在科學研究中,許多優(yōu)化問題都具有多個目標且這些目標都需要被同時優(yōu)化,這類問題被統(tǒng)稱為多目標優(yōu)化問題。由于此類問題的主要特點在于需要優(yōu)化的多個目標間一般是相互矛盾的,使得多目標優(yōu)化問題的求解異常困難。因此如何能夠快速地獲得高效的解決方案成為目前多目標優(yōu)化領域的重要研究課題。傳統(tǒng)的優(yōu)化算法雖然具有較高的計算效率、較強的可靠性、性能較成熟等優(yōu)點,但同時也具有難以克服的局限性,如極其容易陷入局部最優(yōu)解等。近些年,群體智能算法的出現(xiàn),給多目標優(yōu)化問題的求解帶來了新的希望。由于它的智能性、通用性、穩(wěn)健性、本質并行性和全局搜索能力,已經(jīng)有多個基于群體智能算法的多目標優(yōu)化算法被提出。人工蜂群算法是目前性能較高的群體智能算法,已經(jīng)成功應用于許多工程實踐問題中,并取得了較好的優(yōu)化效果。然而,現(xiàn)存的大部分多目標人工蜂群算法均是基于理想化模型來設計,用于求解實際工程中的多目標優(yōu)化問題的相關理論和方法還處于初級階段。本文研究的具體內容如下:（1）提出了基于分解思想的多目標離散人工蜂群算法（MODABC/D）用于解決帶序列依賴調整時間的多目標置換流水線調度問題。首先,為了使得人工蜂群算法可以求解離散域上的帶序列依... 

【文章來源】：東北師范大學吉林省 211工程院校 教育部直屬院校

【文章頁數(shù)】：106 頁

【學位級別】：博士

【部分圖文】：

本文三個研究

12并使用新的搜索方法生成后代。同時，跟隨蜂通過新的搜索方法開采新的搜索空間，并利用Pareto支配來比較種群中的每個個體。為了更好的證明算法的優(yōu)越性，本文采用12個約束優(yōu)化基準函數(shù)與3個工程優(yōu)化問題測試算法性能。從實驗結果來看，本文提出的算法是高效的。同時，將本文的算法與其它算法進行比較，從結果可以看出，不管是在解質量上還是從收斂速度角度，本文的算法都具有較大的優(yōu)勢。圖1-1本文三個研究內容之間的相關性1.5.2本文的組織結構本文共分為六章，各章具體內容安排如下：第一章，緒論部分。首先介紹了本文的研究背景，并提出本文的研究意義。隨后，初步介紹了帶序列依賴調整時間的多目標置換流水線調度問題、電力系統(tǒng)環(huán)境/經(jīng)濟調度問題和約束優(yōu)化問題的問題定義以與國內外研究現(xiàn)狀。最后介紹了本文的三個重要的研究內容以及組織結構。第二章，人工蜂群算法。詳細介紹傳統(tǒng)人工蜂群算法的算法背景和起源，并給出算法的基本流程與框架，人工蜂群算法的國內外研究現(xiàn)狀。最后了介紹多目標優(yōu)化模型與多目標人工蜂群算法的發(fā)展現(xiàn)狀。第三章，基于多目標離散人工蜂群算法的帶序列依賴調整時間的多目標置換流水線調度問題的研究，首先提出了多目標離散人工蜂群算法，其中包括：算法總體框架、解表示和種群初始化、雇傭蜂階段、跟隨蜂階段、深度局部搜索算法和偵察蜂階段。并通過實驗分析闡述算法性能。實驗結果表明，基于多目標離散人工蜂群算法顯著地提高了帶序列依賴調整時間的多目標置換流水線調度問題的解。第四章，基于多目標人工蜂群算法的電力系統(tǒng)環(huán)境/經(jīng)濟調度問題研究，首先提出了多目標改進人工蜂群算法。在算法中，提出改進人工蜂群算法，并結合多目標機制提出了多目標改進人工蜂群算法，分析如何更新種群新個體以及如?

20上的映射。以多目標優(yōu)化問題中最小化兩個目標函數(shù)為例，圖2-2展示了各個Pareto前沿等級排序即多個非支配解集的等級。圖2-2非支配解集等級2.2.2多目標人工蜂群算法發(fā)展現(xiàn)狀在現(xiàn)實生活中，許多實際問題都需同時滿足兩個或者兩個以上的目標條件，解決此類問題時就轉換成了多目標問題的求解�；谌斯し淙核惴ǖ氖諗靠�、魯棒性強等特點，它在多目標領域也存在較多研究。周清雷等人提出的多目標蜂群算法應用于服務應用領域中[150]，采用服務質量中費用、響應時間和可用性三個屬性作為問題目標，提出一種帶有改進鄰域搜索策略的多目標人工蜂群算法，將基本人工蜂群算法和多目標機制相結合，并引入Pareto非劣排序和擁擠距離機制。算法首先對種群進行初始化，隨后對種群中的解進行Pareto非劣排序，得到一個Pareto前沿，接著將前沿中的非支配解按擁擠度排序，依次加入一個固定大小的空集合中，使用集合中的解實現(xiàn)人工蜂群算法，并使用改進的食物源遺棄策略，直至算法結束，得到最終的Pareto最優(yōu)解集。該算法得到了更加逼近理想Pareto最優(yōu)前沿的最優(yōu)解集，增加了人工蜂群算法的有效性。Zhang等人提出混合多目標蜂群算法[151]，解決了銅帶生產負荷優(yōu)化問題。為了有效地優(yōu)化銅帶配料過程，根據(jù)實際配料原理建立了一個非線性約束多目標模型。該求解問題中包含兩個目標，包括盡量降低原材料的總成本和最大限度地增加向熔化爐中投入的廢料量。在提出的混合多目標蜂群算法中，首先初始化種群，計算種群中每個個體的適應度，對種群采用快速非支配排序方法進行排序，隨后算法進入雇傭蜂階段和跟隨蜂階段，接著對種群根據(jù)目標值和多樣性進行選擇。最后使用模糊機制排列Pareto最優(yōu)解集中的解。通過實驗結果表明了該算法具有強大的搜索性能和優(yōu)化性能。

【參考文獻】：
期刊論文
[1]電動汽車和可再生能源經(jīng)濟環(huán)保協(xié)同并網(wǎng)調度的優(yōu)化模型[J]. 侯建朝,侯鵬旺,孫波.  可再生能源. 2017(11)
[2]考慮風電與電動汽車協(xié)同作用的動態(tài)環(huán)境經(jīng)濟調度[J]. 黃強,孟安波,殷豪,簡俊威,陳云龍.  廣東電力. 2017(10)
[3]含電動汽車虛擬電廠參與碳交易時的經(jīng)濟與環(huán)境調度[J]. 劉祚宇,齊峰,文福拴,張西竹,王蕾.  電力建設. 2017(09)
[4]S-ABC——面向服務領域的人工蜂群算法范型[J]. 徐曉飛,劉志中,王忠杰,閔尋優(yōu),劉睿霖,王海芳.  計算機學報. 2015(11)
[5]基于信息熵的改進人工蜂群算法[J]. 李彥蒼,彭揚.  控制與決策. 2015(06)
[6]基于人工蜂群算法的無線傳感器網(wǎng)絡路由協(xié)議[J]. 周曉,朱仁烽,趙鋒,方玖琳.  浙江工業(yè)大學學報. 2014(05)
[7]多目標人工蜂群算法在服務組合優(yōu)化中的應用[J]. 周清雷,陳明昭,張兵.  計算機應用研究. 2012(10)
[8]基于自適應選擇策略的人工蜂群算法[J]. 楊琳,孔峰,賀師超.  廣西工學院學報. 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坐標的量子人工蜂群優(yōu)化算法[J]. 易正俊,何榮花,侯坤.  計算機應用. 2012(07)



本文編號：3475265