多目标遗传算法和决策在船型论证中的应用

船型技术经济论证是一个多准则、多目标的优化和决策过程.针对船型方案论证工作,引入多目标遗传算法(MOGA)和决策技术,建立了船型论证的两阶段方法;并以船型主尺度参数作为设计变量,根据船型论证的目标函数和约束条件建立了多目标优化模型.第一阶段采用多目标遗传算法获得船型论证优化模型的Pareto解集;第二阶段采用客观赋权方法获取备选方案属性的权重,根据与理解之间距离远近给出Pareto解集排序.最后讨论了一艘内河集装箱船的船型论证算例,并且与通常使用的网格法、宽容度排序法、加权和方法的结果进行了比较.算例结果表明,建立的2阶段方法具有良好的适应性,能够获得比较丰富的备选方案集,利于决策者选择.     

计及补偿地点的DNSGA_Ⅱ多目标无功优化

考虑电压/无功灵敏度分析法确定的无功补偿位置,提出一种DNSGA_Ⅱ多目标无功优化方法.该方法采用自适应的交叉、变异概率,保留了种群的多样性,同时减少排序群体数目,从而减少程序运行时间.IEEE 33节点和IEEE 30节点算例系统的仿真结果表明,算法具有良好的全局搜索寻优性和收敛能力,能够有效地改善系统运行质量.算法所得的Pareto最优解允许决策者依据个人偏好选择最优方案,提高了决策的灵活性和自主性.     

贝叶斯优化算法在多目标优化问题中的应用

贝叶斯优化算法是近年来在进化算法领域兴起的一种新兴算法,用贝叶斯网络概率模型来显式地反映变量之间的依赖关系及可行解的分布,更符合实际问题的本质,在众多领域获得应用。针对多目标优化问题,在Pareto优化概念的基础上,用非占先排序及拥挤距离的方法来选择群体,形成解决多目标优化算法的Pareto贝叶斯优化算法,实验结果表明,Pareto贝叶斯优化算法要优于经典多目标优化算法NSGA-II。     

基于特征解选取的高维多目标可视化研究

为了解决高维多目标优化问题中有效可视化Pareto最优解集这一难题,提出了一种基于特征解选取的n维图表可视化技术.首先,针对多目标优化问题的特性,提取Pareto最优解集中特征性明显的特征解;然后,针对不同的决策需求提出2种目标信息共享机制,将特征解各目标信息共享后进行有效排序分层;最后,以子图表形式进行绘制.该方法有效去除Pareto最优解集中性能相近的冗余解,对特征解各目标数据信息、性能优劣变化趋势及决策者的决策信息进行可视化.基于此思想设计的高维多目标可视化模型,方便决策者对Pareto最优解集的分析和决策.     

基于改进NSGA-Ⅱ的梯级水电站多目标发电优化调度

在一种典型多目标进化算法NSGA-Ⅱ基础上做了以下改进：1）引入了外部档案集并提出一种基于局部搜索的算子,用于提高其收敛性及非劣解的分布性;2）为了便于决策者决策,采用一种基于偏好的简单有效决策方法优选调度方案;3）为提高算法的效率,在建立偏序集时,采用快速排序算法对子目标进行排序.最后,采用改进NS-GA-Ⅱ算法求解...     

高占比新能源电源接入区域电网的无功优化策略研究

从高占比风电、光伏接入电网运行的安全性和稳定性等方面综合考虑,建立了以电压偏移量和网损最小为目标的无功优化模型。利用MATLAB软件对风电、光伏电站接入IEEE-33节点系统进行无功优化仿真分析,采用多目标粒子群（MOPSO）算法进行无功优化调度方案求解。基于Pareto前沿解的MOPSO算法可为决策者根据不同需求提供方案,并且同时达到提高测试系统的电压稳定性、降低网损的目标,验证了所提优化策略的有效性。     

一种新的差分进化约束优化算法

对于约束优化问题,目前提出的差分进化算法大多采用罚函数法,但此方法对罚参数有很强的依赖性.基于此,把约束优化问题中的约束条件当作一个目标函数,从而把约束优化问题转化为有两个目标函数的多目标优化问题.借鉴多目标优化中的Pareto的概念,对种群中的个体规定等级,便于在优胜劣汰过程中确定选择概率.同时,在算法陷入局部最优时,采用一种不可行解替换机制来提高算法搜索能力.对13个标准测试问题的测试结果表明,与动态惩罚函数的进化算法、可行性规则的差分进化算法、采用随机排序的进化策略以及人工免疫响应约束进化策略相比,新算法在求解精度上均具有一定的优势.     

柔性作业车间多目标调度优化研究

研究了多目标柔性作业车间调度问题（FJSP）,提出了一种基于Pareto的混合遗传算法,并建立了包括生产周期、总拖期时间和机床负载在内的多目标优化模型．该算法采用基于工序的编码方式和活动化解码方法,将Pareto排序策略与Pareto竞争方法结合起来．为了保证解的多样性,采用小生境技术并同时使用多种交叉方法,用Pareto解集过滤器保存进化过程中的最优个体,防止最优解的遗失．算法最后给出问题的Pareto最优解集．仿真试验证明,提出的混合遗传算法可以有效解决多目标FJSP．     

机械产品曳引系统的优化设计方法

针对机械产品曳引系统的性能优化,应用非支配排序遗传算法（NSGA II）求解曳引性能的三目标优化问题,即最大曳引效率、最小曳引功率和最小制动力矩.根据曳引性能优化模型中设计变量分为连续值和离散值的特点,引入浮点数与二进制数混合编码策略.通过改进NSGA II的二进制交叉、变异规则,保证了设计变量的全局寻优能力和有效性,使得算法一次运行就能够求得分布均匀的Pareto最优解集.实验数据分析表明,采用混合编码策略,NSGA II算法较线性加权法和Pareto强度进化算法（SPEA）能够获得边界性和分布性更好的Pareto最优前沿.     

混流双边拆卸线平衡问题的精英差分进化算法

针对双边拆卸过程中产品单一且存在的负载不均衡和环境污染等现象,以最小化工作站数、负载均衡指标、需求指标和危害指标为优化目标,建立多目标、多产品双边拆卸线数学模型。首先,结合混流拆卸问题特征,设计了一种精英差分进化算法对所提模型进行求解,该算法设计了一种新的编码-解码方式贴合实际拆卸过程;其次,结合精英策略改进自身随机过程与进化过程;最后,采用Pareto比较和NSGA-II机制筛选非劣解。通过与双边拆卸现有实例对比,验证了算法的可行性和良好的求解性能。并将所建模型与本文算法运用于混流电视机拆卸案例,求解得到多组较优方案供决策者选择。     

金沙江下游梯级水库群多目标兴利调度模型及应用

多目标兴利调度是充分发挥金沙江梯级水库群综合效益的重要课题,如何科学控制上下游梯级水库蓄泄方式、协调不同兴利调度目标间的竞争关系,是金沙江梯级水库群水资源高效利用的关键科学问题。本文在分析发电效益、航运效益和容量效益间竞争与冲突关系的基础上,建立了以总发电量最大、通航流量最大、时段保证出力最大为目标的梯级水库群多目标兴利调度模型,并采用多目标进化算法对其进行求解,得到了不同频率来水情况下多目标兴利调度方案集,可为金沙江梯级水库群联合调度提供科学的决策依据。     

柔性作业车间分批调度多目标优化方法

为了解决柔性作业车间中小批量工件的分批调度多目标优化问题,构建以制造工期、拖期惩罚、加工成本、批次数量和机器总负荷为目标函数的柔性作业车间多目标调度模型.应用改进的强度Pareto进化算法（SPEA）求解.在该算法中,应用模糊c 均值聚类（FCM）加快外部种群的聚类过程,引入自适应的变异算子来增强解的多样性.采用约束Pareto支配和可变长度的编码策略,一次运行就能够求得Pareto最优解集.利用模糊集合理论得到Pareto解的优先选择序列,并从中选出一个最优解.该方法将工件分割成具有柔性数量的多个批次,使各批次的工艺路线选取及加工顺序得到优化.通过实例仿真对该方法的性能进行比较分析.将该方法应用于某机械公司车间调度中,验证了该方法的有效性和适应性.     

基于区间优势可能势的模糊折衷型防洪多目标多属性决策方法

通过综合考虑防洪多目标调度中的各种风险因素,提取了影响水库群防洪需求的若干风险指标,针对防洪多目标方案集的决策优选问题,提出了一种基于区间优势可能势的模糊折衷型多属性决策方法,建立了多属性目标的决策矩阵,避免了备选方案的模糊性和不准确性。并根据区间数的可能度对各方案进行优属度排序,分别选取各属性下的正、负理想方案。另外,还提出了一种描述备选方案与理想方案差异度的优势可能势,更加精确地度量不同方案之间的优劣程度。并在此基础上,采用模糊折衷型多属性决策方法,结合不同属性的主观权重,对备选方案进行优选和排序,得到了满足实际需求的多属性决策最佳优选方案。     

改进的多目标粒子群优化算法及其在雷达布站中的应用

为更好地解决多目标问题,提高多目标优化算法的多样性和收敛性,提出一种改进的多目标粒子群优化算法。算法将种群分为多个子种群同时进行优化搜索并改进粒子速度更新公式,扩大Pareto最优解集的覆盖面;利用反三角函数logistic映射初始化种群,使初始种群分布更均匀;并使用时变变异方法对外部档案进行变异,避免陷入局部最优。通过与标准多目标粒子群优化算法(MOPSO)和NSGA-Ⅱ在标准测试函数ZDT1、ZDT2、KUR上的仿真实验对比,验证了该文提出的改进算法的有效性,并将其应用于雷达优化布站。     

基于PSO的电力系统环境经济负荷调度

针对基于线性加权和处理成单目标优化问题的传统方法存在的缺陷,提出使用粒子群优化算法求解EELD多目标优化问题。该方法通过对粒子群算法个体极值和全局极值选取方式的改进,实现了对EELD多目标优化问题的非劣最优解集的搜索,为决策者提供了丰富的参考信息。在此基础上,应用模糊满意度方法求出的最优折衷解为调度运行人员提供了最佳调度折衷方案。最后,对一个三机系统进行了测试,并与线性加权人工神经网络法进行了比较分析,仿真结果验证了该方法的有效性。     

多目标进化算法在物流配送中心选址中的应用

传统的物流配送中心选址模型过于单一地追求物流成本的最小化,而没有考虑服务的质量与效率．本文将顾客时间满意度作为度量物流服务水平的一个标准,提出了物流配送中顾客时间满意度的计算方法,建立了以物流成本最小化和时间满意度最大化为目标的物流配送中心选址多目标优化模型．采用一种基于NSGA一Ⅱ的多目标进化算法来求解,通过选择合适的编码方法和遗传算子可以得到模型的最优解,并通过实际算例说明了模型和算法的有效性．该模型能一次得到多组有效解,从而可以为物流配送中心选址提供更加全面的决策支持．     

改进多目标进化算法的云工作流调度

针对云计算和云存储资源复杂变化的定价机制给云工作流调度带来了极大的挑战问题,建立了考虑定价机制的多目标云工作流调度模型。针对云工作流调度问题的特点,设计了一种实数编码机制,使得现有的基于实数编码的交叉算子能够直接用于求解云工作流调度问题,从而避免了现有组合优化方法需要进行解的可行性修正的问题。进一步在MOEA/D算法框架下,设计了一种启发式局部搜索策略,提出了一种新的进化多目标云工作流调度算法。仿真试验结果表明,与目前主流的进化多目标优化算法相比,该算法在求得帕累托最优解集的宽广性和均匀性上具有明显的优势,且算法稳定性更好。该方法对于云平台资源利用率的提升具有重要的应用价值。     

基于量子粒子群的软件模糊可靠性分配模型

针对软件可靠性分配中存在多个优化目标的问题,提出了一种新的模糊多目标分配模型,并采用量子粒子群优化算法求解该模型。将软件可靠性和成本作为模糊目标函数,通过三角形隶属函数对模糊目标进行处理,将优化后的量子粒子群算法用来求解软件模糊可靠性分配模型。实验结果验证了文章提出的软件模糊可靠性分配模型是有效的,多目标的Pareto最优解为可靠性和成本之间的决策提供了依据。     

基于MOPSO算法的斜拉桥索力优化分析

针对斜拉桥设计和监控计算中合理成桥状态和施工状态索力的确定问题,提出了一种基于MOPSO算法的斜拉桥索力优化方法。该方法在PSO算法的基础上通过增加外部储备集和优化更新策略来适应多目标、多约束的索力优化,较单目标优化方法仅有单一解的局限性,MOPSO算法考虑因素更全面,得到的Pareto最优解集可供决策者根据经验进一步筛选。采用Python编程语言,联合有限元软件编写基于该方法的优化程序,选取主塔、主梁的弯曲应变能之和,主塔成桥后在恒载作用下的纵桥向位移平方和作为目标函数,以施工过程及成桥后结构处于安全状态和索力总体分布均匀作为约束条件。工程算例优化结果表明,该方法能够快速搜寻到Pareto最优解集,并从中筛选出最优解,其结构应力处于安全范围,主塔线形合理,索力总体分布均匀。该方法可应用于斜拉桥成桥和施工阶段索力的确定及梁拱组合体系桥梁吊杆索力的确定。     

基于云差分进化算法的约束多目标优化实现

针对现有约束多目标算法存在收敛性、分布性不高等问题,提出一种基于云差分进化算法的约束多目标优化方法,通过云模型对差分进化算法的参数进行自适应处理;采用建立外部种群分别存储可行解和不可行解的方式处理约束条件,并对已有可行解集的更新方法进行改进,有效提高解集的分布性.提出新的变异策略,利用优秀可行解和不可行解的方向信息增强算法对解的探索能力.通过对CTP类标准问题的求解表明,与另外2种较为优秀的约束多目标算法相比,本算法显著提高了Pareto解集的分布性,且更接近于真实的Pareto前沿,有效地解决了约束多目标问题.