一种快速构造非支配集的方法--擂台法则

多目标进化算法是用来解决多目标优化问题的,为了提高多目标算法的效率,提出了一种快速构造非支配集的方法——擂台法则。它的时间耗费要低于Deb和Jensen提出的构造非支配集的方法。在实验中将擂台法则同Deb和Jensen的方法进行了比较,最后实验结果证明前者在运行时间上要优于后两者。     

基于Delaunay三角剖分的多目标进化算法解集分布度评价指标

系统分析目前多目标进化算法(MOEAs)分布度评价指标的特点和不足,提出一种基于Delaunay三角剖分的分布度评价指标。该指标将基于邻域和基于距离的评价思想相结合,利用Delaunay三角网最近邻与邻接性的特点实现自主邻域划分。采用空间映射的方法,有效减少MOEAs解集非支配关系对种群分布度评价的影响。测试结果表明该指标能准确反映MOEAs解集的分布性。     

虹吸现象导致机组低加水位大幅度波动的原因

热力发电厂为了提高机组热经济性,一般均采用给水回热系统,即利用汽轮机抽汽在回热加热器中对锅炉给水进行加热,一方面使进入锅炉的给水温度升高,使部分工质的汽化潜热重新在循环中得     

一种自适应小生境分布性保持策略

 小生境技术被广泛应用在多目标进化的分布性保持方面.但是,小生境半径不易控制等限制了其在分布性保持等方面的发展.本文提出了一种自适应小生境分布性保持策略(Adaptive Niche,AN).AN通过对Pareto解集生成最小生成树来自适应调整小生境半径,同时扩大搜索小生境半径并改变计算方法使之能够识别小生境边沿的个体,便于对其修剪与评价.通过与NSGA-II,SPEA2在不同形状测试函数上进行对比实验,结果表明,AN能够对Pareto最优面进行高效地分布性保持.     

电除尘器高压柜运行方式优化调整

针对某电厂电除尘器（ESP）运行中电耗大的情况,进行了ESP高压柜控制方式的调整试验。调整后,可使ESP占厂用电率从0．4％下降到0．28％,下降了0．12％左右,节能效果非常明显。     

量子多目标进化算法研究

本文首次将量子计算的理论用于多目标优化,提出量子多目标进化算法（QMOEA）,其采用量子位染色体表示法,利用量子门旋转策略和量子变异实现群体的进化,使用ε支配关系构造外部种群以此保持算法的较好分布性,提出基于快速排序的非劣最优解构造方法加快算法运行效率,实验表明,这种方法与经典的多目标进化算法SPEA2相比,其收敛性更好且分布更均匀     

一种新的动态TSP模型及其求解方法

TSP问题是经典的NP难问题,学者们已经提出很多有效的方法,但大多都是基于静态情形的,然而现实中的TSP问题基本为动态的,动态TSP将是一个更符合实际TSP问题的研究领域。提出了一种基于高斯扰动的动态TSP模型,设计了扰动响应算法,并对反序交叉算子做了改进。实验证明该算法的有效性和新模型的现实意义。     

一种改进的TSP启发交叉算子

旅行商问题（TSP,Traveling Salesman Problem）是一种经典的NP组合优化问题。遗传算法在求解这类组合问题方面明显优于传统算法,同时也提出了许多求解较好路径的交叉算子。在对比分析唐立新提出的两种启发式交叉算法的基础上,提出了一种新的交叉算子。该算子通过判断父代的城市是否相邻来保存有效基因片断,通过加入一个移动的窗口来加快算法收敛。实验结果表明了该算子的有效性。     

一种基于相似个体的多目标进化算法

分布性保持是多目标进化算法研究的一个重要方面,一个好的分布性能给决策者提供更多合理有效的选择。Pareto最优解的分布性主要体现在分布广度与均匀性两个方面。提出一种基于相似个体的多目标进化算法（SMOEA）。在种群维护中删除相似程度最大的个体;在进化操作中,选取了相似程度最大的个体进行进化。与目前经典算法NSGA-II和ε-MOEA进行比较,结果表明新算法拥有良好的分布性,同时也较好的改善了收敛性。     

引导交叉——一种新的遗传交叉策略

介绍了遗传算法的优化方法,在已经存在的交叉算子上提出了一种新的交叉算子——引导交叉,它结合了异位交叉和等位交叉的特点,并加入个体反码表示形式,在执行交叉操作前有一个自适应的选择交叉方式的判断,给出了5组不同的测试函数的仿真实验。实验结果表明,引导交叉算子可比其他交叉算子更有效地提高遗传算法的收敛性,且易于找到全局最优解。