基于MOPSO算法的营养决策方法

针对营养决策多目标优化模型,提出基于MOPSO(Multi-Objective Particle Swarm Optimization)算法的营养决策方法.提出基于支配原则的选优方案,外部种群Pareto解集与当代解共同参与的竞争原则,最后把MOPSO算法应用到营养分析和决策的优化问题来获求最佳膳食营养结构.结果证明该方法是有效的.     

一种自适应混合多目标粒子群优化算法

文章针对多目标粒子群优化算法多样性损失和收敛性不好的问题,提出了一种自适应混合多目标粒子群优化算法。首先,使用Sobol序列映射决策变量初始值,使得初始解集在全决策空间范围有更均匀的分布。使用线性递减权重法调整粒子群算法的权重,增强算法收敛性。提出了使用基于多样性指标SP的自适应变异算子增加种群多样性的同时,还提出了在最优档案集中,使用基于改进的世代距离指标GD的自适应混沌搜索增强算法局部搜索能力。最后,将文中提出的改进算法与MOPSO(基本多目标粒子群优化算法)和NSGA2对比,结果显示出该算法能够在保持优化解收敛性的同时获得更好的多样性。     

一种基于杂草克隆的多目标粒子群算法

多目标粒子群算法(MOPSO)在优化函数时,尤其对于Pareto前沿是分段不连续的优化函数,存在收敛速度慢,种群多样性差的缺陷。针对此问题,将杂草克隆机制引入MOPSO,提出了一种新的多目标粒子群算法,称之为IWMOPSO。该算法利用改进的档案维护策略和不可行解增强多样性和均匀性,通过标准测试函数验证,能够使所求得的Pareto最优解逼近整个Pareto真实前沿,收敛性和多样性明显优于MOPSO和NSGA-Ⅱ,具有较强的应用性。     

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。     

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。     

基于区域平均梯度与区域能量的图像融合

同时引入区域平均梯度和区域能量,给出一种改进的小波图像融合算法。对图像进行小波分解,得到各自的低频分量和高频分量,对低频部分采用区域平均梯度取大的规则进行融合,对高频部分以区域能量取大的规则进行融合,然后经小波重构得到融合图像。针对多聚焦图像进行的仿真实验结果显示,所给融合算法可改进基于区域平均梯度和基于区域能量的小波图像融合算法的性能,融合图像的模糊现象在视觉效果上有所改善,其峰值信噪比和互信息也有所提高。     

基于小波变换和邻域特征的多聚焦图像融合算法

提出了一种基于小波变换和邻域特征的多聚焦图像融合算法。该算法首先采用小波变换对源图像进行多尺度分解,得到低频和高频子图像;然后对低频子图像采用基于邻域归一化梯度的方法得到低频融合系数,对高频子图像采用基于邻域方差的方法得到高频融合系数;最后进行小波重构得到融合图像。采用均方根误差、信息熵以及峰值信噪比等评价标准,将该算法与传统融合方法的融合效果进行了比较。实验结果表明,该算法所得融合图像的效果和质量均有明显提高。     

多特征融合的相关滤波红外单目标跟踪算法

针对红外单目标跟踪问题,提出一种多特征的相关滤波目标跟踪算法。该算法融合了图像的卷积特征和差分特征,使用卷积特征和差分特征分别训练相关滤波模型。在跟踪阶段,对两种特征的相关滤波模型得到的响应图动态融合,利用动态融合的响应图来确定目标的最终位置,使用得到的目标位置分别更新相关滤波模型。在林雪平热红外数据集上进行了实验验证,与一些经典的跟踪算法进行了对比,表明该算法拥有更高的跟踪准确率。     

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。     

基于多目标区间值模糊聚类的含噪图像分割

针对区间值模糊聚类算法,提出基于多目标区间值模糊聚类的含噪图像分割算法。利用迭代非局部均值算法去除图像中的噪声点,并在其上构造一个区间值模糊图像,然后设计两个区间值模糊聚类有效性函数作为多目标优化的适应度函数,并构造一个融合区间值模糊信息的最优解选取指标。在自然图像和刑侦图像上的实验结果表明,该算法能够在抑制噪声的同时取得良好的分割效果。     

一种新型的带有小生境技术和精英集策略的多目标粒子群算法

为提高多目标粒子群算法的有效性和运行效率,利用小生境技术求解适应度,采取轮盘赌的方法根据精英集中各个粒子的适应度选取全局最佳位置,提出一种新型的带有小生境技术和精英集策略的多目标粒子群算法。论文对算法运行的过程作了调整,加入小概率变异方法,采用测试函数验证算法的有效性。结果表明,在相同的实验环境中本文算法的运行时间为2.113 s,比基于粒子群的多目标优化算法(4.157s)缩短近一半,即本算法的运算效率大大提高了。仿真结果还表明本文中的算法不仅有很好的收敛性,所得的解还有较好的均匀性。     

马氏田口系统的量子行为二进制粒子群特征选择优化方法

针对标准二进制粒子群用于马氏田口系统的特征选择优化时,存在迭代速度慢,容易陷入局部最优解等不足,提出一种改进的基于量子行为二进制粒子群的马氏田口系统变量选择优化方法。首先,为了规避可能存在的复共线性特性对距离度量结果的影响,本研究采用Gram-Schmidt正交化法计算马氏距离值,对系统进行标准化处理,对各属性向量进行正交化后计算各类别的马氏距离集合,通过ROC曲线确定系统分类的最佳阈值点,定义误分类率概念和被选择变量占比最小作为变量筛选标准,构建多目标的混合规划模型。运用改进的量子行为粒子群算法求解优化组合,为适应二值化的变量优化问题,算法基于概率对粒子进行二进制编码,求取目标函数的适应值,并完成粒子群的优化迭代过程。采用优化的变量组合,构建精简的马氏田口系统,建立度量预测模型,完成精确判别的任务。最后,以胎心分娩力造影术测量的胎儿健康诊断为例,对标准二进制粒子群算法和二进制量子粒子群优化算法进行对比验证,实验结果表明,本文方法可以有效地提升粒子的迭代速度和寻优精度,优化后的马氏田口系统的预测准确率明显提高。     

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.     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

基于粗糙集理论的风光蓄互补系统优化模型

为了解决风光波动性对系统安全调度和稳定运行的影响,以系统运行成本最小和系统污染排放量最小为目标,构建风光蓄集成互补系统. 基于粗糙集理论和模糊C均值聚类算法,分别确定多目标调度中经济目标和环境目标的权重;提出基于粒子群变异策略和计及约束边界的信息共享方法的改进粒子群优化(PSO)算法,求解多目标调度优化问题;以我国西南地区某省风光蓄集成互补系统为例开展算例仿真,验证所提模型的科学性和实用性. 研究结果表明,与单目标调度相比,多目标调度兼顾经济性和环境性,所提混合粗糙集-改进粒子群算法的收敛精度更优,提高了系统的经济效益和环境效益. 引入抽水蓄能机组,对于实现系统多能源协同互补运行具有重要的意义.     

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。     

基于自适应的配电网分布式电源优化配置研究

针对分布式电源接入配电网引起的电压越限和电能质量下降等问题,提出了一种具备自适应特性的分布式电源优化配置方法. 建立了光伏、风电两种典型分布式电源的数学模型,分析其功率输出特性. 构建了同时考虑发电成本、环境成本、有功网损折算成本三项指标的分布式电源优化配置模型. 针对多目标函数和多约束条件的优化配置模型,应用自适应粒子群算法求解,实现学习因子和惯性权重自适应调整以提高算法的寻优性能,由此得到分布式电源的最佳接入位置和容量. 最后,以IEEE33节点配电系统为例进行仿真验证. 结果表明,自适应粒子群算法与传统粒子群算法和混沌粒子群算法相比,求解得到的优化配置方案可达到更好的供电可靠性和经济性要求.     

车辆钢板弹簧的多目标可靠性稳健优化设计

为提高车辆钢板弹簧的安全性和稳健性,运用可靠性稳健优化设计理论和多目标思想,为车辆钢板弹簧建立一个可靠性稳健优化设计的高维多目标模型。为提高模型的求解精度,利用层次分析法选取粒子群算法中的全局极值和个体极值,提出了基于层次分析法的多目标粒子群算法。与传统方法相比,利用该算法进行可靠性稳健优化设计高维多目标模型求解,简便易行并能迅速准确地得到车辆钢板弹簧的可靠性稳健优化设计信息。     

Multi-objective Optimisation Design of Water Distribution Systems: Comparison of Two Evolutionary Algorithms

In order to compare two advanced multi-objective evolutionary algorithms, a multi-objective water distribution problem is formulated in this paper. The multi-objective optimization has received more attention in the water distribution system design. On the one hand the cost of water distribution system including capital, operational, and maintenance cost is mostly concerned issue by the utilities all the time; on the other hand improving the performance of water distribution systems is of equivalent importance, which is often conflicting with the previous goal. Many performance metrics of water networks are developed in recent years, including total or maximum pressure deficit, resilience, inequity, probabilistic robustness, and risk measure. In this paper, a new resilience metric based on the energy analysis of water distribution systems is proposed. Two optimization objectives are comprised of capital cost and the new resilience index. A heuristic algorithm, speed-constrained multi-objective particle swarm optimization (SMPSO) extended on the basis of the multi-objective particle swarm algorithm, is introduced to compare with another state-of-the-art heuristic algorithm, NSGA-II. The solutions are evaluated by two metrics, namely spread and hypervolume. To illustrate the capability of SMPSO to efficiently identify good designs, two benchmark problems (two-loop network and Hanoi network) are employed. From several aspects the results demonstrate that SMPSO is a competitive and potential tool to tackle with the optimization problem of complex systems.