面向复杂超多目标优化问题的自适应增强学习进化算法

在解决超多目标优化问题中,基于分解的进化算法是一种较为有效的方法.传统的分解方法依赖于一组均匀分布的参考向量,它借助聚合函数将多目标优化问题分解为一组单目标子问题,然后对这些子问题同时进行优化.然而,由于参考向量分布和Pareto前沿形状的不一致性,导致这些预定义的参考向量在解决复杂超多目标优化问题时表现较差.对此,提出一种基于自适应增强学习的超多目标进化算法(MaOEA-ABL).该算法主要分为两个阶段:第1阶段,采用一种自适应增强学习算法对预定义的参考向量进行调整,在学习过程中删除无用向量,增加新的向量;第2阶段,设计一种对Pareto形状无偏好的分解方法.为验证所提出算法的有效性,选取具有复杂Pareto前沿的MaF系列测试函数进行仿真研究,结果显示,MaOEA-ABL算法的IGD(inverted generational distance)均值在67%的测试函数上超过了对比算法,从而表明该算法在复杂超多目标优化问题中表现良好.     

基于决策变量关系的动态多目标优化算法

动态多目标优化问题(DMOPs)需要进化算法跟踪不断变化的Pareto最优前沿,从而在检测到环境变化时能够及时有效地做出响应.为了解决上述问题,提出一种基于决策变量关系的动态多目标优化算法.首先,通过决策变量对收敛性和多样性贡献大小的检测机制将决策变量分为收敛性相关决策变量(CV)和多样性相关决策变量(DV),对不同类型决策变量采用不同的优化策略;其次,提出一种局部搜索多样性维护机制,使个体在Pareto前沿分布更加均匀;最后,对两部分产生的组合个体进行非支配排序构成新环境下的种群.为了验证DVR的性能,将DVR与3种动态多目标优化算法在15个基准测试问题上进行比较,实验结果表明, DVR算法相较于其他3种算法表现出更优的收敛性和多样性.     

基于改进差分进化算法的带钢冷连轧负荷分配

 为了更加合理地制定冷连轧轧制规程,选取打滑因子、等功率裕度和最小能耗作为目标函数,采用改进的差分进化算法求解Pareto前沿,减少了冗余的寻优代数、缩短了优化时间。以求解出的Pareto前沿为选择池,基于不同的偏好因子选择出不同的负荷分配方法,满足不同工况下的要求。仿真结果表明,该算法可以快速均匀地覆盖Pareto前沿,产生偏重于不同目标的负荷分配规则。优化规程与原规程相比,降低了打滑现象出现的概率,减小了轧制功率。     

基于物理规划的铝热连轧多目标轧制规程优化

针对铝热连轧轧制规程多目标优化中综合目标函数权值难以确定的问题, 运用基于物理规划的多目标优化方法, 并以萤火虫智能算法为基础, 选取等功率裕量、轧制总能耗、末机架板型良好及各机架打滑因子为目标函数, 进行优化计算。物理规划使设计者以一种更加灵活的方式完成目标函数的权值分配, 然后通过萤火虫智能算法对综合目标函数进行优化计算。结果表明 不同的设计偏好能有效反映设计者的意愿, 从而产生偏向不同重点的轧制规程。     

基于循环自编码网络的冷轧轧制力建模方法

在钢铁冷连轧生产过程中,轧制力预测结果直接影响带材的轧制精度和产品质量。为进一步提高轧制力预测精度,同时实现模型的在线更新,避免漂移问题,提出了基于循环自编码网络的轧制力模型。首先,使用循环自编码网络对处理好的输入数据进行特征提取,为了加速网络训练,加入了小批量训练方法,然后使用高斯过程回归模型对提取到的特征进行回归拟合。仿真结果表明,该模型预测精度可达3%以内,能够实现轧制力的高精度在线预测。     

基于改进深度信念网络训练的冷轧轧制力预报

在带钢冷轧过程中,轧制力预报精度直接决定板带材的轧制精度以及产品质量。传统的基于单隐层的神经网络建模方法结构简单,对复杂函数的表达能力与泛化能力都受到一定制约;轧制现场环境复杂,数据测量存在噪声干扰,都会直接影响预报精度。针对这些问题,提出一种基于非监督学习的改进深度信念网络预测模型。深层网络的构建以及去噪机制的引入可提高系统对输入数据特征学习的能力,同时采用改进的对比散度算法对网络进行训练,提高网络训练速度。最后,利用某钢厂1200mm轧机组的实测数据对模型进行检验,对比分析3种不同模型,结果表明该模型对轧制力预测的平均相对误差控制在4.5%以内,建模所需时间相比于栈式自编码网络减少26%。     

基于角度邻域的多目标差分进化算法

针对如何实现差分进化算法求解多目标优化问题,提出了一种基于角度邻域的多目标差分进化算法,通过在选择操作中引入弱支配概念,实现了对多目标优化问题的求解.该算法通过计算目标空间中个体与权重向量的夹角来确定每个个体的邻域,并在此基础上引入了基于角度邻域的变异策略,使个体的变异在邻域内进行,保证进化方向.此外,该算法创建了一个外部存档用来保存进化过程中的非支配解,并定期对外部存档进行维护,大大改善了解集的分布性.大量的数值仿真实验结果表明通过角度确定邻域的方法比通过欧氏距离确定邻域的方法更加有效,算法所得解集的收敛性和分布性也均明显优于基于分解的差分多目标进化算法(multiobjective evolutionary algorithm based on decomposition and differential evolution,MOEA/D–DE)和非支配排序算法Ⅱ(nondominated sorting genetic algorithm II,NSGA).     

基于融合多策略改进的多目标粒子群优化算法

为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.     

基于一次指数平滑法的自适应差分进化算法

提出一个策略和控制参数自适应的差分进化(ESADE)算法.ESADE算法将指数平滑法和轮盘赌选择法结合到一起,根据先前成功的经验在策略候选池中为每个个体自适应地选择变异策略来匹配进化的不同阶段.在进化过程中,ESADE算法使用柯西分布和正态分布为控制参数产生适当的值,并使用指数平滑法进行自适应.大量的仿真实验结果表明,ESADE算法要优于其他差分进化算法.     

基于数据相似性的铝热连轧轧制力模型自学习

针对铝热连轧中轧制力预报精度低、模型自适应能力差的问题, 提出了基于数据相似性的自学习方法, 该方法首先计算第i卷和第i+1卷轧制初始数据的相似程度, 然后以第i卷的实测轧制力为自学习目标, 将两卷带材的相似程度作为自学习系数的修正因子来对轧制力模型进行自学习运算。以河南某1+4铝热连轧机为实验对象, 通过对现场实测数据的分析表明: 本方法能有效提高轧制力预报精度, 满足在线控制要求。