蒸馏与换热协同的约束多目标在线操作优化方法

针对蒸馏装置与换热网络间缺乏协同优化导致的分馏精度差和能耗高的问题,提出了一种基于代理模型的约束多目标在线协同操作优化方法.为了解决蒸馏装置与换热网络操作参数协同优化时存在的计算耗时和约束的问题,构建Kriging代理模型来近似目标函数和约束条件,提出了基于随机欠采样和Adaboost的分类代理模型（RUSBoost）来解决类别不平衡的收敛判定预测问题.提出了基于多阶段自适应约束处理的代理模型的模型管理方法,该方法采用基于参考向量激活状态的最大化改善期望准则和可行概率准则更新机制来平衡优化初始阶段种群的多样性和可行性,采用支配参考点的置信下限准则更新机制加快收敛速度.通过不断与机理模型交互来在线更新代理模型,实现在线操作优化.通过测试函数和仿真实例验证了本文方法的有效性.     

一种基于自适应代理模型的并行贝叶斯优化方法

提出一种基于自适应代理模型的并行贝叶斯优化方法,用于求解计算成本高的复杂优化问题.该方法基于多点期望改进判据,通过批次采样实现并行优化.针对并行优化产生的大量历史数据会导致全局代理模型建模成本高的问题,提出一种改进的基于数据并行的高斯过程建模方法,在线构造局部代理模型.此外,针对多点期望改进判据计算成本高的问题,提出一种启发式的分层优化策略,通过序贯优化基于自适应代理模型的单点期望改进判据,近似计算多点期望改进判据.最后通过5个测试问题验证所提出方法的有效性.     

基于代理模型的武器装备体系优化算法研究

体系优化是装备体系研究的核心问题,但是基于仿真的武器装备体系优化方法存在寻优效率低、费用高昂的缺陷。本文结合武器装备体系优化问题的特点,提出基于代理模型的武器装备体系优化算法,其中选用Kriging模型作为代理模型,通过均匀设计方法生成初始样本点,运用EI函数进行代理模型更新,采用最速下降法进行迭代优化。示例验证表明,较之仿真方法及多项式响应曲面方法,该算法具有较高的寻优精度和收敛速度,对提高武器装备体系优化的效率具有较高的理论和实用价值。     

一种基于多代理模型的混合整数规划优化方法

提出一种基于多代理模型的优化方法,求解混合整数规划问题.首先,基于群智能优化策略提出一种基于多群体协作模型的采样方法,保证候选解的正确性和多样性;其次,采用基于数据并行的高斯过程建模方法,在线构造局部代理模型;再次,通过多代理模型对候选解进行预筛选,实现与粒子群算法的协同优化;最后,通过14个测试问题和一个基于数据驱动的模型参数选取问题,验证所提出方法的有效性.     

基于改进集成学习分类的代理辅助进化算法

当使用代理辅助进化算法求解昂贵高维多目标优化问题时,代理模型通常用于近似昂贵的适应度函数.然而,随着目标数的增加,近似误差将逐渐累积,计算量也会急剧增加.对此,提出一种基于改进集成学习分类的代理辅助进化算法,使用一种改进的装袋集成学习分类器作为代理模型.首先,从被昂贵的适应度评价的个体中选择一组分类边界,将所有个体分成两类;其次,利用这些带有分类标签的个体训练分类器,以对候选个体的类别进行预测;最后,选择有前途的个体进行昂贵适应度评价.实验结果表明,算法中所提出的代理模型可有效提高基于分类的代理辅助进化算法求解昂贵高维多目标优化问题的能力,且与目前流行的代理辅助进化算法相比,基于改进集成学习分类的代理辅助进化算法更具竞争力.     

一种新的基于分区的多媒体代理协作管理策略

多媒体代理缓存是提高媒体流化质量和减轻网络负载的重要手段，将基于协作的多媒体代理缓存技术引入无线网络，提出一种新的分区缓存管理模型（Partition-based caching manager,PBCM)，通过对系统中各个代理的部分缓存空间（称为静态分区）采取集中式管理，可以合理配置缓存资源，降低缓存的冗余度，从全局角度优化系统的整体性能，具体地，PBCM中制定了一种全局对象放置策略来管理静态分区缓存的内容，该策略被模型化为一个优化问题，并采用改进遗传算法来求解，仿真实验表明该模型及算法是有效可行的。     

基于多点加点准则的代理模型辅助社会学习微粒群算法

代理模型辅助的进化算法目前已广泛用于解决计算代价高的复杂优化问题.然而,大多数现有的代理辅助进化算法只适用于低维问题且仍然需要数千次昂贵的真实适应值评价来获得较优解.为此,提出一种基于多点加点准则的代理模型辅助的社会学习微粒群算法,用于解决高维问题并使用更少的评价次数.该算法选用高斯过程构造代理模型,以社会学习微粒群算法(SLPSO)作为优化器,提出一种基于相似度的多点加点规则(SMIC),用于选取需要使用原函数进行实际计算的候选解.在仿真实验中将该方法与现有研究成果进行比较,通过对50维sim100维的基准函数的测试,验证了所提出算法在有限的适应值计算次数下拥有更好的寻优性能,尤其是在高维优化问题上拥有更显著的优势.     

基于代理模型和遗传算法的仿真优化研究

首先由已知样本建立神经网络作为代理模型，替代费时的仿真评价而快速给出近似目标值；然后基于代理模型，采用GA进行决策量寻优．为增强优化结果的可靠性和一致性，讨论了按问题信息选取样本和多模型方法.基于典型压力管设计问题的数值仿真，验证了所提出方法的可行性和有效性，其结果明显优于现有文献结果.     

基于Kriging代理模型的自适应序贯优化方法

提出了一种基于Kriging代理模型的自适应序贯优化算法。首先分析了代理模型使用不当引发的局部收敛问题,然后采用小生境微种群遗传算法求解EI函数来得到校正点,用以更新Kriging模型。这种选择校正点的方法使得优化过程避免陷入局部极值点。通过对4个典型函数优化实例进行实验,并与其他算法的结果作比较,其结果表明,新算法在解的精度、收敛性和收敛速度上表现出很好的性能,并且对所优化的问题没有特殊的要求,具有很强的工程实用价值。     

可复用的基于移动代理的网管系统模型

提出了一种基于移动代理的可复用网管系统模型.这一模型的核心内容是任务代理、导航代理和代理池,通过这三个部分的协同工作来实现系统对于子网的透明性,即系统的可复用性;提出了多代理协作和多代理分组传输的优化方法,通过优化,改善该模型下系统的运行性能.实验结果表明,该模型有效地屏蔽了子网差异性,提高了网管系统的运行效率.     

Optimization of earth observation satellite system based on parallel systems and computational experiments

Earth observation satellite system (EOSS) is the main space platform to collect ground information. Optimization of EOSS is still a difficult problem, as it is a complex system concerning a great deal of design variables and uncertain factors. To solve the problem, an optimization framework based on parallel system and computational experiments is proposed. An artificial system for EOSS is firstly constructed, which is the integration of resource data, task data, environment data and related operation rules. Real EOSS together with artificial EOSS constitute the parallel systems for EOSS. Based on the parallel systems, concept of computational experiments is detailed. Moreover, surrogate models are built to approximate real EOSS. Genetic algorithm and improved general pattern search method are adopted to optimize the model. According to the framework, a case study is carried out. Through the results, we illustrated the proposed framework to be useful and effective for EOSS optimization problem.     

随机漂移粒子群算法的RZWQM替代模型参数优化

根区水质量模型（Root Zone Water Quality Model,RZWQM）被广泛应用于刻画土壤水文循环过程对作物生长的影响,并通过模型率定模拟指导农业生产管理。然而RZWQM模型的一次率定需要较长时间,在可接受时间范围内找到一组合适的模型参数是一件较困难的工作;同时传统的模型参数试错法依赖于使用者的专业知识和经验,也需要多次尝试才能达到较满意的模拟效果。提出使用稀疏网格方法建立RZWQM模型的近似替代模型,并使用随机漂移粒子群优化算法对替代模型进行自动参数优化,将优化后的参数用于RZWQM模型的实际应用模拟。替代模型近似精度高,率定速度快,大大节省了模型参数优化的计算开销。最后将提出的稀疏网格近似替代模型方法结合随机漂移粒子群优化算法使用美国爱荷华州5年玉米-大豆间中的作物产量、排水流量、[NO-3]-N流失量田间实测数据进行了验证分析。结果显示该方法能够极大地提高模型参数优化效率和节省人力;同时,通过模型性能评价指标PBIAS、NSE和RSR的数值比较也表明该方法优化后的RZWQM模型性能要好于传统试错法的模型性能。     

基于组合优化的Kriging参数估计算法

在使用常微分方程组描述的数学模型进行参数估计时,本文使用Kriging代理模型完成优化过程。该代理模型通过少量数据点的训练即可部分替代计算费时的原始目标函数优化过程,因此可以节省大量的计算时间。在Kriging代理模型精化过程中,查找新增点的优化算法对参数估计的结果有重要影响。本文针对非线性且具有sloppiness属性的常微分方程组形式的参数估计问题,组合具有二阶动量特征的Adam算法及一阶动量梯度下降算法的各自优势用于搜索模型精化时所需添加的新样例点,从而提高收敛速度及查找质量。通过与其他优化算法相比对,验证了该组合算法的实际有效性。     

异构集成代理辅助多目标粒子群优化算法

针对代理辅助进化算法在减少昂贵适应度评估时难以通过少量样本点构造高质量代理模型的问题,提出异构集成代理辅助多目标粒子群优化算法。该方法通过使用加权平均法将Kriging模型和径向基函数网络模型组合成高精度的异构集成模型,达到增强算法处理不确定性信息能力的目的。基于集成学习的两种代理模型分别应用于全局搜索和局部搜索,在多目标粒子群优化算法框架基础上,新提出的方法为每个目标函数自适应地构造了异构集成模型,利用其模型的非支配解来指导粒子群的更新,得出目标函数的最优解集。实验结果表明,所提方法提高了代理模型的搜索能力,减少了评估次数,并且随着搜索维度的增加,其计算复杂性也具有更好的可扩展性。     

A rule-based method for automated surrogate model selection

Surrogate models have been widely used in engineering design because of their capability to approximate computationally complex engineering systems. In practice, the choice of surrogate models is extremely important since there are many types of surrogate models, and they also have different hyper-parameters. Traditional manual selection approaches are very time-consuming and cannot be generalized. To address these challenges, an evolutionary algorithm (EA)-based approaches are proposed and studied. However, they lack interpretability and are computationally expensive. To address these gaps, we create a rule-based method for an automatic surrogate model selection called AutoSM. The drastic increase in the selection pace by pre-screening of surrogate model types based on selection rule extraction is the scientific contribution of our proposed method. First, an interpretable decision tree is built to map four critical features, including problem scale, noise, size of sample and nonlinearity, to the types of surrogate model and select the promising surrogate model; then, a genetic algorithm (GA) is used to find the appropriate hyper-parameters for each selected surrogate model. The AutoSM is tested with three theoretical problems and two engineering problems, including a hot rod rolling and a blowpipe design problem. According to the empirical results, using the proposed AutoSM, we can find the promising surrogate model and associated hyper-parameter in 9 times less than other automatic selection approaches such as concurrent surrogate model selection (COSMOS) while maintaining the same accuracy and robustness in surrogate model selection. Besides, the proposed AutoSM, unlike previous EA-based automatic surrogate model selection methods, is not a black box and is interpretable.     

结合特征扰动与分配策略的集成辅助多目标优化算法

代理模型利用近似预测代替算法对多目标优化问题的真实评价,大幅减少了算法寻优所需的真实适应度评估次数。为提高代理模型在求解高维问题时的准确性并降低计算开销,提出一种基于特征扰动与分配策略的集成辅助多目标优化算法。将径向基函数网络代理模型与支持向量机回归代理模型作为集成过程中的基模型,降低算法在高维问题上的计算开销。结合特征扰动与基于记忆的影响因子分配策略构建集成代理模型,提高集成准确性。使用集成预测值与不确定信息加权辅助管理集成代理模型,平衡全局搜索与局部探索,增强算法在目标空间中的寻优能力。实验结果表明,该算法在ZDT1~ZDT3和ZDT6测试问题上所得解集的分布性与收敛性相比经典算法更好,并且当决策变量维数增加时,使用集成代理模型相比于Kriging代理模型约减少了90%的适应度评估次数,同时可获得更准确的预测结果。     

基于代理模型的差分进化约束优化

针对耗时计算目标函数的约束优化问题,提出用代理模型来代替耗时计算目标函数的方法,并结合目标函数的信息对约束个体进行选择,从而提出基于代理模型的差分进化约束优化算法。首先,采用拉丁超立方采样方法建立初始种群,用耗时计算目标函数对初始种群进行评估,并以此为样本数据建立目标函数的神经网络代理模型。然后,用差分进化方法为种群中的每一个亲本产生后代,并对后代使用代理模型进行评估,采用可行性规则来比较后代与其亲本并更新种群,根据替换机制将种群中较劣的个体替换为备用存档中较优的个体。最后,当达到最大适应度评估次数时算法停止,给出最优解。该算法与对比算法在10个测试函数上运行的结果表明,该算法得出的结果更精确。将该算法应用于工字梁优化问题的结果表明,相较于优化前的算法,该算法的适应度评估次数减少了80%;相对于FROFI（Feasibility Rule with the incorporation of Objective Function Information）算法,该算法的适应度评估次数减少了36%。运用所提算法进行优化可以有效减少调用耗时计算目标函数的次数,提升优化效率,节约计算成本。     

Operation optimization of hydrocracking process based on Kriging surrogate model

Hydrocracking is one of the key technologies in oil refining. It has become a critical secondary processing unit in the refinery for improving the quality of product oil and increasing the light oil volume of production. As such, operation optimization for this process is significant. The basis of operation optimization is the model, and several mechanisms for hydrocracking models have been proposed and studied. However, these models usually require time consuming and exhibit low efficiency especially when applied to optimize operating conditions. In this study, a Kriging surrogate model of hydrocracking is developed based on the mechanism and industrial data. An optimization algorithm is then proposed to optimize operating conditions. The proposed algorithm integrates adaptive step-size global and local search strategy (GLSS) for minimizing the predictor. Simulation results indicate that this optimization strategy integrating GLSS and Kriging surrogate model obtains better revenue of the process production than conventional algorithms such as EGO, DDS, and CAND.     

基于增强蚁群优化的海量规模MIMO系统快速检测算法

大规模MIMO系统的符号向量检测算法计算复杂度较高,对此结合粒子群优化与蚁群优化提出一种低计算复杂度的海量规模MIMO系统快速检测算法。首先,推导出一种新的概率搜索模型,将基于距离的蚁群搜索与基于速度的粒子搜索结合;然后,将ACO距离指标与PSO的方向、速度指标结合生成一种新的概率指标,将ACO的信息素更新步骤变为PSO速度的更新;最终,将MIMO检测问题建模为路径寻找问题,寻找MIMO符号检测问题的次优解。对比仿真实验结果表明,本算法的检测性能优于部分传统算法以及其他新颖的MIMO检测算法,在获得与最大似然估计检测法接近的误码率性能下,具有极快的计算速度,适用于海量规模的MIMO系统。