一种人工内分泌多目标微粒群方法

借鉴内分泌系统的监督控制机制,提出了一种基于内分泌思想的多目标粒子群优化算法。根据生物体激素调节机制中促激素和释放激素间的相互作用原理,考虑当前非劣解集中的个体对其最临近一类群体的监督控制,在粒子位置的更新过程中,引入当前粒子的类全局最优位置,使粒子位置的更新不仅受粒子运动到当前的最好位置和当前代粒子的最好位置影响,而且受其所属类中最好位置粒子的影响,实现粒子全局信息和局部信息的结合。设计了新的粒子群更新方案,为验证方法的有效性,对几个典型的多目标优化问题进行了仿真实验,通过与MOPSO、NSGA-II两种方法的结果对比,表明算法有较好的收敛性和分布性。     

解决约束优化问题的改进粒子群算法

针对约束优化问题的求解,提出一种改进的粒子群算法（CMPSO）。在CMPSO算法中,为了增加种群多样性,提升种群跳出局部最优解的能力,引入种群多样性阈值,当种群多样性低于给定阈值时,对全局最优粒子位置和粒子自身最优位置进行多项式变异;并根据粒子违背约束条件的程度,提出一种新的粒子间比较准则来比较粒子间的优劣,该准则可以保留一部分性能较优的不可行解;为提升种群向全局最优解飞行的概率,采取一种广义学习策略。对经典测试函数的仿真结果表明,所提出的算法是一种可行的约束优化问题的求解方法。     

基于改进粒子群优化算法的约束多目标优化

针对约束多目标优化问题,提出一种改进的粒子群优化算法,采用距离量度和自适应惩罚函数相结合的约束处理技术,通过可行解比例有效均衡目标函数和约束条件,提高算法的边界搜索能力。定义新的k最近邻聚集密度,保持解集分布性,并将聚集密度和轮盘赌选择相结合选取全局最优粒子。仿真结果表明,该算法在Pareto解集均匀性及逼近性方面均具有优势。     

求解约束优化问题的多目标粒子群算法*

提出一种多目标粒子群算法处理约束优化问题(MOCPSO). 首先将约束优化问题转化为多目标问题, 然后给出一个不可行阈值来充分地利用不可行粒子的信息引导种群的飞行; 并提出一种粒子间的比较准则以比较它们的优劣; 最后, 为了增加种群的多样性, 提升种群跳出局部最优解的能力, 引入高斯白噪声扰动. 选取有代表性的标准测试函数对MOCPSO算法的性能进行仿真实验, 相比较其它算法, 结果显示MOCPSO算法是求解约束优化问题的有效算法.     

求解工程约束优化问题的PSO-ABC混合算法*

针对包含约束条件的工程优化问题,提出了基于人工蜂群的粒子群优化PSO-ABC算法。将PSO中较优的粒子作为ABC算法的蜜源,并使用禁忌表存储其局部极值,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性规则进行约束处理,将粒子种群分为可行子群和不可行子群,并在ABC算法产生蜜源的过程中保留部分较优的可行解和不可行解的信息,弥补了可行性规则处理最优点位于约束边界附近的问题时存在的不足。四个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。     

求解约束优化问题的一种新方法--基于量子粒子群优化算法

在用粒子群优化(PSO)算法求解约束优化问题时,处理好约束条件是取得良好的优化效果的关键。针对群体智能和约束优化问题的特点,提出了一种在每次迭代中有选择地保留一定数量不可行解的方法——DCFI(DirectChooseFixedInfeasiblesolutions)法,并把它结合到最近提出的量子粒子群优化(QDPSO)算法中。该算法可以利用保留下来的不可行解来帮助搜索靠近边界的最优解,同时又可以避免罚因子的选择问题。数值实验显示了该算法的有效性。     

基于多目标粒子群优化算法的装备维修任务分配

装备维修任务分配问题是典型的多约束/多目标/非线性规划问题,利用传统方法无法求解,因此提出了一种约束多目标粒子群算法,并运用该算法对装备维修任务分配问题进行了优化求解。仿真结果表明,约束多目标粒子群算法针对该问题,在不同参数和约束条件下都有很强的收敛寻优能力,能快速产生多个非支配解,是一种高效的算法,对实现装备维修任务分配的客观量化优化决策有重要作用。     

双局部粒子群算法解决环境经济调度问题

提出一种基于双局部最优的多目标粒子群优化算法,与可行解为优的约束处理方法相结合,来求解决非线性带约束的多目标电力系统环境经济调度问题。该算法针对传统多目标粒子群算法多样性低的局限性,通过对搜索空间的分割归类来增加帕累托最优解的多样性;并采用一种新的双局部最优来引导粒子的搜索,从而增强了算法的全局搜索能力。算法加入了可行解为优的约束处理方法对IEEE30节点六发电机电力系统环境经济负荷分配模型分别在几个不同复杂性问题的情况进行仿真测试,并与文献中的其他算法进行了比较。结果表明,改进的算法能够在保持帕累托最优解多样性的同时具有良好的收敛性能,更有效地解决电力系统环境经济调度问题。     

非线性规划问题的极大熵多目标粒子群算法

结合非线性规划的约束条件构造了一个新的极大熵函数,利用该函数将问题转化成了两个目标的多目标优化问题.通过对违反约束动态的进行惩罚,提出了一种新的极大熵多目标粒子群算法.该方法能有效的保持群体中不可行解的一定比例,从而增加了群体的多样性,而且避免了传统的过度惩罚缺陷,使群体更好地向最优解逼近.计算机仿真表明,该算法对非线性规划问题求解是非常有效的.     

多组播路由问题的粒子群优化算法

具有带宽和时延约束的多组播路由优化问题比组播路由问题更加复杂.为了快速求得多组播路由问题的最优解,提出一种基于树结构演化的粒子群优化算法.粒子由以组播树为分量的向量构成,表示问题的一个可行解,粒子飞行通过树的演化实现.通过在粒子群的环状社会结构中引入粒子视觉半径提高粒子的邻域学习能力;采用树结构变异方法对粒子进行变异提高算法跳出局部解的可能性;根据不满足约束条件的状况对非可行解采取分别惩罚粒子和粒子分量的策略.在随机产生的具有26,50和100个节点的网络拓扑上进行了仿真实验,实验结果表明,提出的算法具有更好的求解质量和较快的收敛速度.     

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。     

An efficient metamodel-based multi-objective multidisciplinary design optimization framework

This paper presents an efficient metamodel-based multi-objective multidisciplinary design optimization (MDO) architecture for solving multi-objective high fidelity MDO problems. One of the important features of the proposed method is the development of an efficient surrogate model-based multi-objective particle swarm optimization (EMOPSO) algorithm, which is integrated with a computationally efficient metamodel-based MDO architecture. The proposed EMOPSO algorithm is based on sorted Pareto front crowding distance, utilizing star topology. In addition, a constraint-handling mechanism in non-domination appointment and fuzzy logic is also introduced to overcome feasibility complexity and rapid identification of optimum design point on the Pareto front. The proposed algorithm is implemented on a metamodel-based collaborative optimization architecture. The proposed method is evaluated and compared with existing multi-objective optimization algorithms such as multi-objective particle swarm optimization (MOPSO) and non-dominated sorting genetic algorithm II (NSGA-II), using a number of well-known benchmark problems. One of the important results observed is that the proposed EMOPSO algorithm provides high diversity with fast convergence speed as compared to other algorithms. The proposed method is also applied to a multi-objective collaborative optimization of unmanned aerial vehicle wing based on high fidelity models involving structures and aerodynamics disciplines. The results obtained show that the proposed method provides an effective way of solving multi-objective multidisciplinary design optimization problem using high fidelity models.     

A hybrid multi-objective PSO–EDA algorithm for reservoir flood control operation

Reservoir flood control operation (RFCO) is a complex multi-objective optimization problem (MOP) with interdependent decision variables. Traditionally, RFCO is modeled as a single optimization problem by using a certain scalar method. Few works have been done for solving multi-objective RFCO (MO-RFCO) problems. In this paper, a hybrid multi-objective optimization approach named MO-PSO–EDA which combines the particle swarm optimization (PSO) algorithm and the estimation of distribution algorithm (EDA) is developed for solving the MO-RFCO problem. MO-PSO–EDA divides the particle population into several sub-populations and builds probability models for each of them. Based on the probability model, each sub-population reproduces new offspring by using PSO based and EDA methods. In the PSO based method, a novel global best position selection method is designed. With the help of the EDA based reproduction, the algorithm can lean linkage between decision variables and hence have a good capability of solving complex multi-objective optimization problems, such as the MO-RFCO problem. Experimental studies on six benchmark problems and two typical multi-objective flood control operation problems of Ankang reservoir have indicated that the proposed MO-PSO–EDA performs as well as or superior to the other three competitive multi-objective optimization algorithms. MO-PSO–EDA is suitable for solving MO-RFCO problems.     

均衡分布性和收敛性的多目标粒子群优化方法

粒子群优化（PSO）算法是一种基于群体演化且非常有效的求解多目标优化问题的方法,但因经典算法中粒子进化存在趋同性导致算法易陷入局部Pareto最优前沿,使得解集收敛性和分布性不理想。为此提出了一种均衡分布性和收敛性的多目标粒子群优化（DWMOPSO）算法,算法中每个粒子根据自身在进化过程中记忆的个体最好适应度值构建进化速度,由进化速度的快慢动态调整各粒子惯性权重,增加粒子的多样性,从而提高粒子跳出局部最优解的概率。通过在5个标准测试函数上进行仿真实验,结果表明,与Coello的多目标粒子群优化(MOPSO)算法相比,DWMOPSO算法获得的解集在与真实解集的逼近性和解集的分布性两个方面都有了很大的提高。     

基于模型退化的平面四连杆欠驱动机械系统位置控制

针对第2关节为被动的平面四连杆欠驱动机械系统,提出基于模型退化的分阶段控制策略。首先,建立系统的数学模型,并通过控制第1杆维持初始状态,使系统模型退化;然后,根据第1关节为被动的平面连杆系统的积分特性,得到系统角度约束关系,基于角度关系和目标位置,利用粒子群优化算法获得驱动杆的目标角度;最后,基于Lyapunov函数分阶段设计控制律,实现系统从初始位置到目标位置的控制目标。仿真结果验证了所提出控制策略的有效性。     

基于模糊的多目标粒子群优化算法及应用

粒子群优化算法的思想来源于人工生命和进化计算理论,由于其容易理解、易于实现,在很多领域得到了应用.由于传统的粒子群优化算法无法对多目标优化问题进行求解,因此文中利用模糊理论中的隶属度函数和给定的最优解评估选取原则,提出了一种适合求解约束型多目标优化问题的模糊粒子群算法(FPSO).模糊粒子群算法很好地解决了汽车零部件可靠性稳健优化设计的求解问题,仿真结果证明,该算法可行而有效,同时也拓展了粒子群算法的应用领域.     

多目标粒子群算法在交叉培训规划中的应用

为了进一步提高人力资源交叉培训规划的实用性,增加了对于员工学习行为的考虑,提出了在保证任务覆盖水平的基础上,获得员工满意度最大和学习效率最高的多目标优化模型.本文针对问题的特征,采用多目标粒子群(MOPSO)算法对多目标优化模型进行了求解,并设计了多种算法策略,以适应不同的问题环境.通过数值实验,分析了不同问题规模下,针对不同性能指标算法参数和策略的适用性.最后,以柔性单元装配生产线为例,进行了数值实验,实验结果表明了模型的有效性和合理性.     

Multi-objective based on parallel vector evaluated particle swarm optimization for optimal steady-state performance of power systems

In this paper the state-of-the-art extended particle swarm optimization (PSO) methods for solving multi-objective optimization problems are represented. We emphasize in those, the co-evolution technique of the parallel vector evaluated PSO (VEPSO), analysed and applied in a multi-objective problem of steady-state of power systems. Specifically, reactive power control is formulated as a multi-objective optimization problem and solved using the parallel VEPSO algorithm. The results on the IEEE 30-bus test system are compared with those given by another multi-objective evolutionary technique demonstrating the advantage of parallel VEPSO. The parallel VEPSO is also tested on a larger power system this with 136 busses.     

飞机环控/发动机系统多目标优化分析

一种以系统熵产最小为目标函数的优化方法,应用到飞机环控/发动机系统的综合优化计算。由于在不同飞行阶段为使系统总的熵产减小对设计变量的要求不尽相同,甚至存在冲突,引入多目标优化的思想进行优化计算。将任务剖面内不同飞行阶段系统总的熵产最小视为不同的目标函数,通过分析系统之间交联关系、选取设计变量和分析约束条件建立多目标优化计算模型。采用自适应进化多目标粒子群优化算法对模型进行优化计算,得到非劣最优解集,为方案决策提供理论依据。仿真结果证实该方法的有效性,为飞机系统综合优化提供一种新思路。