多目標動態差分進化算法及其套用研究

《多目標動態差分進化算法及其套用研究》是2011年湖南大學發表的一篇碩士論文。本書主要介紹了多目標動態差分進化算法這一課題的相關知識。

基本介紹

• 中文名：多目標動態差分進化算法及其套用研究
• 對象：重要而又難以解決的複雜問題
• 定位：當今最有效的隨機最佳化算法之一
• 分類：科學

內容簡介

【摘要】：多目標最佳化問題廣泛存在於實際工程套用和科學研究中,是一類非常重要而又難以解決的複雜問題。作為隨機啟發式搜尋算法,進化計算通過代表整個解集的種群進化,以內在並行的方式搜尋,一次最佳化運行就能夠獲得多個非劣解,已被成功套用於多目標最佳化領域,並發展成為一個相對較熱的進化多目標最佳化研究方向。差分進化算法作為當今最有效的隨機最佳化算法之一,是解決多目標最佳化問題的一種有效工具。本論文主要研究了基於動態更新種群方式的差分進化算法,重點將其拓展到多目標最佳化領域,並套用於混合動力汽車多目標最佳化設計和電力系統環境經濟負荷多目標最佳化分配。全文主要工作包括如下幾個方面。 論文首先介紹了多目標差分進化算法的研究背景及意義,給出了多目標最佳化的相關定義,然後回顧和總結了進化多目標最佳化的發展歷程以及多目標差分進化算法的國內外研究現狀,並提出了進化多目標最佳化領域的熱點和難點問題。 針對原創DE算法靜態更新種群結構不利於提高算法收斂性的不足,引出了一種採用動態更新種群策略的動態差分進化算法(DDE),並利用隨機壓縮映射原理對其收斂性進行了分析。21個經典Bechmark函式測試實驗結果表明,動態更新種群策略大大提高了DE算法的收斂速率,但也一定程度上增加了"best"變異方式的DE算法陷入局部最優的風險。為解決算法全局探索與局部開發之間的平衡,結合不同進化模式DDE的優點,提出了一種基於自適應變異運算元的改進DDE算法(SAMDDE)。大量經典Bechmark函式測試實驗以及2D IIR濾波器設計實例均證實了改進算法的有效性。 基於DDE/rand/1/bin變異策略無須選擇當前種群中的最優個體,能有效保持種群的多樣性從而避免早熟收斂的特點,提出了一種新穎的求解多目標最佳化問題的參數自適應動態差分進化算法。參數自適應策略有效提高了算法的魯棒性。針對Deb的擁擠距離估計方法很多時候不能準確地測量非占解之間的擁擠程度的不足,結合解在目標空間中的分布熵和Deb擁擠距離,提出了一種稱為擁擠熵的擁擠度測量方法。基於擁擠熵的測量方法能更準確地估計非占優解之間的擁擠程度,從而能更有效保持非占優解集的多樣性。選用18個進化多目標最佳化領域的標準測試問題對提出的算法進行了測試。實驗結果表明,與NSGA-Ⅱ、SPEA2和MOPSO三種代表性MOEAs相比,MOSADDE(?)夠更好地收斂到問題的Pareto最優前沿,且所得非占優解集具有更好的分布性。 為了進一步提高MOSADDE算法的收斂性能和魯棒性,針對參數重新隨機初始化自適應策略的不足,提出了一種具有自學習能力的參數自適應策略。同時,為了使所求得的非占優解在Pareto最優前沿,尤其在高維目標問題的Pareto最優前沿具有更好的散布性,提出了歸一化最近鄰域距離的擁擠度測量方法。由此,通過引入新的參數自適應策略和擁擠度估計方法,並基於具有快速收斂特性的DDE/best/2/bin變異方式,提出了一種用於求解MOPs的改進參數自適應動態差分進化算法MOSADDE-Ⅱ。選用27個進化多目標最佳化領域的標準測試問題對提出的算法進行了測試。實驗結果證實了以上方法的有效性。 在前面靜態多目標差分進化算法基礎上,通過引入環境檢測運算元和新環境下初始種群多樣性保持策略,提出了一種求解動態多目標最佳化問題的動態多目標差分進化算法(dMODDE)。用七個測試問題進行了仿真研究並與其它動態MOEAs進行了比較。實驗結果表明,當問題的Pareto最優解和(或)前沿隨時間發生變化時,dMODDE能夠跟蹤到動態變化的Pareto最優前沿,且所獲得的Pareto最優解具有良好的多樣性和散布性。 基於非占優排序策略和動態差分進化算法,提出了一種求解雙層多目標最佳化問題(BLMOP)的動態差分進化算法。針對BLMOP的特點,設計了一種特殊的進化種群結構。並對最新文獻給出的7個測試問題進行了理論分析並用來測試算法的有效性。實驗結果表明,所提出的算法能很好地收斂到每個測試問題的Pareto最優前沿,並能保持良好的多樣性和寬廣性,是一種求解BLMOP的有效方法。 基於MOSADDE-Ⅱ算法,提出了一種同時最佳化混合動力汽車動力總成部件參數和控制策略參數的方法。基於電動輔助控制策略,將HEV最佳化設計問題歸結為一個非線性約束多目標最佳化問題,其中最佳化目標包括油耗FC、HC排放、CO排放和NOx排放等四個指標,約束條件包括PNGV性能標準和電池SOC荷電狀態維持等要求。同時,利用模糊集理論,從所獲得的Pareto最優解集中提取出最優折衷解。以典型行駛循環工況FTP、ECE-EUDC和UDDS為試驗工況,針對一種並聯式混合動力轎車進行了離線最佳化仿真研究。實驗結果表明,與基於GA的加權係數法和NSGA-Ⅱ相比較,MOSADDE-Ⅱ具有明顯的優越性。 為了進一步檢驗MOSADDE-Ⅱ在工程最佳化設計中的有效性,同時還將其套用於電力系統環境經濟負荷分配(EED)多目標最佳化。針對傳統EED只考慮發電成本和污染控制成本兩個最佳化目標的不足,通過引入系統損耗,建立了一個包含經濟、環境和線損三個目標的EED多目標最佳化模型。套用MOSADDE-Ⅱ對IEEE30-和118-bus典型測試系統進行了仿真研究,實驗結果證實了所提方法的有效性。 論文最後總結了全文的主要工作和創新性的研究成果,並對下一步研究工作進行了展望。

關鍵字

多目標最佳化進化多目標最佳化動態差分進化算法動態多目標最佳化雙層多目標最佳化混合動力汽車環境經濟負荷分配

授予單位

湖南大學

學位級別

博士

授予年份

2011

分類號

TP18;O224

目錄

• 摘要5-7
• Abstract7-14
• 第1章 緒論14-29
• 1.1 本論文的研究背景及意義14-15
• 1.2 多目標最佳化的基本概念15-17
• 1.3 進化多目標最佳化的主要算法及發展史17-22
• 1.3.1 非精英保留方法17-18
• 1.3.2 精英保留方法18-21
• 1.3.3 其它新型MOEAs21-22
• 1.4 多目標最佳化的研究趨勢22-25
• 1.5 多目標差分進化算法的國內外研究進展25-26
• 1.6 本論文的主要內容26-29
• 第2章 動態差分進化算法及其改進29-47
• 2.1 原創差分進化算法29-31
• 2.1.1 變異操作29-30
• 2.1.2 交叉操作30-31
• 2.1.3 選擇操作31
• 2.1.4 DE算法流程31
• 2.2 差分進化算法家族31-33
• 2.3 動態差分進化算法33-34
• 2.4 DDE的收斂性分析34-35
• 2.5 DDE與DE的比較分析35-39
• 2.6 一種自適應變異DDE算法39-42
• 2.6.1 自適應變異運算元39
• 2.6.2 SAMDDE收斂性證明39-40
• 2.6.3 實驗分析40-42
• 2.7 套用實例42-45
• 2.7.1 問題描述42-43
• 2.7.2 約束處理43-44
• 2.7.3 性能指標44
• 2.7.4 設計實例44-45
• 2.8 本章小結45-47
• 第3章 基於擁擠熵的多目標自適應動態差分進化算法47-68
• 3.1 引言47-48
• 3.2 參數自適應策略48-50
• 3.3 精英存檔和多樣性保持50-52
• 3.3.1 外部精英存檔50
• 3.3.2 基於擁擠熵的多樣性測量50-52
• 3.4 MOSADDE算法52-54
• 3.4.1 占優選擇運算元52
• 3.4.2 約束處理52
• 3.4.3 算法實現52-54
• 3.4.4 算法計算複雜度54
• 3.5 實驗結果54-67
• 3.5.1 測試問題組54
• 3.5.2 性能指標54-56
• 3.5.3 白適應控制參數策略有效性測試56-57
• 3.5.4 MOSADDE與其它MOEAs的比較57-63
• 3.5.5 MOSADDE與其它MODEs的比較63-67
• 3.6 本章小結67-68
• 第4章 基於歸—化最近鄰域距離的多目標自適應動態差分進化算法68-84
• 4.1 引言68-69
• 4.2 參數自適應策略69
• 4.3 歸一化最近鄰域距離69-71
• 4.4 MOSADDE-Ⅱ算法71-73
• 4.4.1 變異運算元中best個體的選擇71
• 4.4.2 算法實現71-73
• 4.4.3 算法計算複雜度73
• 4.5 實驗結果73-82
• 4.5.1 測試問題組73
• 4.5.2 控制參數自適應策略有效性測試73-75
• 4.5.3 MOSADDE-Ⅱ與MOSADDE及其它MOEAs的比較75-82
• 4.6 本章小結82-84
• 第5章 基於動態差分進化算法的動態多目標最佳化84-104
• 5.1 引言84-86
• 5.2 動態多目標最佳化問題數學描述86
• 5.3 動態多目標差分進化算法86-89
• 5.3.1 動態環境檢測87
• 5.3.2 種群多樣性保持87-88
• 5.3.3 算法實現88-89
• 5.4 動態多目標最佳化測試問題89-93
• 5.5 實驗結果及性能分析93-102
• 5.5.1 動態性能指標93-95
• 5.5.2 環境改變頻率對算法性能的影響分析95-96
• 5.5.3 參數pl對算法性能的影響分析96-97
• 5.5.4 測試結果及比較分析97-102
• 5.6 本章小結102-104
• 第6章 基於動態差分進化算法的雙層多目標最佳化104-121
• 6.1 引言104-105
• 6.2 雙層多目標最佳化問題數學描述105
• 6.3 雙層多目標動態差分進化算法105-110
• 6.3.1 進化種群結構106-107
• 6.3.2 下層多目標差分進化算法107-108
• 6.3.3 上層多目標差分進化算法108-110
• 6.3.4 算法計算複雜度分析110
• 6.4 雙層多目標最佳化測試問題110-115
• 6.5 實驗結果及其分析115-120
• 6.5.1 算法的參數選擇和分析116
• 6.5.2 實驗結果116-120
• 6.6 本章小結120-121
• 第7章 多目標DDE算法在工程最佳化設計中的套用121-147
• 7.1 基於MOSADDE-Ⅱ的混合動力汽車最佳化設計121-138
• 7.1.1 引言121-123
• 7.1.2 HEV最佳化設計參數123-126
• 7.1.3 PHEV多目標最佳化模型126-127
• 7.1.4 基於模糊理論的最優折衷解提取127-128
• 7.1.5 最佳化結果及其分析128-138
• 7.2 基於MOSADDE-Ⅱ的環境經濟負荷分配多目標最佳化138-145
• 7.2.1 引言138-139
• 7.2.2 問題描述139-140
• 7.2.3 實驗結果及其分析140-145
• 7.3 本章小結145-147
• 結論147-151
• 參考文獻151-163
• 致謝163-164
• 附錄A 攻讀學位期間所取得的成果164-166
• 附錄B 攻讀學位期間參與的科研項目166-167
• 附錄C 單目標最佳化Benchmark測試函式167-171
• 附錄D 多目標最佳化Benchmark測試函式171-175
• 附錄E IEEE 30-和118-bus測試系統線損B係數175-176