多目標(biāo)優(yōu)化問(wèn)題是一類常見(jiàn)而復(fù)雜的問(wèn)題,多目標(biāo)智能優(yōu)化算法在實(shí)際工程應(yīng)用和科學(xué)研究中廣泛應(yīng)用。本文主要研究多目標(biāo)差分進(jìn)化算法,針對(duì)算法的參數(shù)、變異方式和精英存檔的維護(hù)做出改進(jìn),并應(yīng)用于多目標(biāo)混合動(dòng)力汽車的優(yōu)化。本文主要內(nèi)容如下:（1）考慮到常規(guī)差分進(jìn)化算法面對(duì)復(fù)雜優(yōu)化問(wèn)題時(shí),容易陷入局部收斂的缺點(diǎn),本文結(jié)合定向變異策略,并采用動(dòng)態(tài)更新種群的方法,提出定向動(dòng)態(tài)差分進(jìn)化算法。通過(guò)經(jīng)典單目標(biāo)benchmark測(cè)試函數(shù)驗(yàn)證了新算法的可行性。結(jié)合DE/rand/1變異方式尋優(yōu)能力弱,但種群多樣性好,而DE/best/1變異方式尋優(yōu)能力強(qiáng),但易使算法陷入局部最優(yōu)的特點(diǎn),采用根據(jù)迭代次數(shù)按概率選擇變異方式的算法,加強(qiáng)算法尋優(yōu)能力。通過(guò)單目標(biāo)測(cè)試函數(shù)驗(yàn)證了其可行性。（2）結(jié)合Pareto概念和外部精英存檔策略,形成多目標(biāo)定向動(dòng)態(tài)差分進(jìn)化算法（MOSADDE）,在約束處理上根據(jù)近似不可行解策略對(duì)約束邊界解進(jìn)行探索。通過(guò)多目標(biāo)測(cè)試函數(shù)進(jìn)行試驗(yàn),與NSGA-ⅡⅡ算法和SPEA2算法進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的尋優(yōu)能力。（3）為了進(jìn)一步提高算法在多目標(biāo)優(yōu)化問(wèn)題上的搜索能力和精英解集的散布性,針對(duì)控制參數(shù)的調(diào)整... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 論文研究背景及意義
    1.2 多目標(biāo)優(yōu)化的基本概念
    1.3 多目標(biāo)優(yōu)化算法的發(fā)展史
    1.4 混合動(dòng)力汽車的研究概況
        1.4.1 仿真軟件概述
        1.4.2 控制策略概述
    1.5 本論文的主要研究?jī)?nèi)容
2 結(jié)合定向變異的自適應(yīng)動(dòng)態(tài)差分進(jìn)化算法
    2.1 常規(guī)差分進(jìn)化算法
        2.1.1 變異操作
        2.1.2 交叉操作
        2.1.3 選擇操作及動(dòng)態(tài)差分進(jìn)化算法
    2.2 改進(jìn)的動(dòng)態(tài)差分進(jìn)化算法
        2.2.1 定向變異算子
        2.2.2 按概率選擇變異方式的變異算子
        2.2.3 控制參數(shù)F和CR自適應(yīng)策略
    2.3 實(shí)驗(yàn)結(jié)果
        2.3.1 測(cè)試函數(shù)
        2.3.2 SAMDDE與其它幾種算法的比較
3 具有參數(shù)自學(xué)習(xí)能力的多目標(biāo)動(dòng)態(tài)差分進(jìn)化算法
    3.1 引言
    3.2 具有自學(xué)習(xí)能力的參數(shù)自適應(yīng)策略
    3.3 精英存檔和多樣性保持
        3.3.1 外部精英存檔
        3.3.2 基于擁擠熵的多樣性測(cè)量
    3.4 約束處理
    3.5 性能指標(biāo)
        3.5.1 世代距離
        3.5.2 散布性
    3.6 實(shí)驗(yàn)結(jié)果
        3.6.1 測(cè)試問(wèn)題組
        3.6.2 結(jié)果及分析
4 基于歸一化最近鄰域距離的多目標(biāo)自適應(yīng)動(dòng)態(tài)差分進(jìn)化算法
    4.1 引言
    4.2 基于柯西分布和正態(tài)分布的參數(shù)自適應(yīng)策略
    4.3 歸一化最近鄰域距離
    4.4 MOSADDE-Ⅱ算法
        4.4.1 變異算子中best個(gè)體的選擇
        4.4.2 融合距離及算法流程圖
        4.4.3 算法計(jì)算復(fù)雜度
    4.5 實(shí)驗(yàn)結(jié)果
5 MOSADDE-Ⅱ算法在并聯(lián)混合動(dòng)力汽車優(yōu)化中的應(yīng)用
    5.1 引言
    5.2 HEV優(yōu)化設(shè)計(jì)參數(shù)
        5.2.1 HEV動(dòng)力總成部件參數(shù)
        5.2.2 EACS參數(shù)
    5.3 PHEV多目標(biāo)優(yōu)化模型
        5.3.1 優(yōu)化目標(biāo)
        5.3.2 約束條件
        5.3.3 問(wèn)題數(shù)學(xué)模型
        5.3.4 基于模糊理論的最優(yōu)折中解提取
    5.4 優(yōu)化結(jié)果及其分析
        5.4.1 車輛配置
        5.4.2 循環(huán)工況
        5.4.3 優(yōu)化流程
        5.4.4 仿真結(jié)果及分析
6 總結(jié)與展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間的科研成果


【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)差分進(jìn)化策略的多目標(biāo)進(jìn)化算法[J]. 陶勇,沈濟(jì)南.  控制工程. 2018(11)
[2]基于云計(jì)算平臺(tái)的差分進(jìn)化算法改進(jìn)研究[J]. 孫潔,連暢.  現(xiàn)代電子技術(shù). 2018(17)
[3]改進(jìn)的排序變異多目標(biāo)差分進(jìn)化算法[J]. 劉寶,董明剛,敬超.  計(jì)算機(jī)應(yīng)用. 2018(08)
[4]基于雙種群的多目標(biāo)差分進(jìn)化算法[J]. 陳志剛,鄭建國(guó).  信息技術(shù)與信息化. 2017(12)
[5]約束尺度和算子自適應(yīng)變化的差分進(jìn)化算法[J]. 徐東方,郭戰(zhàn)偉,侯春娟.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2017(16)
[6]約束優(yōu)化進(jìn)化算法綜述[J]. 李智勇,黃滔,陳少淼,李仁發(fā).  軟件學(xué)報(bào). 2017(06)
[7]基于SPEA2和NSGA-Ⅱ算法的并行多目標(biāo)優(yōu)化算法[J]. 劉福英,王曉升.  信息通信. 2016(11)
[8]混合動(dòng)力汽車模糊控制策略優(yōu)化[J]. 李軍,朱亞洲,紀(jì)雷,徐楊蛟.  汽車工程. 2016(01)
[9]基于云差分進(jìn)化算法的約束多目標(biāo)優(yōu)化實(shí)現(xiàn)[J]. 畢曉君,劉國(guó)安.  哈爾濱工程大學(xué)學(xué)報(bào). 2012(08)
[10]正交設(shè)計(jì)的E占優(yōu)策略求解高維多目標(biāo)優(yōu)化問(wèn)題研究[J]. 郭思涵,龔小勝.  計(jì)算機(jī)科學(xué). 2012(02)

博士論文
[1]粒子群優(yōu)化算法及差分進(jìn)行算法研究[D]. 張慶科.山東大學(xué) 2017
[2]差分進(jìn)化算法的改進(jìn)及在約束優(yōu)化中的應(yīng)用[D]. 閤大海.武漢大學(xué) 2017
[3]并聯(lián)混合動(dòng)力汽車能量控制策略仿真研究[D]. 張毅.重慶大學(xué) 2014
[4]多目標(biāo)動(dòng)態(tài)差分進(jìn)化算法及其應(yīng)用研究[D]. 吳亮紅.湖南大學(xué) 2011
[5]混合動(dòng)力汽車動(dòng)力總成參數(shù)匹配方法與控制策略的研究[D]. 鄭維.哈爾濱工業(yè)大學(xué) 2010

碩士論文
[1]差分進(jìn)化算法的改進(jìn)研究[D]. 朱琳.西北師范大學(xué) 2018
[2]求解單目標(biāo)和多目標(biāo)優(yōu)化問(wèn)題的進(jìn)化算法研究[D]. 劉璐.暨南大學(xué) 2017
[3]基于目標(biāo)優(yōu)化的差分進(jìn)化算法研究[D]. 王苗苗.燕山大學(xué) 2017
[4]基于定向和個(gè)體差異進(jìn)化策略的群智能算法研究及其應(yīng)用[D]. 郭旺平.華僑大學(xué) 2016
[5]基于差分進(jìn)化算法的多目標(biāo)優(yōu)化問(wèn)題的研究[D]. 侍倩.東華大學(xué) 2016
[6]基于路況信息的混合動(dòng)力汽車全局優(yōu)化能量管理策略[D]. 連鳳霞.山東大學(xué) 2013
[7]基于瞬時(shí)優(yōu)化的CVT重度混合動(dòng)力汽車能量管理策略研究[D]. 鞏慧.重慶大學(xué) 2013
[8]基于NSGA-Ⅱ和免疫算法的多目標(biāo)優(yōu)化與分類[D]. 胡朝旭.西安電子科技大學(xué) 2012
[9]并聯(lián)式混合動(dòng)力電動(dòng)汽車控制策略研究[D]. 徐金云.武漢理工大學(xué) 2011
[10]遺傳算法研究及遺傳算法工具箱開(kāi)發(fā)[D]. 劉昊旸.天津大學(xué) 2005



本文編號(hào)：3169431