多目标粒子群算法

摘要： 为了贯彻十四五规划“推动绿色低碳发展”的理念,依据风电、光伏和储能电池等装置组成的微网,提出以综合运行成本最低、碳排放最小和风光消纳处理能力最优为目标函数建立优化运行模型,并采用基于Pareto关联度支配的改进自适应变化权重的多目标粒子群算法(PD⁃IM⁃MOPSO)对该优化问题进行求解。采用Pareto关联度可以使Pareto前沿尽可能逼近真实的前沿面,更好维护种群的多样性,而自适应变化权重的改变可以有效降低算法陷入局部“早熟”的概率。通过Matlab仿真对比IM⁃MOPSO和PD⁃IM⁃MOPSO算法的收敛曲线,验证所提算法具有较快的收敛速度,通过算法Pareto前沿解集的分析比较,可以验证PD⁃IM⁃MOPSO算法的Pareto前沿分布更加均匀,具有全局和局部搜索能力强的优点。最后结合模糊模型识别从非劣解集中求得最优的运行方案。

摘要： 为提升矩形微通道的综合性能,通过多目标粒子群算法对矩形微通道进行数值优化,由响应曲面法拟合热阻函数,再以热阻与压降为目标函数,建立以矩形微通道结构参数为变量的多目标粒子群算法的数学模型。由多目标粒子群算法计算得到热阻与压降的pareto优化解集,用K-mean聚类法对优化解集进行聚类得到4个代表解,与未优化解进行对比,评价其综合性能。结果表明:响应曲面法拟合的热阻函数的相关系数R^(2)分别为0.9981、0.9961均接近1,模型准确度高,点3与点0的仿真结果对比表明经过多目标粒子群算法优化后的通道的温度分布更加均匀,最高温度更低,压降更低,综合性能更优。可见该种方法可以提供一定工况范围内的优化解集,提升微通道的综合性能。

摘要： 为了解决本体之间存在的异构问题,提出一种本体元匹配方法来确定不同本体中实体之间的对应关系.首先设计两个本体匹配结果质量的近似度量方法,并在此基础上构建本体匹配问题的多目标优化模型,最后提出一种多目标粒子群算法以求解该问题并优化本体匹配结果的质量.采用国际本体匹配竞赛提供的benchmark测试集,来测试基于多目标粒子群算法的本体元匹配方法的性能.实验结果表明:提出的方法在查全率和查准率两个指标上均优于国际本体匹配竞赛的其他参与者.

摘要： 储能系统可解决分布式电源加入配电网所产生的不良影响,而储能系统的合理配置是其有效应用的前提。以电网脆弱性衡量指标、有功网损、储能额定容量三个方面,考虑规划与运行之间的耦合性建立储能系统在有源配电网中的多目标选址定容模型。提出改进的多目标粒子群算法用于求解。该算法在种群更新过程中引入准对立学习策略以增强解的覆盖范围和收敛速度,并根据迭代次数采用自适应分裂策略分离过早聚集的粒子,从而增强粒子多样性,保证了算法跳出局部最优的能力。通过在IEEE33节点配电系统上进行分析,验证了所提模型及算法在优化分布式储能选址定容及运行策略中的合理性,并能有效改善电网的运行经济性与脆弱性,具有更强的全局寻优能力。

摘要： 针对钢铁生产的烧结配料过程中铁矿石价格变化大、矿石品位波动、烧结原料信息复杂、烧结配料约束繁多等对烧结配料成本的影响,提出了一种基于区域划分的约束多目标粒子群优化算法对烧结配矿进行优化.以国内某钢铁厂的实际烧结生产配料为例,构建烧结配料系统模型;为了协调全局探索和局部搜索的关系,将自适应角度划分策略融入约束评价准则,结合区域分布提取局部最优解信息,同时引入双外部存储集机制,维护种群多样性;通过标准函数集的测试,验证了所提算法的有效性.该算法应用于配矿过程中,能够兼顾成本与全铁含量,有效降低了烧结配料的成本,对烧结铁矿石资源的综合利用及质量保证具有重要意义.

摘要： 形成既能满足教师教学实施需求,又能得到学习者认可的在线学习群体是影响在线协作学习效率的重要因素.多目标粒子群算法和遗传算法应用于在线学习群体形成领域是目前的研究热点.然而,利用多目标粒子群算法解决在线学习群体形成问题时存在多样性差,容易陷入局部最优等问题;运用遗传算法解决在线学习群体形成问题时,则需要以耗费大量时间为代价.针对以上问题,提出了多目标优化视角下在线学习群体形成方法:首先根据学习者的多维个性特征建立在线学习群体形成MOLGFM模型(Multi-objective Online Learning Group Formation Model),其次针对形成模型的多目标优化特征,将多目标粒子群算法和遗传算法相结合提出了GAMOPSO(Genetic Multi-objective Particle Swarm Optimization)算法,最后采用GAMOPSO算法求解MOLGFM模型,提出多目标优化视角下的在线学习群体形成方法GAMOPSO-FA(Genetic Multi-objective Particle Swarm Optimization-Formation Approach).实验表明,相比采用经典算法的在线学习群体形成方法,所提GAMOPSO-FA方法形成的在线学习群体符合度更高,形成速度更快.

摘要： 在国家大力发展新能源汽车的过程中,充电问题一直阻碍着电动汽车的发展,充电基础设施尤其是快速充电站的规划和建设尤为重要。大规模发展电动汽车(electric vehicle,EV)的关键是根据用户的充电选择偏好,建立完善的充电基础设施,减少用户的里程焦虑,彻底解决充电不方便的问题。在考虑了各方面社会因素并确定一定数量的候选节点背景研究的基础上,提出了一种双目标规划模型,在满足需求、距离、容量等约束条件下,分析了建设充电站总成本和充电覆盖范围之间的关系,寻找最优的充电站建设方案,并以A城市B区为例,通过多目标粒子群算法进行求解,求出充电站的最佳节点和数量。用不同算法进行求解,通过对结果进行分析比较,表明多目标粒子群算法(MOPSO)在求解双目标问题时更具有实际意义。

摘要： 重大公共卫生事件爆发初期,医疗物资消耗迅速,供给严重不足,为了合理高效地分配医疗物资,开展应急医疗物资配送问题研究。引入熵权法确定需求点的需求紧迫度,优先配送紧迫度高的需求点,在此基础上尽可能地使配送路径最短,实现构建基于物资需求点紧迫度不同前提下的需求可拆分的多目标应急医疗物资调度模型;并使用动态惯性权重和增加粒子扰动项等策略对粒子群算法进行改进用于求解模型。结果表明:该方法可高效解决资源紧缺情况下应急物资调配及车辆路径方案生成问题。

摘要： 为满足储能系统同时满足负荷侧削峰填谷的需求和电网经济效益成本.以削峰填谷负荷侧功率、电池储能配置、储能系统成本为目标函数建立削峰填谷用储能系统运行优化模型.利用多目标粒子群算法调整惯性权重来优化削峰填谷储能系统多目标,采用适应度函数变差系数确定各子目标函数权重,由动态自适应粒子群算法寻获系统寻优参数,形成最优Pareto解,通过TOPSIS法求解最优方案的优化解.通过建立变参数功率策略的削峰填谷日负荷曲线放线,与实际负荷曲线控制效果表明:该控制策略能在兼顾经济成本和设备损耗下,满足储能系统的削峰填谷基本要求.

摘要： 优化渠系配水过程是缓解灌区水资源压力、实现农业高效节水的重要举措.以河套灌区总干渠、干渠两级渠系作为研究对象,将水流过渡平稳和渠道渗漏量最小作为优化目标,建立渠系优化配水模型,采用回溯搜索算法(BSA)、多目标粒子群算法(MOPSO)以及向量评估遗传算法(VEGA)进行求解.结果显示,BSA,MOPSO,VEGA这3种算法所求的配水时间分别为30.96,11.65,29.96 d;3种算法所得的阀门开启时间点的偏态系数分别为-0.048,0.068,0.566,表明BSA和MOPSO更能保证灌溉水在渠道运输中的稳定性.考虑渠首水位季节性变化对灌区引水时间产生的限制作用,BSA和MOPSO分别更适用于渠首引水量较少、充足的情况.考虑配水时间的集中程度以及干渠的地理位置分布,BSA和MOPSO更有利于实施分区管理措施.

摘要： 采用多目标粒子群算法(PSO)对水翼进行了以提高升阻比和改善水翼表面压力分布为目标的优化设计.本研究多目标算法采用线性权重方法处理.经过数值计算,翼型的设计达到了设计要求,优化设计后的翼型升阻比有显著地改善并且最小负压系数减小,能很好地抑制空泡的发生,这表明了多目标粒子群算法应用于抗空化水翼设计的可行性.

摘要： 针对金沙江下游梯级与三峡梯级联合防洪调度中的多目标优化问题,综合考虑各水库坝身防洪安全及上下游防护区安全等目标,建立了梯级水库联合防洪多目标优化调度模型,提出多目标粒子群算法对模型进行优化求解,构造外部档案集来保存求解过程中的非劣解,并基于个体聚集距离来维持外部档案集的粒子分布性,得到了分布均匀且范围广的非劣调度方案集供决策者评价优选.分别选取1981年和1998年为典型洪水年,对各典型年不同频率下的设计洪水进行了联合防洪优化调度,实例研究结果表明,相比于三峡梯级单独运行,梯级水库联合防洪调度可有效削减三峡梯级的入库洪峰流量,降低三峡坝前最高水位,提高长江中下游的防洪能力.

摘要： 针对分布式电源(Distributed Generation,DG)并网给电力系统带来的随机扰动,综合考虑配电网运行效益,计及风光时序特性,以经济性、电能质量及环保性为目标,搭建了机会约束规划模型.采用混合智能算法求解,即基于支持向量机(Support Vector Machine,SVM)算法模拟优化变量到目标函数以及约束条件映射的不确定性函数,运用多目标粒子群算法(Multi-Objective Particle Swarm Optimization,MOPSO)求解模型,得出Pareto非劣决策集并给出典型解及理想解.算例结果表明,该规划方法考虑到DG的随机性特征、时序特性和并网概率分布,能提高算法执行效率,证明了所提方法的合理性和有效性,且Pareto前沿的引入,给决策者充分选择空间,更具有工程性.

摘要： 本发明涉及一种选择多目标量子粒子群算法领导粒子的方法。过将多目标量子粒子群算法的帕累托前沿分区拉直，在每段分区拉直的帕累托前沿中随机选择一个坐标，再选择距离该坐标最近的解作为领导粒子，引导该分区种群的搜索，使帕累托前沿中解密集度较高部位中对应的粒子被选为领导粒子的概率低，解密集度较低部位对应的粒子被选为领导粒子的概率高，从而让帕累托前沿分布更均匀。本发明方法能够使得帕累托前沿分布更均匀。

摘要： 本发明提供一种基于粒子群算法多目标优化保障装备预留算法，包括如下步骤：S1、建立数学模型算法；S2、预置指标用分级赋权方式进行量化处理；S3、保障设备预置点的安排和预置量的分配，利用图算法来简化，使得预置存储局部化或者近似局部化；S4、分割简化后的各局部顶点集群，分别是一些独立的区域，算法在每个独立的区域再运用粒子群算法进行多目标的优化。本发明可以提高机务保障服务的快速反应能力，必要时为优化算法执行效率，并适度考虑气候因素的影响，可以按照最短响应时间，生成各预置场所所需配置的保障设备数量。

摘要： 本发明公开了一种基于改进多目标混合粒子群算法的汽车传动参数优化方法，包括：对于当前种群中的每个粒子，根据每个粒子的位置、预设的动力性分目标函数以及经济性分目标函数计算每个粒子的个体最优值pbest，并求解Pareto最优前沿，根据所述Pareto最优前沿得到种群全局最优值gbest，根据所有粒子的类别，计算每个粒子对应的类别最优值nbest；然后计算每个粒子下一次迭代的位置；用遗传算法更新种群中的所有粒子得到用于下一次迭代的种群，然后继续迭代，满足预设的终止迭代条件时将Pareto最优前沿对应的粒子输出作为最优的汽车动力传动参数。本发明保证较低时间复杂度的前提下，防止过早收敛陷入局部最优，可以获得更准确的计算结果。

摘要： 一种基于多目标粒子群算法的武器‑目标分配解决方法，首先根据条件数据建立多个优化目标函数并设置与函数数量相同的从种群和一个主种群。为每个从种群分别生成可行解作为种群粒子并初始化，主种群和从种群协同使用粒子群算法进化，从种群搜索非劣解并转移到主种群，主种群修复非劣解之间的间隙、产生较优的Pareto最优解集。迭代更新主种群和从种群直至终止。本发明的方法符合武器‑目标分配问题同时考虑多个优化目标、满足多个作战意图的需求，而且解决了现有技术要么获得Pareto最优解集的分布性较差，要么算法容易早熟收敛、求解精度差的问题。

摘要： 本发明公开了一种基于混合多目标粒子群算法的无线传感网络中继节点部署算法；本发明主要研究单层网络中的中继节点部署问题，并且主要研究的网络属性为网络的平均能耗和网络通行链路的可靠性。混合多目标粒子群算法是一类新兴的多目标进化算法。它的核心思想是在多目标粒子群算法的基础上引入最优邻居学习以及遗传算法中的交叉变异拥挤距离的策略，从而显著提高算法的搜索效率。由于混合多目标粒子群算法是一种基于种群的算法，可以同时维护一组具有不同偏好的候选解，因而非常适合于求解多目标优化问题。而且，大量的实际应用表明，混合多目标粒子群算法比通常的多目标进化算法具有更高的搜索效率。

摘要： 本发明公开了一种基于新型多目标粒子群算法的零部件轻量化优化设计方法，属于零部件轻量化优化设计技术领域，其技术方案要点是，包括有限元建模与分析、数学模型建立、改进多目标粒子群算法的求解以及优化结果对比及验证四大步骤。该种基于新型多目标粒子群算法的零部件轻量化优化设计方法为了克服多目标粒子群算法在无法突出不同目标函数不同重要性、惯性权值因子鲁棒性差、全局寻优困难等情况，对基本多目标粒子群算法进行了改进。

摘要： 本发明涉及一种基于改进多目标粒子群算法的函数测试方法，包括：构建基于高斯‑柯西混合变异的多目标粒子群算法；应用基于高斯‑柯西混合变异的多目标粒子群算法，对标准测试函数进行求解，得到对应的最优解。其中，基于高斯‑柯西混合变异的多目标粒子群算法具体是采用高斯变异进行局部搜索、采用柯西变异进行全局搜索，以得到高斯‑柯西混合变异机制进行最优解搜寻；此外还采用锦标赛选择机制进行全局最优个体的选取。与现有技术相比，本发明所提出的算法不仅能扩大粒子搜群最优解的范围，而且能增加全局最优粒子选择的多样性，将该改进的多目标粒子群算法应用在标准测试函数上，不仅能提高搜索能力和收敛能力，且帕累托前沿分布更加均匀。

摘要： 本发明提出基于多目标粒子群算法的有源配电网集群划分方法，包括如下步骤：建立有源配电网集群划分指标体系；根据建立的指标体系，采用多目标粒子群算法迭代寻优，获取配电网集群划分帕累托前沿；根据TOPSIS多属性决策法选取帕累托前沿的折中解，从而得到最终的有源配电网集群划分结果。本发明提出的基于多目标粒子群算法的有源配电网集群划分方法克服了在施加权重时人为主观因素会影响划分结果的问题，使用该方法可以更为直观的反应出集群划分结果和目标函数之间的关系，能给出较为有效的集群划分结果，在工程上具有较高的实用价值。

摘要： 本发明涉及一种基于多目标粒子群算法的程序控制流证明方法，属于计算机信息远程证明技术领域。本发明通过多目标粒子群算法得到最优插桩方案，根据该方案获取目标程序所有可能的控制流数据，将每种输入范围下的控制流数据的哈希值和输入范围存储到服务器。设备收到服务器发起的请求后，根据请求中的输入运行目标程序，在可信执行环境中对动态控制流数据进行哈希运算得到哈希值，对哈希值和请求进行签名生成报告，发送给服务器。服务器收到报告后先验签，再检查请求是否正确，最后将哈希值和预期哈希值进行对比。本发明可以使得资源受限的设备能够以较低的性能开销获得极高的安全性。

摘要： 本发明公开了一种基于改进多目标粒子群算法的双馈风机控制参数辨识方法，本方法将双馈风机的控制参数划分为关键控制参数和非关键控制参数，在PSASP中搭建双馈风机低电压穿越暂态模型，通过调节关键控制参数得到多组输出数据，构建原模型与辨识模型的多目标误差函数；采用改进多目标粒子群算法基于关键控制参数和输出数据对建立的多目标误差函数寻优求解，得到双馈风机待辨识控制参数的辨识结果，并对辨识得到的辨识模型和原模型进行对比验证；本方法能准确可靠辨识出双馈风机暂态模型中关键控制参数。