混合多目标粒子群优化算法在热精轧负荷分配优化中的应用
本文关键词： 热精轧负荷分配 多目标优化 粒子群优化算法 Pareto支配 分解 出处：《控制理论与应用》2017年01期 论文类型：期刊论文
【摘要】：通过对热精轧负荷分配过程的分析,选取负荷均衡、板形良好和轧制功率最低为目标,建立了热精轧负荷分配多目标优化模型.为了提高多目标优化算法解集的分布性和收敛性,提出了一种混合多目标粒子群优化算法(HMOPSO),该算法根据Pareto支配关系得到Pareto前沿进而保证种群收敛;采用分解策略维护外部存档,该策略首先根据Pareto前沿求出上界点对目标空间进行归一化处理,然后对种群进行分区处理进而保证种群的分布性能.仿真结果表明,HMOPSO的收敛性和分布性都好于MOPSO和d MOPSO;采用模糊多属性决策的方法从Pareto最优解集中选择一个Pareto最优解,通过与经验负荷分配方法相比,表明该Pareto最优解可以使轧制方案更加合理.
[Abstract]:Through the analysis of the load distribution process of hot finishing mill, the target is load balance, good shape and the lowest rolling power. A multi-objective optimization model for load distribution of hot finishing mill is established. In order to improve the distribution and convergence of the solution set of multi-objective optimization algorithm, A hybrid multiobjective particle swarm optimization algorithm (HMOPSO) is proposed, which obtains the Pareto frontier according to the Pareto dominance relation and ensures the population convergence. The decomposition strategy is used to maintain the external archive. According to the Pareto frontier, the upper bound point is obtained to normalize the target space. The simulation results show that the convergence and distribution of HMOPSO are better than those of MOPSO and d-MOPSO, and a Pareto optimal solution is selected from the Pareto optimal solution set by fuzzy multi-attribute decision making. Compared with the empirical load distribution method, it is shown that the Pareto optimal solution can make the rolling scheme more reasonable.
【作者单位】： 东北大学信息科学与工程学院;
【基金】：国家自然科学基金项目(61374137) 流程工业综合自动化国家重点实验室基础科研业务项目(2013ZCX02 03)资助~~
【分类号】：TP18;TG335.11
【相似文献】
相关期刊论文 前10条
1 万再莲;;粒子群优化算法在圆环阵综合中的应用[J];广西轻工业;2010年09期
2 杨松铭;;一种基于混沌序列的粒子群优化算法[J];齐齐哈尔大学学报(自然科学版);2011年04期
3 刘卓倩;顾幸生;陈国初;;三群协同粒子群优化算法[J];华东理工大学学报(自然科学版);2006年07期
4 邵华;;改进的粒子群优化算法在环境规划与管理中的应用[J];市场周刊(理论研究);2009年08期
5 张媛媛;高兴宝;;双评价粒子群优化算法[J];陕西科技大学学报(自然科学版);2012年01期
6 姜长元;赵曙光;郭力争;冀川;;改进型耗散粒子群优化算法[J];东华大学学报(自然科学版);2012年03期
7 莫愿斌;陈德钊;胡上序;王居凤;;二进制粒子群优化算法在化工优化问题中的应用[J];计算机与应用化学;2006年12期
8 邢杰;萧德云;;混合粒子群优化算法及其应用[J];化工学报;2008年07期
9 窦明武;王国艳;李亮;;一种新型粒子群优化算法[J];辽宁工程技术大学学报(自然科学版);2010年06期
10 俞欢军,张丽平,陈德钊,宋晓峰,胡上序;复合粒子群优化算法在模型参数估计中的应用[J];高校化学工程学报;2005年05期
相关会议论文 前10条
1 张妍;张晓光;王永钢;;几种改进型的粒子群优化算法[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年
2 孙红光;潘毓学;;基于运动目标路径的粒子群优化算法研究[A];第二届全国信息获取与处理学术会议论文集[C];2004年
3 韩毅;唐加福;郭伟宏;刘阳;;混合粒子群优化算法求解多层批量问题(英文)[A];中国运筹学会第八届学术交流会论文集[C];2006年
4 金一粟;梁逸曾;;空间自适应粒子群优化算法的应用研究[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年
5 汪荣贵;李守毅;孙见青;;一种新的自适应粒子群优化算法及应用[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年
6 黄双欢;程良伦;;一种基于粒子群优化的快速图像倾斜角度检测算法[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年
7 侯志荣;吕振肃;;基于退火策略的粒子群优化算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年
8 徐俊杰;忻展红;;基于增强型参考位置的粒子群优化模型[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年
9 王亚;于永光;耿玲玲;;一类改进的自适应粒子群优化算法对混沌系统未知参数的估计[A];中国力学大会——2013论文摘要集[C];2013年
10 崔静;邓方;方浩;;基于改进粒子群优化算法的弹道求解方法[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年
相关博士学位论文 前10条
1 刘昊;多样性增强的粒子群优化算法及其应用研究[D];北京理工大学;2015年
2 姜毅;动态环境下粒子群优化算法的研究[D];武汉大学;2013年
3 刘华蓥;粒子群优化算法的改进研究及在石油工程中的应用[D];东北石油大学;2012年
4 刘波;粒子群优化算法及其在机电设备中的应用研究[D];中北大学;2011年
5 熊勇;粒子群优化算法的行为分析与应用实例[D];浙江大学;2005年
6 唐贤伦;混沌粒子群优化算法理论及应用研究[D];重庆大学;2007年
7 闫允一;粒子群优化及其在图像处理中的应用研究[D];西安电子科技大学;2008年
8 余炳辉;粒子群优化算法试验研究及扩展[D];华中科技大学;2007年
9 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年
10 徐慧;粒子群优化算法改进及其在煤层气产能预测中的应用研究[D];中国矿业大学;2013年
相关硕士学位论文 前10条
1 陈卓;粒子群优化算法的改进及在油藏数值模拟中的应用[D];北京建筑大学;2015年
2 白云;基于粒子群优化算法的复杂网络社区挖掘[D];西北农林科技大学;2015年
3 杨艳华;基于粒子群优化支持向量机的网络态势预测模型研究[D];兰州大学;2015年
4 孟亚州;基于粒子群优化OTSU的肺组织分割算法研究[D];宁夏大学;2015年
5 郑博;基于快速排序的多目标粒子群优化算法的研究及应用[D];郑州大学;2015年
6 米永强;非线性规划问题的混合粒子群优化算法研究[D];宁夏大学;2015年
7 李建美;基于自适应变异与文化框架的混沌粒子群优化算法[D];陕西师范大学;2015年
8 刘星;基于粒子群优化算法的特征选择方法研究[D];南京大学;2015年
9 牛旭;动态粒子群优化算法及其应用[D];西安电子科技大学;2014年
10 叶华;粒子群优化算法研究[D];西安电子科技大学;2014年
，本文编号：1553653
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/1553653.html
