的一维排样系统

对于常见的一维下料问题,采用顺序启发式算法设计排样系统。在保证较高材料利用率的同时,考虑多个优化目标的实现,如减少排样方式数,优先使用短材料,增加最后一根原材料上的余料长度等。通过对各个目标设定不同的优先级,可生成满足实际生产环境需要的排样方案。经过与其他多种优化算法的实验结果比较,证实本文排样系统的优越性。     

模糊多目标优化控制

本文提出了对复杂过程进行高质量控制的模糊多目标优化控制(FMOC),它由两部分组成:模糊多目标预测控制(FMPC)和自适应的模糊多目标控制(AFMPC)。FMOC不仅能体现操作人员控制行为的多目标性,而且还能反映其心理过程对控制行为的影响,它基于对控制目标的全面评价来实现对过程的控制。将FMOC用于列车运行控制的仿真,结果证明了它的适用性。     

Data Management with Risk Management in Engineering and Science Projects

Engineering and Science projects are facing new data management challenges, which are currently being addressed through the development of data management plans. However, project stakeholders are unable to proper assess if their plan is representative of good data management practices. To address this issue, we propose a risk management framework to assist the definition of a data management plan in engineering and science projects. To validate our proposal, we present an application to a civil engineering project concerning dam safety.     

基于MOPSO算法的卫星共形阵列天线多波束形成

针对共形阵列天线多波束方向图综合问题,提出一种基于最大方向性系数方法得到初始非劣解的多目标粒子群算法,求解满足多个期望波束和低副瓣要求的Pareto最优解。算法首先采用多目标分解策略,由多个单波束最优解的加权线性组合得到近最优解的非劣解。然后结合该非劣解,基于粒子空间和目标空间同时约束的局部搜寻策略,使用多目标粒子群算法优化多个波束,并降低副瓣。仿真结果表明,该算法有效地实现了卫星共形阵列天线的多波束形成和低副瓣,且能快速得到Pareto最优解分布。     

基于参考点预测的动态多目标优化算法

为了快速跟踪动态多目标优化问题变化的Pareto前沿,本文提出一种基于参考点预测策略的动态多目标优化算法（PDMOP）.该算法对关联到相同参考点的个体建立时间序列,并对这些时间序列通过线性回归模型预测新环境下种群.同时,将历史时刻的预测误差反馈到当前预测中来提高预测的准确性,并在每个预测的个体上加入扰动来增加初始种群多样性,从而能够加快算法在新环境下的收敛速度.通过4个标准测试函数对该算法测试,并和两个现有算法对比分析,结果表明所提算法在处理动态多目标优化问题时能够保持良好的性能.     

一种基于粒子群优化的多目标优化算法

论文提出了一种基于粒子群的多目标优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值和局部最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分布性能;采用动态惯性权重法来平衡粒子群对解空间的局部搜索和全局搜索,以提高算法的全局收敛性能。实验结果表明,论文算法是有效的,能有效的求解多种多目标优化问题。     

多目标优化算法NSGA-II的改进

该文提出了NSGA-II算法的一种改进算法—INSGA。在引入算术交叉算子的同时,提出并引入累积排序适应度赋值策略。实验表明,INSGA具有更高的收敛速度和更好的种群多样性。     

一类新型动态多目标鲁棒进化优化方法

传统动态多目标优化问题（Dynamic multi-objective optimization problems,DMOPs）的求解方法,通常需要在新环境下,通过重新激发寻优过程,获得适应该环境的Pareto最优解.这可能导致较高的计算代价和资源成本,甚至无法在有限时间内执行该优化解.由此,提出一类寻找动态鲁棒Pareto最优解集的进化优化方法.动态鲁棒Pareto解集是指某一时刻下的Pareto较优解可以以一定稳定性阈值,逼近未来多个连续动态环境下的真实前沿,从而直接作为这些环境下的Pareto解集,以减小计算代价.为合理度量Pareto解的环境适应性,给出了时间鲁棒性和性能鲁棒性定义,并将其转化为两类鲁棒优化模型.引入基于分解的多目标进化优化方法和无惩罚约束处理方法,构建了动态多目标分解鲁棒进化优化方法.特别是基于移动平均预测模型实现了未来动态环境下适应值的多维时间序列预测.基于提出的两类新型性能评价测度,针对8个典型动态测试函数的仿真实验,结果表明该方法得到满足决策者精度要求,且具有较长平均生存时间的动态鲁棒Pareto最优解.     

蚁群遗传算法的多目标优化

为了求解带有约束条件的多目标函数优化问题,提出基于连续空间优化的多目标蚁群遗传算法。针对多目标优化问题的特点,定义连续空间中利用信息量指导遗传搜索策略和信息更新方法,将信息量指导遗传搜索、优秀决策引入、决策集更新、改变算法终止条件等方式相结合,有效地加速了搜索的收敛速度,控制了Pareto最优决策集的数量,扩大了决策的分布范围,维持了决策的多样性。数值实验说明该算法能够快速找到一组分布广泛的Pareto最优决策。     

粒子群优化算法在多目标优化中的应用与仿真

该文结合经济多目标优化的实际问题,对粒子群算法的初始化进行了改进,在给定范围内进行初始化,并且对于复杂域约束优化问题,给出了其实现与仿真。     

燃料电池有轨电车能量管理Pareto多目标优化

节能环保的出行方式得到政府的大力推广, 其中燃料电池混合动力有轨电车由于可无网运行且节能环保而备受关注.为了改善燃料电池/超级电容/动力电池大功率有轨电车的燃料经济性与系统耐久性, 提出一种有轨电车能量管理策略(Energy management strategy, EMS)的多目标优化方法. 首先以氢燃料消耗量和能量源性能衰减率作为评价指标, 建立多目标成本函数. 由于两个指标很难在同一个等式中评价, 设计了基于状态机与非支配排序的能量管理Pareto多目标优化方法, 获得了有轨电车能量管理策略Pareto非劣解集, 并分析了能量管理策略的目标功率参数对性能指标的影响规律, 进而遴选出兼顾燃料经济性与系统耐久性的综合最优解. 结果表明, 与功率跟随策略和基于遗传算法优化策略相比, 该能量管理优化方法的燃料经济性分别提高了29.4 %和2.4 %.     

基于双极偏好控制的多目标粒子群优化算法

考虑双极偏好信息对粒子群的控制作用,提出一种使用双极偏好——正偏好和负偏好引导粒子群向 Pareto 前沿偏好区域进化的方法．根据TOPSIS 决策法思想,将外部种群粒子与正负偏好点的相对贴近度排序作为 外部种群管理和全局最优解更新策略;根据贴近度值确定解集的分布度;选取6 种不同类型的多目标测试函数进行 算法模拟,从世代距离、空间测度和超体积测度3 个指标与基于单极偏好的多目标粒子算法进行性能比较．结果显 示,基于双极偏好控制的多目标粒子群算法的收敛性和综合性能更优秀．