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.     

基于有约束多目标进化算法的冷轧负荷分配分析

冷轧负荷分配问题可以抽象为一个有约束多目标优化问题。为解决此问题,提出了基于环境Pareto支配选择策略的有约束多目标进化算法。该算法更加客观地评价了两个不同解的优劣,利用优秀不可行解加速算法收敛。以等功率裕量、最小轧制能耗、最小综合打滑函数、末机架板形良好轧制力为优化目标,利用有约束多目标进化算法得到了4个目标函数之间的定量关系,使决策者不需要掌握复杂的轧制理论知识就可以直观地掌握轧制规律,并进一步说明了多目标策略在压下负荷分配中的必要性。     

Pareto多目标遗传算法及其在机械健壮设计中的应用

在机械或结构的优化设计中 ,普遍存在约束的作用 ,且最优解往往位于可行域的边界上。由于外界环境的变化或人为因素造成设计变量扰动 ,可能使设计成为不可行。本文提出了一种的基于设计变量敏感性的健壮性设计方法 ,并提出了一种用 Pareto遗传算法来实施的带约束的多目标优化方法以求解健壮性问题。 Pareto遗传算法可得到 Pareto最优解集 ,从中可选出满足设计需要的解。本文提出的算法包括 5个基本算子 :选择、变异、交叉、小生境技术、Pareto集合过滤器。文中用算例说明该方法的应用     

基于仿真试验和Kriging模型的多目标优化问题全局优化算法

针对复杂工程系统的多目标仿真优化问题,基于Kriging模型,提出一种将优化过程与试验过程相结合的全局多目标优化算法。该算法利用构造的加点准则序贯选取能应对约束和逼近真实Pareto解集的试验点,只需少量仿真试验就能得到优化问题的高精度Pareto解集。考虑试验点的可行性概率、间隔距离和Kriging模型的不确定性,设计亦能有效辨识非连通可行域的加点准则;提出以最大化试验点的期望超体积改进和可行性概率为目标的近似Pareto解集改进准则,使新试验点兼顾改进近似Pareto解集的质量和精确刻画可行域边界。通过三个数值算例将所提算法与已有算法进行比较,计算结果验证了所提算法的有效性和高效性。     

基于强度Pareto进化的注塑机注射性能多目标优化

为实现大型注塑机注射性能的优化设计,构建了注射压力、注射速率和注射功率优化模型,应用多目标进化算法,系统分析了影响注射性能的各方面因素.改进强度Pareto进化算法,引入模糊C均值聚类,加快外部种群的聚类过程.采用约束Pareto支配和浮点数、二进制混合染色体编码策略,一次运行就能求得分布均匀的Pareto最优解集,并使用基于集合理论的方法选择一个最优解.试验分析表明:结合了强度Pareto进化算法与模糊C均值聚类方法的混合算法在提高注射综合性能的同时,能够获得比线性加权法分布性更好的Pareto前沿;且与强度Pareto进化算法相比,显著缩短了运算时间,具有较高的效率与鲁棒性.     

聚类差分进化算法求解多目标工艺规划与 调度集成问题

针对多目标工艺规划与调度集成问题,以完工时间、交货总拖期和设备工作负荷为优化目标,建立了多目标非线性工艺规划集成模型,提出一种聚类差分进化算法。该算法设计了包含工艺、设备和加工顺序信息的3层编码结构,结合聚类算法、差分进化算法和遗传算法的相关操作,有效地优化工艺信息和调度方案,保持可行解的多样性,实现Pareto非支配解集快速更新。通过对Pareto非支配解集进行领域搜索,使其更加接近或到达Pareto最优解集。最后通过实例验证了算法的性能。     

带自适应动态变异和二次变异的差分进化算法

为解决差分进化算法在解决多目标优化问题时的多样性与收敛性之间的平衡维持难题,首先提出了一种基于自适应动态变异和非支配解二次变异的改进差分进化算法。该算法的核心是将前N代进化的群体多样性值作为多样性判别准则,根据群体多样性变化情况自适应地选择对应的变异算子产生新个体;其次提出通过对所存档Pareto非支配解进行二次变异来增加新个体解群的优解质量和数量,以同时改进算法的多样性和收敛速度。仿真结果表明,与标准差分进化算法和改进的基于分类排序的Pareto遗传算法相比,所提算法在收敛性、分布性与分散度性能指标上都有较好的表现,多样性和收敛性之间的平衡维持能力则远优于另两种算法。     

基于自适应进化多目标约束的青霉素发酵过程优化EI北大核心CSCD

发酵过程多目标优化控制是提高发酵过程生产水平和经济效益的有效途径。提出了一种自适应进化多目标约束粒子群优化算法,并应用于青霉素分批补料发酵过程多目标优化。该算法根据不符合约束条件粒子的约束违反程度,修正了多目标粒子群优化算法的进化学习公式,提高了算法在约束边界区域的搜索能力;引入基于拥挤距离的Pareto最优解分布性动态维护策略,改进了Pareto前沿的分布性。实验结果表明,该算法能获得具有较好分布性的Pareto前沿,给出的底物补料策略能够使青霉素发酵过程在消耗更少底物的同时获得更多的产物产量,实现了发酵过程的多目标优化。     

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。     

基于Kriging模型的多目标代理优化算法其收敛性评估

为提高黑箱系统优化设计的效率,基于Kriging模型、期望超体积改进和可行性概率准则,提出一种改进的多目标代理优化算法.该算法的可行域探索准则包含考虑试验点间距离的项,对可行域非连通的优化问题也有效;Pareto解集改进准则以同时优化期望超体积和可行性概率准则为目标,在改进Pareto解集的同时兼顾了对可行域边界的刻画;最后,结合条件模拟方法和随机集理论,提出一种不依赖真实解集的算法收敛性评估方法.通过两个算例将提出的优化算法与已有算法进行对比分析,结果证实了所提算法的高效性及算法收敛性评估方法的可行性.