圆柱齿轮传动多目标优化的差分进化算法

针对单级斜齿圆柱齿轮传动机构优化设计问题,建立以体积最小化和重合度最大化为目标的约束多目标优化模型。为提高Pareto前沿的分布均匀性和分布广度,将网格Pareto占优技术与约束多目标差分进化算法结合,设计网格占优约束多目标差分进化算法(ε-CMODE)。根据工程实践需要,将离散约束多目标优化模型映射为约束非负整数规划问题,再改进ε-CMODE算法以求解该模型。最后,给出优化设计实例。结果表明,ε-CMODE算法能有效求解齿轮机构多目标优化问题,得到均匀分布的Pareto前沿,可为设计人员提供多组备选解。     

扇形采样约束多目标差分进化算法及工程应用

工程实践中存在大量约束多目标优化问题(Constrained multi-objective optimization problems, CMOPs),多目标进化算法是求解这类问题的一类有效方法。引入扇形采样技术,将二次变异双种群差分进化算法和约束处理方法相结合,设计求解CMOPs的进化算法——基于扇形采样的约束多目标差分进化算法(Sector-sampling-based constrained multi-objective differential evolution algorithm, SS-CMODE)。扇形采样可避免耗时的非劣操作,且能保证Pareto最优解集的良好逼近性和多样性。通过3个典型CMOPs的对比测试,表明SS-CMODE的解集均匀性和计算效率明显优于对比算法。以J23-80机械压力机使用的双曲柄串联机构多目标优化为例,研究新算法求解工程问题的有效性。以锻冲工作阶段平均速度波动最小和力传动性能最优为目标,建立机构的约束多目标优化模型,再应用SS-CMODE求解该问题。结果表明,该算法能求出多组满足约束条件的Pareto最优解,且解集均匀性良好。     

改进差分进化算法求解混合流水车间调度问题

对于求解混合流水车间调度问题,标准差分进化算法存在易陷入局部极值的缺点,为此,以最小化最大完工时间为目标函数建立了仿真优化模型,并提出了一种改进差分进化算法进行求解。将所提算法结合反向学习策略生成初始种群,在差分进化中进一步引入自适应差分因子,并在个体选择机制中引入模拟退火算法的Metropolis准则,有效提高了该算法的全局搜索能力。最后基于不同规模算例对所提算法和经典算法进行了仿真实验结果对比,验证了所提改进差分进化算法的有效性和优越性。     

一种用于多目标约束优化的改进进化算法

当前求解多目标优化的进化算法主要考虑如何处理相互冲突的多个目标间的优化,很少考虑对约束条件处理的问题.对此,给出了一种基于双群体搜索机制的改进差分进化算法,以求解多目标约束优化问题.采用两个不同种群,分别保存可行个体与不可行个体的双群体约束处理策略,利用基于Pareto的分类排序多目标优化技术,完成对进化个体解的评价.并通过群体混沌初始化、自适应交叉和变异操作来提高基本差分进化算法的性能.对三个经典测试函数的仿真结果表明,文中算法在均匀性、逼近性及收敛速度三方面均优于非支配排序遗传算法,而收敛速度也优于另两种改进进化算法.     

动态物流网络多目标优化模型及求解算法

针对动态物流网络优化问题,构建了多阶段三级物流网络模型。为了同时保证物流网络的效益和效率,以产品供应总成本最小和供应总时间最短为目标建立多目标优化模型。针对该模型多目标、多约束且存在时变参数的特点,提出了动态自适应多目标差分进化算法(DSMODEA)对模型进行求解。DSMODEA算法为元启发式智能优化算法,通过比较种群个体的Pareto支配关系和拥挤度距离来判断个体优劣,采用差分进化策略不断迭代收敛。同时,提出了环境变化检测算子、环境变化响应策略和自适应策略以保证算法能很好地求解动态优化问题。算例表明,DSMODEA算法能够求得各阶段物流网络的最佳可行供应方案,且所采用的响应策略和自适应飞行策略大大提高了算法的性能。     

基于隔代映射算子的差分进化算法

提出一种基于隔代映射算子的差分进化算法以求解优化问题,该方法在保证解的精度的同时具有较快的收敛速度。在经典的差分进化算法基础上,采用反向学习策略产生初始种群,并采用两种差分变异策略产生变异个体,以增加种群的多样性;利用隔代映射算子产生三个新个体替换当前进化种群中最差的三个个体,以实现精英策略提升算法的收敛性;为了保持种群的多样性和避免获得局部解,利用探测算子策略产生新个体加入进化种群。采用11个单峰、多峰测试函数和两个工程实例验证了该方法的有效性。     

基于多策略差分进化的元胞多目标遗传算法

针对现有的多目标进化算法在求解复杂的多目标优化问题时收敛性不佳和解的分布性差等问题,提出一种基于多策略差分进化的元胞多目标遗传算法。通过分析不同差分进化模式的优劣,结合元胞模型,定义了一种多策略差分协同进化的选择算子;针对当前拥挤距离评估方法存在的缺陷,引入一种基于熵的拥挤距离评估方法,同时改进了替换策略。通过12个标准测试函数进行测试,证明了新算法相对于非支配排序遗传算法、元胞多目标遗传算法和混合元胞遗传算法,不仅具有更好的收敛性和多样性,而且在解的覆盖率上得到了一定程度的提高,尤其适合于高维复杂多目标优化问题的求解。     

工程约束优化的自适应罚函数混合离散差分进化算法

将离散约束优化问题转化为非负整数约束规划问题,开发求解该问题的离散差分进化算法。该算法采用基于混沌映射的种群初始化、双版本变异和带随机扰动项的取整运算等新策略。针对非线性约束条件,给出惩罚基数的计算方法和连续映射基函数的表达式,在此基础上设计处理非线性约束的自适应惩罚因子。提出一种刻画种群多样性的新测度——种群二次平均基因距离及基于新测度的依概率混沌移民算子。将自适应罚函数法、依概率混沌移民操作与离散差分进化算法有机融合,构造面向工程约束优化的混合离散差分进化算法。对3个离散约束优化实例进行验证,结果表明,混合算法具有良好的鲁棒性且优于离散粒子群算法。应用混合算法求解斜齿圆柱齿轮传动优化设计问题,结果优于遗传算法及其改进算法、离散粒子群算法,目标函数值较遗传算法及其改进算法分别下降41%和10%。     

基于差分进化的多目标异构传感器网络节点部署机制

根据多目标进化算法思想,针对保证异构网络连通覆盖、目标检测率和最小能量消耗的优化目标,提出一种基于多目标优化差分进化算法的求解方案.该算法利用maximin函数逼近多目标优化的Pareto 解,从而获得全局优化的异构传感器网络节点部署解.仿真结果表明该方案能快速收敛于最优解,能有效提高网络性能,并且具有良好的适应性.     

多目标柔性作业车间稳健性动态调度研究

研究了以调度稳定性和鲁棒性为优化目标的柔性作业车间动态调度问题。建立了多目标柔性作业车间动态调度问题模型;针对动态事件特点,采用工件到达发生器和机器故障预维护发生器模拟动态事件,提出了基于周期与事件驱动的混合重调度策略,该策略在每个重调度点对工件进行完全重调度或右移重调度;为克服传统差分算法早熟的缺点,设计了一种改进的多目标差分进化算法求解该调度问题;实例验证了提出策略和算法的有效性。