多目标人工蜂群算法研究及应用
发布时间：2021-11-04 07:20
在科学研究中,许多优化问题都具有多个目标且这些目标都需要被同时优化,这类问题被统称为多目标优化问题。由于此类问题的主要特点在于需要优化的多个目标间一般是相互矛盾的,使得多目标优化问题的求解异常困难。因此如何能够快速地获得高效的解决方案成为目前多目标优化领域的重要研究课题。传统的优化算法虽然具有较高的计算效率、较强的可靠性、性能较成熟等优点,但同时也具有难以克服的局限性,如极其容易陷入局部最优解等。近些年,群体智能算法的出现,给多目标优化问题的求解带来了新的希望。由于它的智能性、通用性、稳健性、本质并行性和全局搜索能力,已经有多个基于群体智能算法的多目标优化算法被提出。人工蜂群算法是目前性能较高的群体智能算法,已经成功应用于许多工程实践问题中,并取得了较好的优化效果。然而,现存的大部分多目标人工蜂群算法均是基于理想化模型来设计,用于求解实际工程中的多目标优化问题的相关理论和方法还处于初级阶段。本文研究的具体内容如下:（1）提出了基于分解思想的多目标离散人工蜂群算法（MODABC/D）用于解决带序列依赖调整时间的多目标置换流水线调度问题。首先,为了使得人工蜂群算法可以求解离散域上的带序列依...
【文章来源】：东北师范大学吉林省 211工程院校 教育部直属院校
【文章页数】：106 页
【学位级别】：博士
【部分图文】：
本文三个研究
12并使用新的搜索方法生成后代。同时，跟随蜂通过新的搜索方法开采新的搜索空间，并利用Pareto支配来比较种群中的每个个体。为了更好的证明算法的优越性，本文采用12个约束优化基准函数与3个工程优化问题测试算法性能。从实验结果来看，本文提出的算法是高效的。同时，将本文的算法与其它算法进行比较，从结果可以看出，不管是在解质量上还是从收敛速度角度，本文的算法都具有较大的优势。图1-1本文三个研究内容之间的相关性1.5.2本文的组织结构本文共分为六章，各章具体内容安排如下：第一章，绪论部分。首先介绍了本文的研究背景，并提出本文的研究意义。随后，初步介绍了带序列依赖调整时间的多目标置换流水线调度问题、电力系统环境/经济调度问题和约束优化问题的问题定义以与国内外研究现状。最后介绍了本文的三个重要的研究内容以及组织结构。第二章，人工蜂群算法。详细介绍传统人工蜂群算法的算法背景和起源，并给出算法的基本流程与框架，人工蜂群算法的国内外研究现状。最后了介绍多目标优化模型与多目标人工蜂群算法的发展现状。第三章，基于多目标离散人工蜂群算法的带序列依赖调整时间的多目标置换流水线调度问题的研究，首先提出了多目标离散人工蜂群算法，其中包括：算法总体框架、解表示和种群初始化、雇佣蜂阶段、跟随蜂阶段、深度局部搜索算法和侦察蜂阶段。并通过实验分析阐述算法性能。实验结果表明，基于多目标离散人工蜂群算法显著地提高了带序列依赖调整时间的多目标置换流水线调度问题的解。第四章，基于多目标人工蜂群算法的电力系统环境/经济调度问题研究，首先提出了多目标改进人工蜂群算法。在算法中，提出改进人工蜂群算法，并结合多目标机制提出了多目标改进人工蜂群算法，分析如何更新种群新个体以及如?
20上的映射。以多目标优化问题中最小化两个目标函数为例，图2-2展示了各个Pareto前沿等级排序即多个非支配解集的等级。图2-2非支配解集等级2.2.2多目标人工蜂群算法发展现状在现实生活中，许多实际问题都需同时满足两个或者两个以上的目标条件，解决此类问题时就转换成了多目标问题的求解。基于人工蜂群算法的收敛快、鲁棒性强等特点，它在多目标领域也存在较多研究。周清雷等人提出的多目标蜂群算法应用于服务应用领域中[150]，采用服务质量中费用、响应时间和可用性三个属性作为问题目标，提出一种带有改进邻域搜索策略的多目标人工蜂群算法，将基本人工蜂群算法和多目标机制相结合，并引入Pareto非劣排序和拥挤距离机制。算法首先对种群进行初始化，随后对种群中的解进行Pareto非劣排序，得到一个Pareto前沿，接着将前沿中的非支配解按拥挤度排序，依次加入一个固定大小的空集合中，使用集合中的解实现人工蜂群算法，并使用改进的食物源遗弃策略，直至算法结束，得到最终的Pareto最优解集。该算法得到了更加逼近理想Pareto最优前沿的最优解集，增加了人工蜂群算法的有效性。Zhang等人提出混合多目标蜂群算法[151]，解决了铜带生产负荷优化问题。为了有效地优化铜带配料过程，根据实际配料原理建立了一个非线性约束多目标模型。该求解问题中包含两个目标，包括尽量降低原材料的总成本和最大限度地增加向熔化炉中投入的废料量。在提出的混合多目标蜂群算法中，首先初始化种群，计算种群中每个个体的适应度，对种群采用快速非支配排序方法进行排序，随后算法进入雇佣蜂阶段和跟随蜂阶段，接着对种群根据目标值和多样性进行选择。最后使用模糊机制排列Pareto最优解集中的解。通过实验结果表明了该算法具有强大的搜索性能和优化性能。
【参考文献】：
期刊论文
[1]电动汽车和可再生能源经济环保协同并网调度的优化模型[J]. 侯建朝,侯鹏旺,孙波. 可再生能源. 2017(11)
[2]考虑风电与电动汽车协同作用的动态环境经济调度[J]. 黄强,孟安波,殷豪,简俊威,陈云龙. 广东电力. 2017(10)
[3]含电动汽车虚拟电厂参与碳交易时的经济与环境调度[J]. 刘祚宇,齐峰,文福拴,张西竹,王蕾. 电力建设. 2017(09)
[4]S-ABC——面向服务领域的人工蜂群算法范型[J]. 徐晓飞,刘志中,王忠杰,闵寻优,刘睿霖,王海芳. 计算机学报. 2015(11)
[5]基于信息熵的改进人工蜂群算法[J]. 李彦苍,彭扬. 控制与决策. 2015(06)
[6]基于人工蜂群算法的无线传感器网络路由协议[J]. 周晓,朱仁烽,赵锋,方玖琳. 浙江工业大学学报. 2014(05)
[7]多目标人工蜂群算法在服务组合优化中的应用[J]. 周清雷,陈明昭,张兵. 计算机应用研究. 2012(10)
[8]基于自适应选择策略的人工蜂群算法[J]. 杨琳,孔峰,贺师超. 广西工学院学报. 2012(03)
[9]Discrete Artificial Bee Colony Algorithm for Lot-streaming Flowshop with Total Flowtime Minimization[J]. SANG Hongyan1, 2, GAO Liang1, *, and PAN Quanke1, 3 1 State Key Lab. of Digital Manufacturing Equipment & Technology, Huazhong University of Science and Technology, Wuhan 430074, China 2 School of Mathematics Science, Liaocheng University, Liaocheng 252059, China 3 School of Computer Science, Liaocheng University, Liaocheng 252059, China. Chinese Journal of Mechanical Engineering. 2012(05)
[10]量子位Bloch坐标的量子人工蜂群优化算法[J]. 易正俊,何荣花,侯坤. 计算机应用. 2012(07)
本文编号：3475265
【文章来源】：东北师范大学吉林省 211工程院校 教育部直属院校
【文章页数】：106 页
【学位级别】：博士
【部分图文】：
本文三个研究
12并使用新的搜索方法生成后代。同时，跟随蜂通过新的搜索方法开采新的搜索空间，并利用Pareto支配来比较种群中的每个个体。为了更好的证明算法的优越性，本文采用12个约束优化基准函数与3个工程优化问题测试算法性能。从实验结果来看，本文提出的算法是高效的。同时，将本文的算法与其它算法进行比较，从结果可以看出，不管是在解质量上还是从收敛速度角度，本文的算法都具有较大的优势。图1-1本文三个研究内容之间的相关性1.5.2本文的组织结构本文共分为六章，各章具体内容安排如下：第一章，绪论部分。首先介绍了本文的研究背景，并提出本文的研究意义。随后，初步介绍了带序列依赖调整时间的多目标置换流水线调度问题、电力系统环境/经济调度问题和约束优化问题的问题定义以与国内外研究现状。最后介绍了本文的三个重要的研究内容以及组织结构。第二章，人工蜂群算法。详细介绍传统人工蜂群算法的算法背景和起源，并给出算法的基本流程与框架，人工蜂群算法的国内外研究现状。最后了介绍多目标优化模型与多目标人工蜂群算法的发展现状。第三章，基于多目标离散人工蜂群算法的带序列依赖调整时间的多目标置换流水线调度问题的研究，首先提出了多目标离散人工蜂群算法，其中包括：算法总体框架、解表示和种群初始化、雇佣蜂阶段、跟随蜂阶段、深度局部搜索算法和侦察蜂阶段。并通过实验分析阐述算法性能。实验结果表明，基于多目标离散人工蜂群算法显著地提高了带序列依赖调整时间的多目标置换流水线调度问题的解。第四章，基于多目标人工蜂群算法的电力系统环境/经济调度问题研究，首先提出了多目标改进人工蜂群算法。在算法中，提出改进人工蜂群算法，并结合多目标机制提出了多目标改进人工蜂群算法，分析如何更新种群新个体以及如?
20上的映射。以多目标优化问题中最小化两个目标函数为例，图2-2展示了各个Pareto前沿等级排序即多个非支配解集的等级。图2-2非支配解集等级2.2.2多目标人工蜂群算法发展现状在现实生活中，许多实际问题都需同时满足两个或者两个以上的目标条件，解决此类问题时就转换成了多目标问题的求解。基于人工蜂群算法的收敛快、鲁棒性强等特点，它在多目标领域也存在较多研究。周清雷等人提出的多目标蜂群算法应用于服务应用领域中[150]，采用服务质量中费用、响应时间和可用性三个属性作为问题目标，提出一种带有改进邻域搜索策略的多目标人工蜂群算法，将基本人工蜂群算法和多目标机制相结合，并引入Pareto非劣排序和拥挤距离机制。算法首先对种群进行初始化，随后对种群中的解进行Pareto非劣排序，得到一个Pareto前沿，接着将前沿中的非支配解按拥挤度排序，依次加入一个固定大小的空集合中，使用集合中的解实现人工蜂群算法，并使用改进的食物源遗弃策略，直至算法结束，得到最终的Pareto最优解集。该算法得到了更加逼近理想Pareto最优前沿的最优解集，增加了人工蜂群算法的有效性。Zhang等人提出混合多目标蜂群算法[151]，解决了铜带生产负荷优化问题。为了有效地优化铜带配料过程，根据实际配料原理建立了一个非线性约束多目标模型。该求解问题中包含两个目标，包括尽量降低原材料的总成本和最大限度地增加向熔化炉中投入的废料量。在提出的混合多目标蜂群算法中，首先初始化种群，计算种群中每个个体的适应度，对种群采用快速非支配排序方法进行排序，随后算法进入雇佣蜂阶段和跟随蜂阶段，接着对种群根据目标值和多样性进行选择。最后使用模糊机制排列Pareto最优解集中的解。通过实验结果表明了该算法具有强大的搜索性能和优化性能。
【参考文献】：
期刊论文
[1]电动汽车和可再生能源经济环保协同并网调度的优化模型[J]. 侯建朝,侯鹏旺,孙波. 可再生能源. 2017(11)
[2]考虑风电与电动汽车协同作用的动态环境经济调度[J]. 黄强,孟安波,殷豪,简俊威,陈云龙. 广东电力. 2017(10)
[3]含电动汽车虚拟电厂参与碳交易时的经济与环境调度[J]. 刘祚宇,齐峰,文福拴,张西竹,王蕾. 电力建设. 2017(09)
[4]S-ABC——面向服务领域的人工蜂群算法范型[J]. 徐晓飞,刘志中,王忠杰,闵寻优,刘睿霖,王海芳. 计算机学报. 2015(11)
[5]基于信息熵的改进人工蜂群算法[J]. 李彦苍,彭扬. 控制与决策. 2015(06)
[6]基于人工蜂群算法的无线传感器网络路由协议[J]. 周晓,朱仁烽,赵锋,方玖琳. 浙江工业大学学报. 2014(05)
[7]多目标人工蜂群算法在服务组合优化中的应用[J]. 周清雷,陈明昭,张兵. 计算机应用研究. 2012(10)
[8]基于自适应选择策略的人工蜂群算法[J]. 杨琳,孔峰,贺师超. 广西工学院学报. 2012(03)
[9]Discrete Artificial Bee Colony Algorithm for Lot-streaming Flowshop with Total Flowtime Minimization[J]. SANG Hongyan1, 2, GAO Liang1, *, and PAN Quanke1, 3 1 State Key Lab. of Digital Manufacturing Equipment & Technology, Huazhong University of Science and Technology, Wuhan 430074, China 2 School of Mathematics Science, Liaocheng University, Liaocheng 252059, China 3 School of Computer Science, Liaocheng University, Liaocheng 252059, China. Chinese Journal of Mechanical Engineering. 2012(05)
[10]量子位Bloch坐标的量子人工蜂群优化算法[J]. 易正俊,何荣花,侯坤. 计算机应用. 2012(07)
本文编号：3475265
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3475265.html
