基于模糊满意度的水火电力系统多目标短期优化调度

针对水火电力系统短期经济环境负荷调度多目标优化问题,构建了一种基于粒子群算法的交互式模糊满意度决策方法。通过定义每个目标函数的隶属度函数,把多目标问题模糊化;决策者依据自己的主观意愿来设定每个目标的参考隶属度值;利用参考隶属度值与目标隶属度值之差的绝对值最大最小化的方法,将多目标问题转换为单目标问题;采用粒子群算法求解此单目标优化问题。在决策过程中,决策者对当前解不满意,可应用交互式的方法再次设定参考隶属度值,重新进行求解,直到找到决策者满意的方案为止。算例计算验证了交互式模糊满意度决策方法的有效性和可行性,不仅避免了多目标问题向单目标问题转换过程中目标权重选取的人为任意性,而且能充分体现决策者的主观意愿,便于实际应用操作。     

基于改进粒子群算法的加工方案多目标优化

针对多个加工方案的选择和优化问题,建立了基于粒子群算法的多目标优化数学模型.以生产成本、生产时间、加工质量和生产利润为主要评价指标,利用层次分析法建立阶梯层次模型,根据决策者对各评价指标的不同要求确定了权重.将该方法应用于某汽车变速器四档中间轴齿轮的加工过程中,采用粒子位置取整操作的编码方式,用改进粒子群算法和层次分析法的混合算法进行求解.实例结果分析表明,多目标优化模型能够简单、有效、客观地根据对评价指标的不同要求选择出最优的加工方案.     

带有权重偏好的多目标进化算法

对于现实生活中的一些多目标优化问题,往往存在着多个决策者的偏好.提出了一种新的偏好方式：决策者对目标函数的权重偏好,该方法在Delphi法下由决策者对目标函数的重要性打分形成,能够更好地体现出决策者的偏好,并且简单易行.结合M2M算法,形成了一种求解多目标优化问题的混合算法.数值实验显示,在不同偏好下,多目标优化问题的结果也不一样,这与实际情形相吻合.在实际生活中,这种方法也具有一定的现实意义.     

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。     

一种具有模糊偏好的多目标进化算法

根据各专家对各子目标在多目标优化问题中的重要程度给出的模糊评价，结合决策者的偏好和遗传算法，提出了一种带有模糊偏好的多目标优化算法。该方法利用模糊最大最小集方法将得到的模糊评价值进行解模糊，得到各子目标在多目标优化问题中的权重，将多目标优化问题转化为单目标优化问题，再利用遗传算法求出问题的优化解。最后，利用算例对所给的模糊多目标优化算法进行了说明。     

基于决策者不确定偏好的模糊多属性决策方法

模糊多属性决策中,决策者对于不确定性不同的偏好,会产生对模糊数不同的排序,因而会导致不同的决策结果。为此,在考虑决策者对于不确定性的偏好特性后,给出了决策者的不确定偏好模糊效用函数,并在此基础上提出了一种模糊数的比较和排序的新方法。通过具体的算例,说明了这种方法正确性。     

基于动态模糊混沌粒子群算法的含电动汽车微电网多目标优化调度研究

提出一种基于动态模糊混沌粒子群算法的微电网多目标优化调度方法.利用动态目标函数与模糊理论解决多目标主观权值的缺陷,建立以运行维护成本、环境污染物成本为目标的微电网多目标调度模型.微电网多目标优化调度属于多变量、强非线性优化问题,针对传统粒子群算法求解时容易陷入局部最优等问题,在粒子初始化时,引入一种结合Chebyshev映射和Logistic映射的组合混沌映射,在粒子更新过程中,引入Logistic映射,从而增加粒子寻优的遍历性,加强算法全局优化能力.针对惯性权重在粒子群更新过程中的取值问题,采用迭代次数梯度改变惯性权重的策略.仿真结果证明了算法具有更高的收敛效率和更好的收敛效果.     

多目标混合优化的阈值图像分割

提出了一种多目标混合优化的阈值图像分割算法。该方法以类间方差函数和模糊熵函数为待优化目标函数,为了改善粒子群算法在迭代后期陷入局部最优的问题,在粒子群算法中引入多元宇宙优化算法并产生一组非支配解集;采用混沌搜索策略进行搜索,以更有效地逼近最优阈值;通过类间差异和类内差异的加权比值来选取最优解。仿真结果表明,相较于Otsu算法、多目标粒子群算法以及多元宇宙优化算法,算法的分割准确率较高。     

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。     

基于改进MOPSO的煤炭企业内部供应链优化研究

针对煤炭企业内部供应链优化的高维、非线性问题,构建了以企业利润最大、客户满意度最高为目标函数,以各原煤矿井的原煤生产量、洗煤厂的洗选品种与洗选数量、客户对于企业的重要性、客户对于煤炭品种与规格以及数量和质量要求、煤炭到达目的地的运输方式等准则为约束条件的煤炭企业内部供应链优化模型.面向优化模型求解的难题,在传统粒子群优化算法(PSO)基础上,提出了一种改进的多目标粒子群优化算法(MOPSO),该算法在供应链优化方案生成时可以避免长时间的无效搜索,提高粒子群优化算法的求解效率.通过该方法对某煤炭企业内部供应链多目标优化模型进行仿真分析与计算,验证了该方案的正确性和有效性.     

云环境下基于用户偏好的粒子群优化算法的Web服务选择

针对当前Web服务的海量增加．而现有的服务选择算法低效以及粒子群算法在复杂的组合优化类问题上的不足,该算法分析用户对于Web服务的一些软性偏好,提出了一种在云环境下基于用户偏好的粒子群改进算法的Web服务选择．该算法通过对粒子分群映射、相似分群并行化简,同时利用模糊约束来表达用户的偏好,最终使得用户能够根据偏好从中进行选择．实验表明,该算法能有效减少执行过程@Web服务选择导致的时间开销,并提高服务选择的性能．     

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。     

基于粒子群算法的模糊滤波器优化方法

根据粒子群算法可以搜索全局最优的特点,提出一种新的基于粒子群算法优化模糊隶属函数,从而对带有脉冲噪声图像进行模糊中值滤波的方法.该方法给出一个新的模糊熵定义,采用改进粒子群优化算法寻求隶属函数的最优参数,依照最大熵准则将图像变换到模糊域,然后对需要处理的噪声图像进行滤波.实验表明,提出的方法可以很好地滤除图像中的脉冲噪声,自适应性强.     

基于灰色粒子群算法的可靠性稳健优化设计

为提高车辆零部件的安全性和稳健性,应用可靠性稳健优化设计理论和多目标决策方法,将车辆前轴的可靠性稳健优化设计转化为多目标优化问题。运用灰色理论中的关联分析法,选取粒子群算法中的全局极值和个体极值,提出了适合可靠性稳健优化设计中多目标模型求解的灰色粒子群算法。与传统方法相比,该方法更能迅速准确地得到车辆前轴的可靠性稳健优化设计信息。     

基于新型Memetic算法的多目标优化

为了更好地解决多目标优化问题,提出一种求解多目标优化问题的新型memetic算法。该算法利用微粒子群算法的全局搜索能力和同步启发式局部搜索相结合进行局部微调;利用基于模糊全局极值的概念处理种群中过早出现收敛以及解多样性保持等问题。通过进一步检测得出新算法的特点并展示其在多目标优化问题上的独立性和综合效应。同时应用新型算法对IEEE14节点标准电网进行无功优化计算。结果证明,该新型memetic算法具有很好的寻优能力,验证了该算法的有效性及科学性。     

Multi-objective coordination optimal model for new power intelligence center based on hybrid algorithm

In order to resolve the coordination and optimization of the power network planning effectively, on the basis of introducing the concept of power intelligence center (PIC), the key factor power flow, line investment and load that impact generation sector, transmission sector and dispatching center in PIC were analyzed and a multi-objective coordination optimal model for new power intelligence center (NPIC) was established. To ensure the reliability and coordination of power grid and reduce investment cost, two aspects were optimized. The evolutionary algorithm was introduced to solve optimal power flow problem and the fitness function was improved to ensure the minimum cost of power generation. The gray particle swarm optimization (GPSO) algorithm was used to forecast load accurately, which can ensure the network with high reliability. On this basis, the multi-objective coordination optimal model which was more practical and in line with the need of the electricity market was proposed, then the coordination model was effectively solved through the improved particle swarm optimization algorithm, and the corresponding algorithm was obtained. The optimization of IEEE30 node system shows that the evolutionary algorithm can effectively solve the problem of optimal power flow. The average load forecasting of GPSO is 26.97 MW, which has an error of 0.34 MW compared with the actual load. The algorithm has higher forecasting accuracy. The multi-objective coordination optimal model for NPIC can effectively process the coordination and optimization problem of power network. Foundation item: Project (70671039) supported by the National Natural Science Foundation of China