本文關(guān)鍵詞：基于進(jìn)化計(jì)算的動(dòng)態(tài)多目標(biāo)優(yōu)化方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：動(dòng)態(tài)優(yōu)化問(wèn)題廣泛存在于石油化工、航空航天、生物工程等諸多領(lǐng)域。通過(guò)動(dòng)態(tài)優(yōu)化計(jì)算方法,獲取最優(yōu)控制策略并加以實(shí)施,能夠?qū)崿F(xiàn)提高產(chǎn)品質(zhì)量、減少生產(chǎn)成本以及確保操作安全等目標(biāo)。由于其巨大的現(xiàn)實(shí)應(yīng)用價(jià)值,動(dòng)態(tài)優(yōu)化方法的研究引起了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。當(dāng)前,動(dòng)態(tài)優(yōu)化研究的難點(diǎn)在于：(1)動(dòng)態(tài)優(yōu)化問(wèn)題具有多峰值、多變量以及多約束等復(fù)雜特性,而且往往不存在顯式數(shù)學(xué)描述,使得傳統(tǒng)動(dòng)態(tài)優(yōu)化方法難以應(yīng)對(duì)；(2)實(shí)際動(dòng)態(tài)優(yōu)化問(wèn)題需要兼顧多個(gè)優(yōu)化目標(biāo),對(duì)動(dòng)態(tài)優(yōu)化算法的設(shè)計(jì)提出更大的挑戰(zhàn)。進(jìn)化計(jì)算方法是受自然啟發(fā)而發(fā)展起來(lái)的一類優(yōu)化技術(shù),其優(yōu)點(diǎn)在于不依賴于模型信息,適應(yīng)性廣泛,在處理多峰值、不連續(xù)、不含顯式描述和復(fù)雜多目標(biāo)等特性動(dòng)態(tài)優(yōu)化問(wèn)題上有著獨(dú)特的優(yōu)勢(shì)。本文基于進(jìn)化計(jì)算方法,在控制向量參數(shù)化(CVP)計(jì)算框架下,對(duì)單目標(biāo)和多目標(biāo)動(dòng)態(tài)優(yōu)化方法展開研究,主要研究?jī)?nèi)容概括如下：(1)基于HGPSO算法的單目標(biāo)動(dòng)態(tài)優(yōu)化方法。通過(guò)融合粒子群優(yōu)化(PSO)的全局搜索能力和梯度算法的局部搜索能力,設(shè)計(jì)了混合梯度粒子群優(yōu)化(HGPSO)算法,用于單目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題的求解。HGPSO算法采用了兩階段搜索框架,即首先采用環(huán)形拓?fù)浣Y(jié)構(gòu)的PSO算法進(jìn)行全局定位尋優(yōu),探索到全局最優(yōu)解附近時(shí),切換到梯度算法進(jìn)行局部精確尋優(yōu)。對(duì)比單一的PSO和梯度算法,HGSPO算法在搜索前期基于PSO的全局搜索能力,能為第二階段的梯度算法提供一個(gè)近似最優(yōu)解的初值,從而有效改善梯度搜索算法初值敏感且較難設(shè)置的問(wèn)題；在搜索后期基于梯度搜索算法快速收斂的特點(diǎn),相比較單一PSO算法具有更快的收斂速度與搜索精度。在CVP計(jì)算框架下,HGPSO算法用于五個(gè)難度各異動(dòng)態(tài)優(yōu)化問(wèn)題的求解,這些問(wèn)題包含了奇異、多峰值和多變量等特性。仿真對(duì)比結(jié)果驗(yàn)證了HGPSO算法在求解精度和計(jì)算代價(jià)上的優(yōu)勢(shì)。(2)基于動(dòng)態(tài)時(shí)間網(wǎng)格ndCVP的單目標(biāo)動(dòng)態(tài)優(yōu)化方法針對(duì)傳統(tǒng)等分時(shí)間網(wǎng)格控制向量參數(shù)化(udCVP)方法存在控制精度低和離散不靈活的缺陷,提出一種新的動(dòng)態(tài)時(shí)間網(wǎng)格控制向量參數(shù)化(ndCVP)方法。ndCVP方法通過(guò)引入分?jǐn)?shù)時(shí)間參數(shù)的編碼方式,有效地處理時(shí)間節(jié)點(diǎn)的順序約束問(wèn)題；同時(shí)給出定理,指出ndCVP方法實(shí)質(zhì)上是傳統(tǒng)udCVP方法的一般推廣。通過(guò)結(jié)合ndCVP方法和HGPSO算法,提出了求解單目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題的ndCVP-HGPSO方法。通過(guò)四個(gè)動(dòng)態(tài)優(yōu)化問(wèn)題的求解結(jié)果表明,ndCVP-HGPSO可以根據(jù)具體問(wèn)題的最優(yōu)軌線特征自動(dòng)調(diào)整時(shí)間網(wǎng)格,從而在較小分段數(shù)下獲取精度較高的控制。此外,ndCVP-HGPSO與udCVP-HGPSO分別在給定區(qū)間分段數(shù)和優(yōu)化變量數(shù)兩種情形下進(jìn)行了比較,仿真結(jié)果表明ndCVP-HGPSO在兩種情形下都較優(yōu)。(3)基于DE-RMO算法的約束單目標(biāo)動(dòng)態(tài)優(yōu)化方法差分進(jìn)化(DE)算法在求解動(dòng)態(tài)優(yōu)化問(wèn)題中,存在選擇壓力低和開采能力差的不足,為此本文在DE算法中嵌入約束排名變異算子,設(shè)計(jì)了排名變異約束差分進(jìn)化(DE-RMO)算法,提高了DE算法求解約束單目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題的精度和收斂速度。首先基于可行解優(yōu)先準(zhǔn)則設(shè)計(jì)了用于約束優(yōu)化的排名變異算子,該算子對(duì)整個(gè)種群從優(yōu)到劣進(jìn)行排序,優(yōu)秀個(gè)體比劣勢(shì)個(gè)體賦予較大的概率參與變異,從而加強(qiáng)了算法的選擇壓力,提高了算法的局部搜索效率。此外,通過(guò)引入狀態(tài)約束變量的方式來(lái)獲取總的約束違反度,并采用可行解優(yōu)先準(zhǔn)則處理約束,保證最優(yōu)解的可行性。在四個(gè)約束單目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題的求解結(jié)果與同類算法的性能對(duì)比表明,約束排名變異算子可以在很大程度上加強(qiáng)DE算法求解動(dòng)態(tài)優(yōu)化問(wèn)題的精度、收斂速度以及搜索成功率,并且可行解優(yōu)先準(zhǔn)則保證了最優(yōu)解的可行性。(4)基于MODE-RMO算法的多目標(biāo)動(dòng)態(tài)優(yōu)化方法針對(duì)多目標(biāo)差分進(jìn)化(MODE)算法求解多目標(biāo)優(yōu)化問(wèn)題存在選擇壓力和開采能力方面的不足,提出了排名變異多目標(biāo)差分進(jìn)化(MODE-RMO)算法,并用于無(wú)約束多目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題的求解。首先通過(guò)將非支配排序和擁擠距離引入到排名變異算子中,設(shè)計(jì)了用于多目標(biāo)優(yōu)化的差分排名變異算子；然后將多目標(biāo)排名變異算子集成到多目標(biāo)差分進(jìn)化算法中,提出了MODE-RMO算法。MODE-RMO算法的性能在十個(gè)標(biāo)準(zhǔn)多目標(biāo)測(cè)試函數(shù)上進(jìn)行了評(píng)估,仿真表明該算法在與其它多目標(biāo)優(yōu)化算法的比較中展現(xiàn)了較好的收斂性和分布性,同時(shí)多目標(biāo)排名變異算子加強(qiáng)了算法收斂到分布均勻帕累托前沿的速度。通過(guò)結(jié)合CVP方法,MODE-RMO算法用于三個(gè)無(wú)約束多目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題的求解,獲取了分布均勻的帕累托前沿,為設(shè)計(jì)者提供了多元化的最優(yōu)控制方案。(5)基于EPSMODE算法的約束多目標(biāo)動(dòng)態(tài)優(yōu)化方法為了加強(qiáng)差分進(jìn)化算法求解多目標(biāo)優(yōu)化問(wèn)題的魯棒性,設(shè)計(jì)了參數(shù)和策略集成的自適應(yīng)多目標(biāo)差分進(jìn)化(EPSMODE)算法,并用于約束多目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題的求解。MODE算法存在難以設(shè)定控制參數(shù)和變異策略的問(wèn)題,為此EPSMODE算法為控制參數(shù)和變異策略分別設(shè)置了相對(duì)應(yīng)的候選池,通過(guò)不同參數(shù)策略組合之間的競(jìng)爭(zhēng)調(diào)整它們的使用概率,從而選擇更為有益的參數(shù)策略組合引導(dǎo)種群進(jìn)化。同時(shí),Deb約束支配準(zhǔn)則被用來(lái)處理約束,保證了獲取的帕累托解集的可行性。EPSMODE算法用于十一個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)的求解,仿真結(jié)果驗(yàn)證了參數(shù)策略集成自適應(yīng)策略在算法中的有效性。此外,EPSMODE算法還用于兩個(gè)約束多目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題的求解,獲取了滿意的帕累托前沿,并且帕累托最優(yōu)控制滿足過(guò)程約束和終端約束。
【關(guān)鍵詞】：動(dòng)態(tài)優(yōu)化 多目標(biāo)優(yōu)化 控制向量參數(shù)化 粒子群優(yōu)化 差分進(jìn)化
【學(xué)位授予單位】：華東理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP18
【目錄】：

• 摘要5-7
• Abstract7-13
• 第1章 緒論13-30
• 1.1 課題背景和研究意義13-14
• 1.2 動(dòng)態(tài)優(yōu)化問(wèn)題描述14-16
• 1.2.1 單目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題14-15
• 1.2.2 多目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題15-16
• 1.3 動(dòng)態(tài)優(yōu)化方法的研究現(xiàn)狀16-27
• 1.3.1 幾類重要的動(dòng)態(tài)優(yōu)化方法17-19
• 1.3.2 控制向量參數(shù)法方法19-25
• 1.3.3 多目標(biāo)動(dòng)態(tài)優(yōu)化方法25-26
• 1.3.4 動(dòng)態(tài)優(yōu)化方法文獻(xiàn)評(píng)述26-27
• 1.4 本文主要研究?jī)?nèi)容和安排27-30
• 第2章 基于混合梯度粒子群優(yōu)化的單目標(biāo)動(dòng)態(tài)優(yōu)化方法30-46
• 2.1 引言30
• 2.2 粒子群優(yōu)化算法簡(jiǎn)介30-32
• 2.3 求解動(dòng)態(tài)優(yōu)化問(wèn)題的混合梯度粒子群優(yōu)化(HGPSO)算法32-35
• 2.3.1 控制向量參數(shù)化32-33
• 2.3.2 梯度搜索算法33-34
• 2.3.3 HGPSO算法34-35
• 2.4 HGPSO算法求解動(dòng)態(tài)優(yōu)化問(wèn)題35-44
• 2.4.1 實(shí)驗(yàn)參數(shù)設(shè)定35-36
• 2.4.2 性能評(píng)價(jià)準(zhǔn)則36
• 2.4.3 仿真結(jié)果與分析36-44
• 2.5 本章小結(jié)44-46
• 第3章 基于動(dòng)態(tài)時(shí)間網(wǎng)格控制向量參數(shù)化的單目標(biāo)動(dòng)態(tài)優(yōu)化方法46-59
• 3.1 引言46
• 3.2 動(dòng)態(tài)時(shí)間網(wǎng)格控制向量參數(shù)化方法46-50
• 3.2.1 控制向量參數(shù)化46-47
• 3.2.2 等分時(shí)間網(wǎng)格策略(udCVP)47-48
• 3.2.3 動(dòng)態(tài)時(shí)間網(wǎng)格策略(ndCVP)48-50
• 3.3 ndCVP-HGPSO求解動(dòng)態(tài)優(yōu)化問(wèn)題50-58
• 3.3.1 測(cè)試問(wèn)題和實(shí)驗(yàn)設(shè)置51
• 3.3.2 仿真結(jié)果與分析51-55
• 3.3.3 ndCVP-HGPSO和udCVP-HGPSO比較分析55-58
• 3.4 本章小結(jié)58-59
• 第4章 基于排名變異差分進(jìn)化的約束單目標(biāo)動(dòng)態(tài)優(yōu)化方法59-73
• 4.1 引言59-60
• 4.2 差分進(jìn)化算法簡(jiǎn)介60-61
• 4.3 求解約束動(dòng)態(tài)優(yōu)化問(wèn)題的排名變異差分進(jìn)化(DE-RMO)算法61-65
• 4.3.1 狀態(tài)變量約束處理方式61-62
• 4.3.2 約束排名變異算子62-63
• 4.3.3 排名變異差分進(jìn)化(DE-RMO)算法63-65
• 4.4 DE-RMO求解約束動(dòng)態(tài)優(yōu)化問(wèn)題65-71
• 4.4.1 參數(shù)設(shè)定和性能指標(biāo)65
• 4.4.2 仿真結(jié)果與分析65-71
• 4.4.3 TDE-RMO和其它進(jìn)化算法比較分析71
• 4.5 本章小結(jié)71-73
• 第5章 基于排名變異多目標(biāo)差分進(jìn)化的多目標(biāo)動(dòng)態(tài)優(yōu)化方法73-93
• 5.1 引言73-74
• 5.2 排名變異多目標(biāo)差分進(jìn)化MODE-RMO算法74-78
• 5.2.1 多目標(biāo)差分排名變異算子74-77
• 5.2.2 MODE-RMO算法77-78
• 5.3 標(biāo)準(zhǔn)多目標(biāo)優(yōu)化測(cè)試函數(shù)仿真研究78-84
• 5.3.1 測(cè)試函數(shù)和性能指標(biāo)78-80
• 5.3.2 MODE-RMO和其它算法比較分析80-83
• 5.3.3 多目標(biāo)排名變異算子有效性分析83-84
• 5.4 MODE-RMO求解多目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題84-92
• 5.4.1 MODE-RMO算法求解多目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題的框架84-86
• 5.4.2 Problem 1：批式反應(yīng)器的溫度控制問(wèn)題86-88
• 5.4.3 Problem 2：管式反應(yīng)器催化劑混合問(wèn)題88-90
• 5.4.4 Problem 3：補(bǔ)料批式反應(yīng)器的最優(yōu)操作問(wèn)題90-92
• 5.5 本章小結(jié)92-93
• 第6章 基于自適應(yīng)差分進(jìn)化的約束多目標(biāo)動(dòng)態(tài)優(yōu)化方法93-113
• 6.1 引言93
• 6.2 參數(shù)和策略集成的多目標(biāo)差分進(jìn)化(EPSMODE)算法93-96
• 6.2.1 控制參數(shù)和變異策略候選池94-95
• 6.2.2 EPSMODE算法進(jìn)化操作95
• 6.2.3 控制參數(shù)和變異策略的更新95-96
• 6.2.4 多目標(biāo)約束處理機(jī)制96
• 6.2.5 EPSMODE算法的實(shí)現(xiàn)流程96
• 6.3 標(biāo)準(zhǔn)約束多目標(biāo)優(yōu)化測(cè)試函數(shù)仿真研究96-104
• 6.3.1 約束多目標(biāo)測(cè)試函數(shù)97-99
• 6.3.2 EPSMODE和其它算法比較分析99-102
• 6.3.3 EPSMODE算法的自適應(yīng)性102-104
• 6.4 EPSMODE算法求解約束多目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題104-111
• 6.4.1 EPSMODE算法求解約束多目標(biāo)動(dòng)態(tài)優(yōu)化問(wèn)題的框架104-105
• 6.4.2 Problem 1：冷卻夾套批式反應(yīng)器的最優(yōu)加料操作問(wèn)題105-108
• 6.4.3 Problem 2：批式反應(yīng)器中青霉素生產(chǎn)問(wèn)題108-111
• 6.5 本章小結(jié)111-113
• 第7章 總結(jié)和展望113-116
• 7.1 全文工作內(nèi)容總結(jié)113-114
• 7.2 未來(lái)工作展望114-116
• 參考文獻(xiàn)116-126
• 致謝126-127
• 攻讀博士期間的主要學(xué)術(shù)成果12

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 劉闖;韓敏;王心哲;;動(dòng)態(tài)優(yōu)化問(wèn)題中的演化膜算法[J];哈爾濱工程大學(xué)學(xué)報(bào);2013年11期

2 武燕;王宇平;劉小雄;冶繼民;;求解動(dòng)態(tài)優(yōu)化問(wèn)題的自組織進(jìn)化算法[J];控制與決策;2009年05期

3 胡云卿;劉興高;薛安克;;非線性動(dòng)態(tài)優(yōu)化問(wèn)題的改進(jìn)控制矢量迭代法(Ⅰ)無(wú)路徑約束問(wèn)題(英文)[J];Chinese Journal of Chemical Engineering;2012年06期

4 田宇;李斌;王瑜;;雙吸引子多群體粒子群算法解決動(dòng)態(tài)優(yōu)化問(wèn)題(英文)[J];系統(tǒng)仿真學(xué)報(bào);2010年05期

5 胡云卿;劉興高;;處理動(dòng)態(tài)優(yōu)化問(wèn)題中控制變量路徑約束的方法[J];自動(dòng)化學(xué)報(bào);2013年04期

6 齊艷玉;蘭燕飛;;一類基于動(dòng)態(tài)優(yōu)化問(wèn)題的混沌猴群算法[J];武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版);2013年02期

7 陳昊;黎明;江澤濤;儲(chǔ)s，

本文編號(hào)：289676