基于改进NSGA-Ⅱ的航空发动机管路多目标布局优化

为了提高航空发动机管路布局的优化效率,提出一种基于改进NSGA-Ⅱ的航空发动机管路多目标布局优化方法。为了提高NSGA-Ⅱ的全局搜索能力,提出一种新的种群更新机制,在进化过程中采用拉丁超立方方法对种群的部分较差个体进行替换,同时保留原有的精英保留策略,以达到全局搜索能力与收敛性的均衡;采用三维凸包对敷设空间进行建模,基于B样条曲线设计了个体编码方式;以管路长度及平滑性为优化目标,应用改进NSGA-Ⅱ求解发动机管路布局Pareto解集。通过数值算例及管路敷设仿真验证了所提方法的可行性。     

基于改进NSGA-Ⅱ算法的箱形伸缩臂多目标优化设计

从初始群体产生及交叉算子两个方面对带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)进行改进,对伸缩臂进行应力及挠度变形分析,得出应力及应变云图,以确保伸缩臂强度、刚度满足要求。以伸缩臂截面几何参数为设计变量,伸缩臂稳定性及自重为优化目标,利用i SIGHT软件将改进的NSGA-Ⅱ算法与Ansys有限元分析集成,以QY20汽车起重机伸缩臂为例,对起重机箱形伸缩臂进行多目标优化设计,得出Pareto前沿解,并与优化前的截面参数进行对比,验证了该算法的可行性。     

多品种分批量冲压车间的耦合选择NSGA-Ⅱ调度优化

为了对多品种分批量生产的冲压车间调度方案进行优化,减少冲压车间的完工时间、加工成本和换模次数,提出了基于耦合选择NSGA-Ⅱ算法的冲压车间调度优化方法。对冲压车间的调度优化问题进行了数学描述,建立了多目标、多限制条件的优化模型。通过构造4基因链缠绕的染色体,将冲压车间调度优化问题转化为遗传算法的多目标搜索问题。在传统NSGA-Ⅱ算法基础上,将耦合选择策略引入到算法中,兼顾了染色体的优越性和多样性,从而提出了基于耦合选择NSGA-Ⅱ算法的调度优化方法。经验证,耦合选择NSGA-Ⅱ算法所得Pareto前沿解质量高于传统NSGA-Ⅱ算法所得Pareto前沿解质量。使用等权重系数法从Pareto解集中确定了最优解,与优化前相比,换模次数减少了52.2%,加工成本减少了18.4%,最大完工时间减少了40.0%,以上数据验证了耦合选择NSGA-Ⅱ算法在冲压车间调度优化中的可行性。     

基于多目标遗传算法的电梯井道钻孔机器人轨迹规划

针对电梯导轨安装过程中繁多的钻孔操作，使用钻孔机器人代替人工作业。为提高钻孔机器人的作业效率和减少作业过程中的冲击振动，提出一种使用多目标遗传算法来优化钻孔机器人关节空间轨迹的方法。首先，使用七阶B样条曲线在钻孔机器人关节空间中进行插值；其次，以时间和冲击性能为优化目标，通过使用带约束处理的NSGA-Ⅱ算法对B样条的插值轨迹进行优化；最后，设计一种“综合比较算子”的轨迹方案选择标准来获取综合最优解。结果表明，使用带约束处理的NSGA-Ⅱ的轨迹优化方法获得的Pareto解集分布性和收敛性较好。与时间性能最优解和冲击性能最优解相比，综合最优解分别在冲击性能和时间性能上提升了66.7%和22.26%,表明使用综合比较算子获得的最优解在时间性能和冲击性能上都较为优良。     

基于Isight平台NSGA-Ⅱ方法的3-PRS并联机构多目标优化

把Isight软件运用到3-PRS并联机构的多目标参数优化中,分析并建立3-PRS并联机构的工作空间、灵巧度、刚度和承载能力的指标。采用蒙特卡洛方法对多目标指标函数进行编程求解,以Isight软件为平台,集成Matlab软件,构建多目标优化基本流程,用Isight软件中封装的NSGA-Ⅱ方法对3-PRS并联机构的五个目标函数进行优化。得到分布性良好的Pareto解集及Pareto前沿,目标指标得以分析,并得出参数与目标之间变化规律。可根据优化信息,在Pareto解集中选取适合实际工况的最优解,最后给出优化算例。     

基于柔性靠泊的港口疏船调度多目标优化及最优解选择

针对集装箱码头大量船舶压港后的疏船调度需求,以船舶平均等待靠泊时间最短和港口加班作业成本最低为目标,构建了基于柔性靠泊的港口疏船调度多目标优化模型.采用嵌入邻域搜索规则的自适应粒子群算法进行求解,并基于得到的Pareto非劣解集,通过挖掘Pareto前沿分布的特点,以同时兼顾船公司和港口各方利益的无偏向概念,求出令船方和港口方均可接受的最优解.以大连港集装箱码头的实际案例为背景,验证了所建模型和求解算法的可行性.经过与常规粒子群算法和NSGA-Ⅱ对比,证明改进后的粒子群优化算法能够在更短时间内获得结果更好的最优解,且具有良好的稳定性.     

NSGA-Ⅱ算法在多层共挤吹塑装备中的应用

采用带精英策略的快速非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-Ⅱ,简称NSGA-Ⅱ)对所设计的FPGA(Field-Programmable Gate Array)张力控制系统进行多目标优化。由于传统多目标优化问题通过加权方式转换为单目标问题,对权值比较敏感,且每次只能得到一种权值下的最优解。NSGA-II算法能够避免传统加权求解时权值的选择和解的偏好性。首先,以PID控制器参数、张力为目标函数,提出一种用于多层共挤吹塑装备的多目标优化模型。其次,将NSGA-II的交叉算子进行改进,提高全局的搜索能力。算例测试结果表明,该优化方法不仅能找到符合各优化目标的全局最优解,得到理想的Pareto解集,而且能够对FPGA张力控制过程实现有效优化,所提方法可应用于多层共挤吹塑装备中。     

基于NSGA-Ⅱ叉车轮边减速器优化设计

以叉车轮边减速器行星轮系为研究对象,在满足设计要求的前提下,以轮边减速器行星轮系齿圈直径最小,中心距最大和重合度最高为目标建立目标优化数学模型.运用改进的NSGA-Ⅱ对多目标优化并得到Pareto最优解集,利用多指标加权灰靶决策模型选择最优设计方案.优化结果表明：改进遗传算法的运用是可靠有效的,为以后产品优化设计提供新了的设计思路.     

基于降维的驾驶员侧约束系统高维目标优化

为解决将高维目标变为单目标优化时各子目标不能同时较优,而多目标算法直接用于高维目标优化时又存在难以找到一个有代表性的Pareto非劣解集问题,在某轿车驾驶员侧约束系统的优化过程中提出了乘员损伤准则与多目标算法协同优化的方法。在已有相关损伤准则基础上根据最新版的FMVSS 208和ECE R94法规提出了适合研究问题的损伤准则;以提出的损伤准则为媒介,将一个高维目标优化问题降为一个低维目标优化问题,通过灵敏度分析、实验设计、多项式近似模型筛选出优化设计变量并得到近似模型,用多目标算法NSGA-Ⅱ对近似模型进行计算得到Pareto非劣解集,将得到的Pareto非劣解集中的每个解代入损伤准则损伤值计算公式,升序排列得到各子目标同时较优而损伤值最小的优化解。最终的优化结果表明：该方法很好地解决了乘员约束系统的高维目标优化问题,优化效果明显。     

基于Pareto最优原理的钻机钻进参数多目标优化

针对某双管定向钻机,提出了基于Pareto最优原理的钻进参数多目标优化方法。该方法根据钻机性能与工况,考虑水力对钻头比能影响,确定了钻进参数优化模型。针对罚函数处理约束条件的不足,引入了改进约束条件处理策略,提出了基于小生境思想拥挤度值计算方法及自适应交叉和变异算子。测试了改进算法的性能,并将改进算法用于求解基于某煤矿工程实际建立的钻机钻进参数优化模型。研究结果表明：与NSGA-Ⅱ和MOPSO算法相比,改进算法在求解测试问题时具有更好的收敛性与分布性。利用改进算法求解实际问题时得到的Pareto前端解集分布均匀,而且有效提高了机械钻速,延长了钻头寿命并降低了钻头比能。     

求解多目标混合流水车间调度的改进NSGA-Ⅱ

针对混合流水车间调度问题,以最小化能耗和最小化最大完工时间为求解目标,建立混合整数线性规划模型,提出求解该问题的改进快速非支配排序遗传算法(NSGA-Ⅱ)。算法染色体采用首阶段工件加工顺序码和设备分配码相结合的编码方式,最大程度确保算法在问题的整个解空间搜索Pareto前沿解。针对染色体编码设计了3种不同解码方法,其中两种解码方法与问题目标密切相关,用于引导算法搜寻方向;设计了一种贪婪变异算子,在提高种群多样性的同时兼顾算法的局部搜索能力。为确保Pareto前沿解集的分布性和收敛性,避免算法陷入局部最优,在采用精英保留策略的基础上提出一种全新的选择算子,并通过实验证明了该选择算子的有效性。为进一步节约能源,针对调度方案提出先右移再左移的调整策略,在不改变总完工时间的前提下大大节约了设备的待机和开关机能量。最后通过实验验证了改进NSGA-Ⅱ的有效性。     

基于GA-BP与NSGA-Ⅱ的数控铣削参数优化研究

高效低碳制造是可持续发展的关键,而数控铣削作为常用的金属表面加工方法存在刀具寿命短、碳排放量高的问题。提出基于NSGA-Ⅱ的GA-BP多目标优化方法,通过分析不同加工参数条件下的数控铣削刀具寿命及碳排放数据集,建立GA-BP神经网络刀具寿命及碳排放预测模型。基于NSGA-Ⅱ算法建立以刀具寿命、碳排放量为目标的主体优化模型,调用构建的GA-BP神经网络模型作为目标函数进行优化求解,得到Pareto最优解集。对Pareto最优解集进行TOPSIS最优解决策,得到综合优化刀具寿命与碳排放量的加工参数组合。优化结果表明：该方法既可以对数控铣削刀具寿命及碳排放量进行准确预测,还可以对两者进行有效优化,对数控铣削参数优化具有一定的理论指导意义。     

具有修正策略的改进NSGA-Ⅱ三维路径规划

针对传统多目标遗传算法存在收敛速度慢和难以得到Pareto最优解的缺点,提出了一种在三维环境下具有修正策略的改进带精英策略的非支配排序的遗传算法(NSGA-II).首先建立能使路径最短、能耗最小、起伏最少的多目标函数;其次加入修正算子来减少冗余的路径点,实现快速收敛;然后在选择算子中加入辅助决策算子来比较优先级,提高解的多样性.为了测试改进算法的效果,将传统算法与改进算法进行对比,改进算法得到的解更优且在不同环境下具有多个Pareto前沿分布解,其中修正算子使迭代次数减少了约63％,验证了改进算法的可行性和有效性.     

一种基于改进NSGA-Ⅱ的多目标绿色柔性作业车间调度方法

针对多目标绿色柔性作业车间调度问题,建立了以最小化最大完工时间、总负荷和总能耗为优化目标的多目标优化模型,提出了一种带有自适应交叉变异算子和学习机制的改进NSGA-Ⅱ多目标优化算法。该算法通过机器和工序的两级编码机制,使用基于全局、局部和随机选择的非支配排序选择策略得到初始种群;采用具有自适应算子的混合交叉变异策略进行迭代,提高算法的全局搜索能力;引入分布函数来改进精英保留策略提高种群的多样性;通过学习机制进行邻域搜索提高算法的局部搜索能力。最后,采用基准测试算例Brandimarte以及Kacem数据集对算法进行测试,结果表明采用改进的NSGA-Ⅱ算法求解多目标绿色柔性作业车间调度问题具有求解精度高、收敛速度快以及解集多样性好的优点。     

考虑碳排放与收益的随机并行拆卸线平衡优化

针对废旧产品回收过程中,需有选择对综合收益高的零部件进行拆卸的问题。选择最小工作站数,平滑度,碳排放量,拆卸收益作为优化目标,并对相应目标进行量化分析,提出一种随机并行拆卸线平衡优化方法。在构建随机并行拆卸线基本解集的基础上,为避免Pareto解集逐渐趋同的问题,提出一种基于环形拓扑结构的花授粉算法(Ring topology flower pollination algorithm, Ring-FPA),实现了对Pareto解集的决策处理,获得考虑碳排放与收益的随机并行拆卸线平衡最优解。以手机和笔记本电脑并行拆卸线平衡优化为例,选择NSGA-Ⅱ、FPA,以及AFSA算法进行对比,对所提方法的可行性和有效性进行了验证。     

基于多目标遗传算法的直升机总体参数优化设计

应用多目标优化问题中Pareto最优解集的概念,提出了一种基于多目标遗传算法的直升机总体参数优化设计方法。算法引入了个体的序和密度的概念,改进了变异操作算子,使用精英策略,确保能够搜索到具有较高贴近性、均匀性和完整性的Pareto解集。以UH-1H直升机为优化算例的计算结果表明:多目标遗传算法适用于解决多目标优化问题,能够改善Pareto解的质量和均匀性分布。     

基于改进NSGA-Ⅱ算法的机械臂多目标轨迹规划

针对机械臂轨迹规划时需要满足高效率、低能耗、弱冲击等性能要求,提出一种改进的快速非支配排序遗传算法（NSGA-Ⅱ）。建立了端点运动参数可任意指定的7次B样条曲线方程,构造关节空间内光滑连续插值轨迹。以最短时间、最小能耗和最弱冲击为优化目标,以机械臂关节运动速度、加速度、脉动为约束惩罚,通过加入动态选择策略和模拟二进制（SBX）与正态分布混合交叉算子,建立了机械臂多目标轨迹规划的改进NSGA-Ⅱ算法,该方法具有搜索范围广、种群多样性质量高等优势。算例结果表明,所提出的改进NSGA-Ⅱ算法可以缩短迭代时间,得到更优的Pareto前沿。     

主动悬架LQR控制加权系数多目标遗传算法优化

对多目标遗传算法NSGA-Ⅱ进行了改进,提出了基于改进NSGA-Ⅱ算法的主动悬架LQR控制加权系数设计方法。仿真结果表明,多目标遗传算法一次运行可以获得多组Pareto最优的性能指标加权系数,设计者可以根据偏好选择最终的满意解,避免了现有加权系数选择方法存在的主观性和盲目性。     

基于NSGA-Ⅱ的智能化电铲多目标最优挖掘轨迹规划

为实现智能化电铲实时节能的挖掘,提出了一种基于非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-II,NSGA-Ⅱ)的智能化电铲多目标最优挖掘轨迹规划方法。首先,通过拉格朗日方程建立智能化电铲工作装置动力学模型;然后,使用高次多项式对挖掘轨迹进行插值,将挖掘轨迹寻优问题转化为多项式系数寻优问题,最后,以挖掘时间最短及单位体积物料的挖掘能耗最小作为优化目标,以电机性能与挖掘过程中几何条件等作为约束,利用多目标优化平台PlatEMO,将NSGA-Ⅱ作为多目标优化算法,指定待优化问题的目标函数及约束函数,获取到多目标优化Pareto最优解集,基于决策偏好设置权重并根据TOPSIS法获取最优解,得到多目标最优挖掘轨迹规划结果。结果表明,优化后挖掘轨迹满足实时节能的挖掘要求。     

面向汽车投产排序的混合多目标网格遗传算法

汽车投产排序时,希望同时实现零部件消耗均衡化、车型调整费用最小化、工位作业位置精准化三个目标,为此提出一种基于Pareto层级的混合多目标网格遗传算法(HmoGA)。先将个体排斥机制加入到Pareto层级构造中,使非支配解的分布更均匀,再融合Pareto层级划分、网格拥挤度评价与相邻个体几何距离计算,设计一种多目标自适应网格选择机制,用于从动态变化的父代种群中选择较优个体构成进化种群、获取交叉运算的父代基因、改善非支配解集的分布质量。混合双基因位的迁移算子对非支配解进行邻域搜索,适时扩大搜索空间,跳出局部最优。利用三组不同规模的测试问题集,从非支配率、非支配解数量和相邻个体距离偏差三个 指标方面进行比较,实验证明HmoGA算法在收敛性、解的数量和分布性方面都比NSGA-Ⅱ算法有显著优势。