基于反向学习模型的多目标进化算法

针对复杂多目标优化问题,提出一种基于分解机制和反向学习模型的多目标进化算法。该算法在基于分解机制的多目标进行算法的框架下,引入反向学习模型,该模型具有较好的局部寻优能力。在种群进化的过程中,反向学习模型和差分进化机制自适应的相互配合,能够较好地平衡算法的全局搜索与局部寻优能力。采用国际公认的具有复杂Pareto Set的LZ09系列测试问题进行实验验证,并与MOEA/D-DE、GDE3、NSGA-II和SPEA2等方法比较,实验结果表明,所提方法能够获得收敛性、分布性及延展性较好的Pareto最优解集。为了研究算法在求解约束问题的性能,将其应用于减速器多目标优化设计问题中,结果表明了该算法获得Pareto前端较均匀,说明其算法具有求解约束问题的能力和工程有效性。     

分析抽水试验数据的单纯形差分进化混合算法

分别以无限含水层和有直线隔水边界含水层情况下的解析解为基础,应用提出的单纯形差分进化混合优化算法求解分析2种条件下的抽水试验数据,确定含水层参数的函数优化问题.将具有全局搜索能力强、原理简单、受控参数少、而局部搜索能力弱等特点的差分进化算法与具有局部搜索能力强、运算速度快、而对参数初值的选取依赖性较强和易于陷入局部极值等特点的单纯形优化算法进行结合,构成了一种混合优化算法,即单纯形差分混合优化算法.这种混合算法同时具有确定性运算和随机性搜索所具有的共同优点,能够较好地平衡全局搜索能力和局部搜索能力.数值实验结果表明,单纯形差分混合优化算法能够有效地应用于分析抽水试验数据,识别含水层参数;与其他方法相比较,其具有运算速度快、效率高和计算结果精度高等优点.     

基于差异演化算法的动压滑动轴承多目标优化

为研究流体动压轴承的多目标优化问题,提出一种改进多目标差异演化算法.该算法在选择差分向量时,对产生差分向量的两个个体比较其优劣,用非支配解减去支配解,引导个体向非劣解进化,提高算法的收敛速度;其次提出了种群修剪策略,消除进化后期种群中相同个体引起的种群全局搜索能力下降的缺点,以提升算法的全局寻优能力.通过与其它算法的比较,发现该算法能有效避免“早熟”收敛,具有较好的收敛速度和多样性.工程实例求解结果表明了算法的工程可行性.     

基于引导人工蜂群算法的3—RPS并联机构正解优化

提出了一种求解3—RPS并联机构正解优化的快速数值解算法,采用数值优化方式将正解转换为最小化问题。针对3—RPS并联机构位姿正解优化,采用数值法建立该并联运动平台正解方程,其实质为带约束的多目标非线性方程组。建立判定方程实现方程组单目标优化,采用引导人工蜂群算法进行最小值优化求解。该算法既利用了基本人工蜂群算法中邻近蜜蜂交换蜜源信息的方式,又采用全局最优蜜蜂引导所有蜜蜂往更优蜜源处移动,更快速地搜索到最优蜜源位置。通过求解3—RPS正解数值解优化仿真算例分析,对比改进蚁群算法和基本人工蜂群算法,结果表明引导人工蜂群算法是高精度高速求解并联运动平台正解优化的一种有效方法。     

SVM大坝变形监测模型研究

大坝的变形监测数据是一个复杂的非线性的时间序列,采用传统的建模方法存在拟合和预报精度低等问题。传统算法中,基本遗传算法不能确保全局最优收敛,而普通多变异位自适应遗传算法在进化初期对群体不利,容易导致进化走向局部最优。针对这一问题,提出一种基于改进的多变异位自适应遗传优化支持向量机(SVM)的建模方法。多变异自适应遗传算法采用二进制多点交叉,可根据个体适应值大小,自动选取合适的交叉概率和遗传概率,针对遗传算法易陷入局部最优点,对上述遗传算法进行改进,并利用该算法对支持向量机的模型参数进行寻优。将上述建模方法用于大坝变形监控模型的建立,结果表明该组合算法能有效提高模型的拟合和预报精度。     

混沌粒子群微分进化算法及其在水库发电优化调度中的应用

粒子群优化算法（PSO）与微分进化算法（DE）都是有效的基于群体智能的全局优化算法,但它们都容易过早收敛,陷入局部最优。针对以上问题,提出了混沌粒子群微分进化算法（CPSO—DE）,该算法引入可变的惯性权重和学习因子,以基于logical映射的混沌序列代替标准PSO中的随机序列来对粒子群进行初始化,同时将微分进化算法（DE）中的变异、交叉和选择思想引入标准PSO算法中,改变标准PSO算法单一的进化策略,在全局范围内搜索最优解。作为实证的需要,通过对水库优化调度所存在问题的分析,建立了基于CPSO-DE算法的水库优化调度数学模型与求解算法,并以某水库实际运行数据进行计算,结果表明CPSO-DE算法具有较好的全局最优解,验证了CPSO—DE算法的可行性与健壮性。     

光伏充气膜温室自跟踪发电系统发电量预测

针对光伏充气膜温室自跟踪发电系统提出了一种加入天气预报信息的自适应变异粒子群神经网络的发电量预测算法.首先结合历史发电量数据和气象数据分析了影响光伏充气膜温室自跟踪发电系统发电量的主要因素,建立了加入天气预报的神经网络预测模型,并针对传统神经网络预测模型中基于梯度下降的BP算法收敛慢、易陷入局部最优、训练难收敛等问题,通过自适应变异粒子群算法改进了神经网络.该算法通过将变异环节引入粒子群优化算法,进行隔代进化找到局部最优解.实验结果表明所采用的自适应变异粒子群的神经网络预测算法的全局收敛性能得到了显著提高,能有效避免粒子群优化算法中的早熟收敛问题.     

差分进化算法及其在水电站厂内经济运行中的应用

差分进化算法(differential evolution,DE)是一种基于群体的进化算法,通过群体内个体间的合作与竞争产生的群体智能指导优化搜索.文中将其改进的方法应用于以水电站运行成本最小为目标的优化模型.该模型考虑了机组能量特性差异,以旋转备用、启停成本、气蚀振动区、机组可用性等指标作为约束条件.实例计算表明,该方法克服了传统方法在处理多约束、多维优化问题上的困难.     

改进PSO算法在电力系统无功优化中的应用

介绍一种改进粒子群的无功优化方法。采用简化粒子群优化方程和添加极值扰动算子两种策略加以改进,提出简化粒子群优化（SPSO）算法、带极值扰动粒子群优化（DPSO）算法,并将二者结合起来提出带极值扰动的简化粒子群优化（DSPSO）算法。以IEEE6节点系统为例进行无功优化计算,并与其他算法进行比较,结果表明：该算法具有较快的收敛速度及较强的全局搜索能力,可较好地解决电力系统的无功优化问题。     

基于改进NSGA-Ⅱ算法的拖拉机传动系统匹配优化

为实现拖拉机动力传动系统的最优化匹配,提高整机动力性和燃油经济性,提出一种基于改进非支配排序遗传算法（Non dominated sorting genetic algorithm Ⅱ,NSGA-Ⅱ）的拖拉机传动系统匹配优化方法。该方法引入正态分布交叉算子,在保证解集质量的基础上,扩大空间搜索范围,同时加入差分进化变异算子,抽取其中的差分向量与NSGA-Ⅱ算法结合,从而避免算法陷入局部最优,改善种群分布性。随后,以变速箱各挡传动比为输入变量,以驱动功率损失率和比燃油消耗损失率均最低为优化目标,通过分析拖拉机设计理论车速、传动比公比、驱动附着力限制等约束条件,建立了变速箱传动比匹配优化模型,利用改进算法对拖拉机变速箱传动比进行优化,并与原NSGA-Ⅱ算法及加权遗传算法进行对比。分析结果表明,改进NSGA-Ⅱ算法求得的解集分布评价指标SP优于原NSGA-Ⅱ算法,表明Pareto最优解分布更均匀,且更接近测试函数的真实Pareto前沿。经本文算法优化后,理论上拖拉机驱动功率损失率和比燃油消耗损失率分别降低了41.62%和62.8%,运输挡头挡爬坡度可提高2.35%,整机综合性能得到明显改善,且优化效果均优于对比算法,验证了本文方法的有效性,可为拖拉机传动系统设计与优化提供一定参考。     

基于混沌优化的一类微分包含系统的最优控制设计

根据Hamilton-Jacobi-Bellman(H-J-B)不等式,将一类微分包含系统的最优控制问题转化成最优控制性能上界的优化及性能下界的求取问题。其中性能上界的优化是一组以控制律为寻优参数的双线性矩阵不等式(bilinearmatrixinequalities,BMI)问题,而性能下界是一组半正定规划问题。BMI问题是NP难问题,对此设计了一种基于混沌优化的算法进行求解,所设计的算法更有效地收敛到全局最优解。最后的算例表明对控制律的设计及其求解算法的有效性。     

时变多车型下的生鲜农产品配送路径优化模型

针对农业供应链的运输环节中生鲜农产品配送模型存在的速度恒定、碳排放计算方法单一的问题，本研究结合路网时变特征和新的多车型碳排放计算方法，提出了考虑配送距离、多车型碳排放量、货物损耗和车辆固定成本等4个优化目标的生鲜农产品配送路径优化模型；并根据模型特点提出了一种改进的双策略种群协同蚁群算法（Double-Strategies Co-Evolutionary Ant Colony System，DC-ACS ）。利用改进蚁群算法对Solomon数据集的C105算例进行了求解，在4个优化目标上分别取得最优解为937.94 km、4961.48元、4081.78元和7500.87元，证明了本研究提出的模型的有效性。在模型有效的基础上，通过试验结果证明，改进蚁群算法比基本蚁群算法在4个优化目标上的配送总成本平均降低幅度超过14%，证明改进蚁群算法更具有优越性。使用改进蚁群算法对集中、随机和混合3种不同分布的大规模算例进行求解，3种分布上分别求得最优总成本为19,939.53、24,095.00和24,397.58元。综上所述，所提模型和算法可以为冷链物流企业的城市配送路径决策提供良好的参考依据，对完善智慧农业供应链的配送路径优化模型和优化方法提供了新的思路，为企业进一步扩大规模提供了参考。     

基于混合学习果蝇优化算法的冗余机械臂逆运动学求解

针对常规方法难以有效求解冗余机械臂逆运动学的不足，提出了一种基于改进果蝇优化算法的逆运动学解决方案。改进算法采用线性候选解产生机制，克服了基本果蝇优化算法不能搜索负值空间及无法在指定的区域内均匀搜索的缺陷。通过混合学习嗅觉搜索策略的构建，有效增强并合理平衡算法的全局探索与局部开发。此外，通过视觉实时更新策略的引入，提升了算法的搜索效率及加速了算法的收敛速度。以7自由度冗余机械臂的逆运动学求解为例展开对比试验分析，结果表明所提出算法在寻优速度、精度以及结果稳定性等方面明显优于对比算法，说明该方法能够有效解决冗余机械臂的逆运动学问题。     

基于多策略差分布谷鸟算法的粒子滤波方法

为了提高标准布谷鸟算法的种群多样性和全局搜索效率,将多策略差分变异过程引入布谷鸟算法中。在布谷鸟的宿主发现过程中借助多策略差分操作来提高种群的多样性,同时,改进的布谷鸟在算法新解选择中增加排队优选机制,与贪心算法相结合以减少局部极值的不良吸引,加快搜索进程。将改进的布谷鸟算法应用到粒子滤波中,用布谷鸟的鸟巢来表征粒子,通过模拟布谷鸟群体搜索巢穴位置的过程来优化粒子分布。实验表明,改进的智能优化粒子滤波算法有效提高了粒子多样性和非线性系统状态的预测精度,并能在粒子数减少的情况下保持稳定估计。     

基于改进蚁群算法的雅砻江流域梯级联合优化调度研究

提出一种改进蚁群算法(IACO,Improved ant colony optimization algorithm)求解梯级水库群优化调度问题,算法的改进主要包括嵌入邻域搜索和禁忌搜索,初始解生成技术和基于可行性的目标函数比较规则。论文以雅砻江流域梯级五级电站联合运行为背景,对蚁群算法和改进蚁群算法的求解质量和收敛性进行比较,实例验证表明,改进蚁群算法可以获得较好的优化调度结果。     

基于改进粒子群算法的排涝泵站优化调度分析

针对泵站节能降耗问题,建立了站内优化调度模型,并利用混沌理论改进粒子群算法,开展站内调度方案寻优问题研究。研究结果表明,采用混合粒子群算法,收敛速度快,求解精度高,较适合泵站优化调度求解;采用3时段优化分析时,优化方案耗电量为23.34万kWh,节省电量3.46万kWh,取得了较好的优化调度结果。     

基于自适应遗传算法的系统PSS参

多机电力系统中，电力系统稳定器PSS（Power System Stabilizer）的优化配置是一个复杂的非线性优化问题。一般PSS的配置包括其安装地点的选择和参数的优化。先根据参与因子法对PSS的安装地址进行选择，而后重点研究运用改进的自适应遗传算法(AGA, Adaptive Genetic Algorithm)对多机系统PSS参数进行优化。这种方法中交叉率和变异率能够随适应度自动改变，而不是恒定不变。该方法的优点是改善了传统的遗传算法(GA, Genetic Algorithm)中容易出现的“早熟”现象，提高了寻优过程的收敛性和稳定性。仿真结果表明，采用的自适应遗传算法在收敛性、计算时间和参数稳定上都优于传统遗传算法，将经过参数优化后的PSS加装到系统中，不仅可以克服低频振荡现象，而且使系统的暂态稳定性和静态稳定性都得到大幅度增强。     

基于改进型PSO算法的汽车转阀参数优化

提出了基于模拟退火(SA)修正的改进型粒子群算法(SA-PSO)的转阀参数优化方法。建立了整车动力学模型、转向系统模型、高速"路感"模型和转阀能耗模型,并对模型进行了验证;给出了低速转向轻便性、高速转向"路感"和能耗的量化指标;提出了以轻便性、"路感"和能耗量化指标的平方和根最小值为目标函数,以各参数取值范围为约束条件的最优化问题;构建了基于模拟退火修正的改进型粒子群优化算法(SA-PSO)的自适应度函数,运用改进型粒子群算法获得了转阀参数的全局最优解;SA-PSO与PSO的优化结果对比表明,SA-PSO的全局收敛性强、收敛速度快;通过优化参数与另外两组参数双纽线、高速中间位置小转角转向、转阀能耗仿真验证了优化方法的有效性和优化结果的正确性,最后分别进行了转阀参数优化前、后的双纽线、高速中间位置小转角转向、转阀能耗试验,结果表明,优化后的转阀使转向轻便性、高速转向"路感"和节能性均得到改善。     

面向服务的网络化协同制造资源多目标重组优化调度

针对网络化协同制造资源重组优化调度所存在的问题,综合考虑影响网络化协同制造资源重组优化调度的4个主要因素:最小化生产作业时间、最小化生产作业成本、最优化生产加工质量、最优化资源服务质量,建立了网络化协同制造资源多目标优化调度的数学模型。提出了一种基于Pareto多目标免疫遗传算法的网络化协同制造资源重组优化调度方法,该算法综合运用了小生境技术、群体排序技术和精英保留策略,并对遗传算子进行改进,自适应地调整交叉和变异算子,结合免疫算法的免疫选择淘汰了相似个体,保证了种群多样性,避免了早熟现象的发生。免疫记忆对近似最优解进行动态邻域搜索,提高了算法的局部搜索能力。实例仿真表明了该算法的有效性。