多目標優(yōu)化問題是一類常見而復雜的問題,多目標智能優(yōu)化算法在實際工程應用和科學研究中廣泛應用。本文主要研究多目標差分進化算法,針對算法的參數(shù)、變異方式和精英存檔的維護做出改進,并應用于多目標混合動力汽車的優(yōu)化。本文主要內(nèi)容如下:（1）考慮到常規(guī)差分進化算法面對復雜優(yōu)化問題時,容易陷入局部收斂的缺點,本文結(jié)合定向變異策略,并采用動態(tài)更新種群的方法,提出定向動態(tài)差分進化算法。通過經(jīng)典單目標benchmark測試函數(shù)驗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,但易使算法陷入局部最優(yōu)的特點,采用根據(jù)迭代次數(shù)按概率選擇變異方式的算法,加強算法尋優(yōu)能力。通過單目標測試函數(shù)驗證了其可行性。（2）結(jié)合Pareto概念和外部精英存檔策略,形成多目標定向動態(tài)差分進化算法（MOSADDE）,在約束處理上根據(jù)近似不可行解策略對約束邊界解進行探索。通過多目標測試函數(shù)進行試驗,與NSGA-ⅡⅡ算法和SPEA2算法進行對比,實驗結(jié)果驗證了算法的尋優(yōu)能力。（3）為了進一步提高算法在多目標優(yōu)化問題上的搜索能力和精英解集的散布性,針對控制參數(shù)的調(diào)整... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：69 頁

【學位級別】：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 多目標優(yōu)化的基本概念
    1.3 多目標優(yōu)化算法的發(fā)展史
    1.4 混合動力汽車的研究概況
        1.4.1 仿真軟件概述
        1.4.2 控制策略概述
    1.5 本論文的主要研究內(nèi)容
2 結(jié)合定向變異的自適應動態(tài)差分進化算法
    2.1 常規(guī)差分進化算法
        2.1.1 變異操作
        2.1.2 交叉操作
        2.1.3 選擇操作及動態(tài)差分進化算法
    2.2 改進的動態(tài)差分進化算法
        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自適應策略
    2.3 實驗結(jié)果
        2.3.1 測試函數(shù)
        2.3.2 SAMDDE與其它幾種算法的比較
3 具有參數(shù)自學習能力的多目標動態(tài)差分進化算法
    3.1 引言
    3.2 具有自學習能力的參數(shù)自適應策略
    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量
    3.4 約束處理
    3.5 性能指標
        3.5.1 世代距離
        3.5.2 散布性
    3.6 實驗結(jié)果
        3.6.1 測試問題組
        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自適應動態(tài)差分進化算法
    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個體的選擇
        4.4.2 融合距離及算法流程圖
        4.4.3 算法計算復雜度
    4.5 實驗結(jié)果
5 MOSADDE-Ⅱ算法在并聯(lián)混合動力汽車優(yōu)化中的應用
    5.1 引言
    5.2 HEV優(yōu)化設計參數(shù)
        5.2.1 HEV動力總成部件參數(shù)
        5.2.2 EACS參數(shù)
    5.3 PHEV多目標優(yōu)化模型
        5.3.1 優(yōu)化目標
        5.3.2 約束條件
        5.3.3 問題數(shù)學模型
        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
致謝
作者簡歷及攻讀碩士學位期間的科研成果


【參考文獻】：
期刊論文
[1]基于自適應差分進化策略的多目標進化算法[J]. 陶勇,沈濟南.  控制工程. 2018(11)
[2]基于云計算平臺的差分進化算法改進研究[J]. 孫潔,連暢.  現(xiàn)代電子技術(shù). 2018(17)
[3]改進的排序變異多目標差分進化算法[J]. 劉寶,董明剛,敬超.  計算機應用. 2018(08)
[4]基于雙種群的多目標差分進化算法[J]. 陳志剛,鄭建國.  信息技術(shù)與信息化. 2017(12)
[5]約束尺度和算子自適應變化的差分進化算法[J]. 徐東方,郭戰(zhàn)偉,侯春娟.  數(shù)學的實踐與認識. 2017(16)
[6]約束優(yōu)化進化算法綜述[J]. 李智勇,黃滔,陳少淼,李仁發(fā).  軟件學報. 2017(06)
[7]基于SPEA2和NSGA-Ⅱ算法的并行多目標優(yōu)化算法[J]. 劉福英,王曉升.  信息通信. 2016(11)
[8]混合動力汽車模糊控制策略優(yōu)化[J]. 李軍,朱亞洲,紀雷,徐楊蛟.  汽車工程. 2016(01)
[9]基于云差分進化算法的約束多目標優(yōu)化實現(xiàn)[J]. 畢曉君,劉國安.  哈爾濱工程大學學報. 2012(08)
[10]正交設計的E占優(yōu)策略求解高維多目標優(yōu)化問題研究[J]. 郭思涵,龔小勝.  計算機科學. 2012(02)

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

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



本文編號：3169431