本文關鍵詞：演化約束優(yōu)化及演化動態(tài)優(yōu)化求解算法研究

  更多相關文章： 演化算法 動態(tài)約束優(yōu)化 定位和跟蹤可行區(qū)域 梯度修復 族群

【摘要】：最優(yōu)化問題在實際問題中廣泛存在。本文主要關注最優(yōu)化問題的約束處理方法、時間關聯特征以及動態(tài)處理機制,并且研究了兩個實際的優(yōu)化問題,即短期水火電調度問題和動態(tài)最優(yōu)潮流問題。本文采用演化算法作為基本的求解算法。演化算法是基于種群的生物啟發(fā)式隨機搜索算法,由于適合于解決不連續(xù)、多峰、不可差分等復雜問題,全局搜索能力較強,并且具有較好的自適應性,近年來被廣泛研究。本文的創(chuàng)新之處如下:針對約束優(yōu)化問題,提出基于族群的修復策略用于選擇有代表性的不可行個體進行梯度修復,而不是隨機選擇個體修復。梯度修復方法雖然是一種有效的約束處理方法,然而,如果對所有不可行解都進行梯度修復,會消耗大量的計算量。因此,已有的文獻中都是隨機的選擇一部分解進行修復的。然而,隨機修復可能會使得位置相鄰的個體同時被修復,從而導致冗余修復;并且,在種群已定位到某個可行區(qū)域的情況下,可能仍會選擇該區(qū)域附近的不可行個體進行修復,從而會浪費計算量。本文提出基于族群的選擇方法。基本思想是通過聚類算法將種群劃分為若干族群;對于每一族群,根據該族群內可行個體的比例決定待修復個體的數目。該方法可以顯著地減少冗余修復,并且增加修復后個體的多樣性,從而減少了陷入局部最優(yōu)的概率。實驗結果表明,在大多數情況下,提出的算法要比原算法的結果更好;同時,用于梯度修復的評估次數顯著少于原算法。針對動態(tài)時間關聯優(yōu)化問題,研究了預測器不可靠時如何提升預測方法的性能。動態(tài)時間關聯優(yōu)化指的是具有時間關聯特征的動態(tài)優(yōu)化問題。時間關聯指的是當前所做的決策會影響問題未來的狀態(tài)。盡管時間關聯特征在實際問題中很常見,但是,在演化優(yōu)化領域得到的關注還比較少。目前,在演化優(yōu)化領域,預測策略是主要的求解算法。但是,目前的預測策略沒有考慮預測不準的情況。因此,本文提出了基于逆序數衡量預測準確度的方法,并且設計了一種基于預測精度的隨機排序機制用于選擇個體。另外,我們提出了一種動態(tài)時間關聯優(yōu)化標準測試集。改進的算法與典型的預測方法和標準的遺傳算法進行比較。實驗結果表明,提出的算法非常具有競爭力。針對具有多個不相連可行區(qū)域的動態(tài)約束優(yōu)化問題,我們提出從多峰優(yōu)化的角度設計并行地定位和跟蹤多個可行區(qū)域的方法。根據該思想,我們設計并集成了三種定位和跟蹤可行區(qū)域的策略,以分別處理三種可能的約束動態(tài)。并且,算法集成了我們提出的自適應的局部搜索策略(不需要設置參數)和基于族群的偵測機制。另外,我們設計了兩種動態(tài)約束標準測試集,包括修改的G24(即G24v和G24w)和移動可行區(qū)域測試集(Moving Feasible Regions Benchmark,簡稱MFRB)。修改的G24可以控制可行區(qū)域的大小。而MFRB則高度可配置,可以用于模擬各種類型的約束動態(tài),并且,MFRB的全局最佳值和可行區(qū)域半徑可以精確計算。在G24,G24v,G24w和MFRB上的實驗結果表明,提出的算法顯著好于已有的代表性方法,并且,我們的算法具有較好地定位多個不相連可行區(qū)域的性能,包括可行區(qū)域特別小的情況。針對實際的短期水火電調度問題,我們通過考慮負載和線損的不確定性,首次形式化了不確定的單目標短期水火電調度優(yōu)化問題。為了解決該問題,我們給出了一個特殊的編碼機制以處理兩種特殊類型的約束。并且,我們提出了一個混合的粒子群優(yōu)化算法,該算法結合了lbest PSO的探索能力以及gbest PSO和梯度方法的開采能力。實驗結果表明,對于所測試的所有問題,我們提出的算法要好于lbest PSO,gbestPSO,以及兩種基于梯度的方法(即內點法和序列二次規(guī)劃方法)。針對動態(tài)最優(yōu)潮流問題,我們關注負載和發(fā)電量都可能發(fā)生變化的雙側隨機問題。已有的大多數文獻主要只關注負載會變化的單側隨機問題。但是隨著新能源(如風能)在整個電力結構中比例的逐漸增大,越來越需要考慮新能源發(fā)電的波動性和隨機性。因此,需要考慮發(fā)電量和負載都可能變化的雙側隨機問題。雖然已有一些文獻關注雙側隨機問題,但據我們所知,還沒有文獻使用演化算法求解該問題。本文提出了一種基于族群的差分進化算法,該算法有兩個版本。第一個版本使用基于最近更好鄰居聚類方法劃分族群,該方法的聚類參數不敏感。第二個版本使用了一種改進的聚類方法,該方法比基于最近更好鄰居的聚類時間復雜度更低。實驗結果表明,提出的方法要好于被比較的算法。
【學位授予單位】：中國科學技術大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TP18

【相似文獻】

中國期刊全文數據庫 前10條

1 馬安光;;棋子問題的算法分析——2003年第11期題解[J];程序員;2004年01期

2 馮舜璽;;新書推薦:《算法分析導論》[J];計算機教育;2006年05期

3 張力,慕曉冬;計算機算法分析淺談[J];武警工程學院學報;2002年04期

4 馬安光;;飛彈問題的算法分析——2003年第10期題解[J];程序員;2003年12期

5 蘇運霖;;《算法分析導論》評介[J];計算機教育;2006年07期

6 朱力強;;培養(yǎng)學生創(chuàng)新思維與能力的算法分析案例[J];計算機與信息技術;2007年11期

7 汪菊琴;;幾種常見特殊方陣的算法分析與實現[J];無錫職業(yè)技術學院學報;2009年05期

8 李涵;;“算法分析與設計”課程教學改革和實踐[J];中國電力教育;2010年16期

9 劉寧;管濤;;淺析案例教學法在算法分析與設計課程中的應用[J];科技風;2011年07期

10 胡峰;王國胤;;“算法分析與設計”教學模式探索[J];當代教育理論與實踐;2011年12期

中國重要會議論文全文數據庫 前10條

1 俞洋;田亞菲;;一種新的變步長LMS算法及其仿真[A];通信理論與信號處理新進展——2005年通信理論與信號處理年會論文集[C];2005年

2 周顥;劉振華;趙保華;;構造型的D~2FA生成算法[A];中國通信學會通信軟件技術委員會2009年學術會議論文集[C];2009年

3 賴桃桃;馮少榮;張東站;;一種基于劃分和密度的快速聚類算法[A];第二十五屆中國數據庫學術會議論文集（一）[C];2008年

4 劉遠新;鄧飛其;羅艷輝;舒添慧;;ERP柔性平臺下物流運輸配送系統(tǒng)算法分析[A];第二十六屆中國控制會議論文集[C];2007年

5 王樹西;白碩;姜吉發(fā);;模式合一的“減首去尾”算法[A];第二屆全國學生計算語言學研討會論文集[C];2004年

6 王萬青;張曉輝;;改進的A~*算法的高效實現[A];2009全國測繪科技信息交流會暨首屆測繪博客征文頒獎論文集[C];2009年

7 孫煥良;邱菲;劉俊嶺;朱葉麗;;IncSNN——一種基于密度的增量聚類算法[A];第二十三屆中國數據庫學術會議論文集（研究報告篇）[C];2006年

8 韓建民;岑婷婷;于娟;;實現敏感屬性l-多樣性的l-MDAV算法[A];第二十七屆中國控制會議論文集[C];2008年

9 張悅;尤楓;趙瑞蓮;;利用蟻群算法實現基于程序結構的主變元分析[A];第五屆中國測試學術會議論文集[C];2008年

10 王旭東;劉渝;鄧振淼;;正弦波頻率估計的修正Rife算法及其FPGA實現[A];全國第十屆信號與信息處理、第四屆DSP應用技術聯合學術會議論文集[C];2006年

中國重要報紙全文數據庫 前1條

1 科文;VIXD算法分析Web異常[N];中國計算機報;2008年

中國博士學位論文全文數據庫 前10條

1 魏哲學;樣本斷點距離問題的算法與復雜性研究[D];山東大學;2015年

2 劉春明;基于增強學習和車輛動力學的高速公路自主駕駛研究[D];國防科學技術大學;2014年

3 張敏霞;生物地理學優(yōu)化算法及其在應急交通規(guī)劃中的應用研究[D];浙江工業(yè)大學;2015年

4 李紅;流程挖掘算法研究[D];云南大學;2015年

5 卜晨陽;演化約束優(yōu)化及演化動態(tài)優(yōu)化求解算法研究[D];中國科學技術大學;2017年

6 劉新旺;多核學習算法研究[D];國防科學技術大學;2013年

7 于濱;城市公交系統(tǒng)模型與算法研究[D];大連理工大學;2006年

8 曾國強;改進的極值優(yōu)化算法及其在組合優(yōu)化問題中的應用研究[D];浙江大學;2011年

9 肖永豪;蜂群算法及在圖像處理中的應用研究[D];華南理工大學;2011年

10 陳耿;面向中觀審計的規(guī)則發(fā)現算法研究[D];東南大學;2005年

中國碩士學位論文全文數據庫 前10條

1 黃廈;基于改進蟻群算法的柔性作業(yè)車間調度問題研究[D];昆明理工大學;2015年

2 李平;基于Hadoop的信息爬取與輿情檢測算法研究[D];昆明理工大學;2015年

3 趙官寶;基于位表的關聯規(guī)則挖掘算法研究[D];昆明理工大學;2015年

4 殷文華;移動容遲網絡中基于社會感知的多播分發(fā)算法研究[D];內蒙古大學;2015年

5 徐翔燕;人工魚群優(yōu)化算法及其應用研究[D];西南交通大學;2015年

6 李德福;基于小世界模型的啟發(fā)式尋路算法研究[D];華中師范大學;2015年

7 鄭海彬;一種面向MAPREDUCE的DATASHUFFLE的優(yōu)化方法[D];蘇州大學;2015年

8 趙曉寒;輪換步長PSO算法及SMVSC參數優(yōu)化[D];沈陽理工大學;2015年

9 安豐洋;基于無線網絡的廣播算法研究[D];曲阜師范大學;2015年

10 李智明;基于改進FastICA算法的混合語音盲分離[D];上海交通大學;2015年

，

本文編號：1271118