多目標(biāo)動(dòng)態(tài)差分進(jìn)化算法及其應(yīng)用研究.pdf

1、多目標(biāo)優(yōu)化問(wèn)題廣泛存在于實(shí)際工程應(yīng)用和科學(xué)研究中，是一類非常重要而又難以解決的復(fù)雜問(wèn)題。作為隨機(jī)啟發(fā)式搜索算法，進(jìn)化計(jì)算通過(guò)代表整個(gè)解集的種群進(jìn)化，以內(nèi)在并行的方式搜索，一次優(yōu)化運(yùn)行就能夠獲得多個(gè)非劣解，已被成功應(yīng)用于多目標(biāo)優(yōu)化領(lǐng)域，并發(fā)展成為一個(gè)相對(duì)較熱的進(jìn)化多目標(biāo)優(yōu)化研究方向。差分進(jìn)化算法作為當(dāng)今最有效的隨機(jī)優(yōu)化算法之一，是解決多目標(biāo)優(yōu)化問(wèn)題的一種有效工具。本論文主要研究了基于動(dòng)態(tài)更新種群方式的差分進(jìn)化算法，重點(diǎn)將其拓展到多目標(biāo)優(yōu)化

2、領(lǐng)域，并應(yīng)用于混合動(dòng)力汽車多目標(biāo)優(yōu)化設(shè)計(jì)和電力系統(tǒng)環(huán)境經(jīng)濟(jì)負(fù)荷多目標(biāo)優(yōu)化分配。全文主要工作包括如下幾個(gè)方面。
　　 論文首先介紹了多目標(biāo)差分進(jìn)化算法的研究背景及意義，給出了多目標(biāo)優(yōu)化的相關(guān)定義，然后回顧和總結(jié)了進(jìn)化多目標(biāo)優(yōu)化的發(fā)展歷程以及多目標(biāo)差分進(jìn)化算法的國(guó)內(nèi)外研究現(xiàn)狀，并提出了進(jìn)化多目標(biāo)優(yōu)化領(lǐng)域的熱點(diǎn)和難點(diǎn)問(wèn)題。
　　 針對(duì)原創(chuàng)DE算法靜態(tài)更新種群結(jié)構(gòu)不利于提高算法收斂性的不足，引出了一種采用動(dòng)態(tài)更新種群策略的動(dòng)態(tài)差

3、分進(jìn)化算法(DDE)，并利用隨機(jī)壓縮映射原理對(duì)其收斂性進(jìn)行了分析。21個(gè)經(jīng)典Bechmark函數(shù)測(cè)試實(shí)驗(yàn)結(jié)果表明，動(dòng)態(tài)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(yōu)的風(fēng)險(xiǎn)。為解決算法全局探索與局部開發(fā)之間的平衡，結(jié)合不同進(jìn)化模式DDE的優(yōu)點(diǎn)，提出了一種基于自適應(yīng)變異算子的改進(jìn)DDE算法(SAMDDE)。大量經(jīng)典Bechmark函數(shù)測(cè)試實(shí)驗(yàn)以及2DⅡR濾波器設(shè)計(jì)實(shí)例均證實(shí)了改進(jìn)算法

4、的有效性。
　　 基于DDE/rand/1/bin變異策略無(wú)須選擇當(dāng)前種群中的最優(yōu)個(gè)體，能有效保持種群的多樣性從而避免早熟收斂的特點(diǎn)，提出了一種新穎的求解多目標(biāo)優(yōu)化問(wèn)題的參數(shù)自適應(yīng)動(dòng)態(tài)差分進(jìn)化算法。參數(shù)自適應(yīng)策略有效提高了算法的魯棒性。針對(duì)Deb的擁擠距離估計(jì)方法很多時(shí)候不能準(zhǔn)確地測(cè)量非占解之間的擁擠程度的不足，結(jié)合解在目標(biāo)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(cè)量方法。基于擁擠熵的測(cè)量方法能更準(zhǔn)確地估計(jì)非

5、占優(yōu)解之間的擁擠程度，從而能更有效保持非占優(yōu)解集的多樣性。選用18個(gè)進(jìn)化多目標(biāo)優(yōu)化領(lǐng)域的標(biāo)準(zhǔn)測(cè)試問(wèn)題對(duì)提出的算法進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果表明，與NSGA-Ⅱ、SPEA2和MOPSO三種代表性MOEAs相比，MOSADDE能夠更好地收斂到問(wèn)題的Pareto最優(yōu)前沿，且所得非占優(yōu)解集具有更好的分布性。
　　 為了進(jìn)一步提高M(jìn)OSADDE算法的收斂性能和魯棒性，針對(duì)參數(shù)重新隨機(jī)初始化自適應(yīng)策略的不足，提出了一種具有自學(xué)習(xí)能力的參數(shù)自適應(yīng)策

6、略。同時(shí)，為了使所求得的非占優(yōu)解在Pareto最優(yōu)前沿，尤其在高維目標(biāo)問(wèn)題的Pareto最優(yōu)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(cè)量方法。由此，通過(guò)引入新的參數(shù)自適應(yīng)策略和擁擠度估計(jì)方法，并基于具有快速收斂特性的DDE/best/2/bin變異方式，提出了一種用于求解MOPs的改進(jìn)參數(shù)自適應(yīng)動(dòng)態(tài)差分進(jìn)化算法MOSADDE-Ⅱ。選用27個(gè)進(jìn)化多目標(biāo)優(yōu)化領(lǐng)域的標(biāo)準(zhǔn)測(cè)試問(wèn)題對(duì)提出的算法進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果證實(shí)了以上方法的有效

7、性。
　　 在前面靜態(tài)多目標(biāo)差分進(jìn)化算法基礎(chǔ)上，通過(guò)引入環(huán)境檢測(cè)算子和新環(huán)境下初始種群多樣性保持策略，提出了一種求解動(dòng)態(tài)多目標(biāo)優(yōu)化問(wèn)題的動(dòng)態(tài)多目標(biāo)差分進(jìn)化算法(dMODDE)。用七個(gè)測(cè)試問(wèn)題進(jìn)行了仿真研究并與其它動(dòng)態(tài)MOEAs進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，當(dāng)問(wèn)題的Pareto最優(yōu)解和(或)前沿隨時(shí)間發(fā)生變化時(shí)，dMODDE能夠跟蹤到動(dòng)態(tài)變化的Pareto最優(yōu)前沿，且所獲得的Pareto最優(yōu)解具有良好的多樣性和散布性。
　　

8、基于非占優(yōu)排序策略和動(dòng)態(tài)差分進(jìn)化算法，提出了一種求解雙層多目標(biāo)優(yōu)化問(wèn)題(BLMOP)的動(dòng)態(tài)差分進(jìn)化算法。針對(duì)BLMOP的特點(diǎn)，設(shè)計(jì)了一種特殊的進(jìn)化種群結(jié)構(gòu)。并對(duì)最新文獻(xiàn)給出的7個(gè)測(cè)試問(wèn)題進(jìn)行了理論分析并用來(lái)測(cè)試算法的有效性。實(shí)驗(yàn)結(jié)果表明，所提出的算法能很好地收斂到每個(gè)測(cè)試問(wèn)題的Pareto最優(yōu)前沿，并能保持良好的多樣性和寬廣性，是一種求解BLMOP的有效方法。
　　 基于MOSADDE-Ⅱ算法，提出了一種同時(shí)優(yōu)化混合動(dòng)力汽車動(dòng)力

9、總成部件參數(shù)和控制策略參數(shù)的方法。基于電動(dòng)輔助控制策略，將HEV優(yōu)化設(shè)計(jì)問(wèn)題歸結(jié)為一個(gè)非線性約束多目標(biāo)優(yōu)化問(wèn)題，其中優(yōu)化目標(biāo)包括油耗FC、HC排放、CO排放和NOx排放等四個(gè)指標(biāo)，約束條件包括PNGV性能標(biāo)準(zhǔn)和電池SOC荷電狀態(tài)維持等要求。同時(shí)，利用模糊集理論，從所獲得的Pareto最優(yōu)解集中提取出最優(yōu)折衷解。以典型行駛循環(huán)工況FTP、ECE-EUDC和UDDS為試驗(yàn)工況，針對(duì)一種并聯(lián)式混合動(dòng)力轎車進(jìn)行了離線優(yōu)化仿真研究。實(shí)驗(yàn)結(jié)果表明，

10、與基于GA的加權(quán)系數(shù)法和NSGA-Ⅱ相比較，MOSADDE-Ⅱ具有明顯的優(yōu)越性。
　　 為了進(jìn)一步檢驗(yàn)MOSADDE-Ⅱ在工程優(yōu)化設(shè)計(jì)中的有效性，同時(shí)還將其應(yīng)用于電力系統(tǒng)環(huán)境經(jīng)濟(jì)負(fù)荷分配(EED)多目標(biāo)優(yōu)化。針對(duì)傳統(tǒng)EED只考慮發(fā)電成本和污染控制成本兩個(gè)優(yōu)化目標(biāo)的不足，通過(guò)引入系統(tǒng)損耗，建立了一個(gè)包含經(jīng)濟(jì)、環(huán)境和線損三個(gè)目標(biāo)的EED多目標(biāo)優(yōu)化模型。應(yīng)用MOSADDE-Ⅱ?qū)EEE30-和118-bus典型測(cè)試系統(tǒng)進(jìn)行了仿真研究，