在科學(xué)研究中,許多優(yōu)化問題都具有多個(gè)目標(biāo)且這些目標(biāo)都需要被同時(shí)優(yōu)化,這類問題被統(tǒng)稱為多目標(biāo)優(yōu)化問題。由于此類問題的主要特點(diǎn)在于需要優(yōu)化的多個(gè)目標(biāo)間一般是相互矛盾的,使得多目標(biāo)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(biāo)優(yōu)化領(lǐng)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(jì)算效率、較強(qiáng)的可靠性、性能較成熟等優(yōu)點(diǎn),但同時(shí)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(biāo)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(zhì)并行性和全局搜索能力,已經(jīng)有多個(gè)基于群體智能算法的多目標(biāo)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(yīng)用于許多工程實(shí)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(biāo)人工蜂群算法均是基于理想化模型來設(shè)計(jì),用于求解實(shí)際工程中的多目標(biāo)優(yōu)化問題的相關(guān)理論和方法還處于初級(jí)階段。本文研究的具體內(nèi)容如下:（1）提出了基于分解思想的多目標(biāo)離散人工蜂群算法（MODABC/D）用于解決帶序列依賴調(diào)整時(shí)間的多目標(biāo)置換流水線調(diào)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(xué)吉林省 211工程院校 教育部直屬院校

【文章頁數(shù)】：106 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

本文三個(gè)研究

12并使用新的搜索方法生成后代。同時(shí)，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(gè)個(gè)體。為了更好的證明算法的優(yōu)越性，本文采用12個(gè)約束優(yōu)化基準(zhǔn)函數(shù)與3個(gè)工程優(yōu)化問題測(cè)試算法性能。從實(shí)驗(yàn)結(jié)果來看，本文提出的算法是高效的。同時(shí)，將本文的算法與其它算法進(jìn)行比較，從結(jié)果可以看出，不管是在解質(zhì)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(shì)。圖1-1本文三個(gè)研究?jī)?nèi)容之間的相關(guān)性1.5.2本文的組織結(jié)構(gòu)本文共分為六章，各章具體內(nèi)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(diào)整時(shí)間的多目標(biāo)置換流水線調(diào)度問題、電力系統(tǒng)環(huán)境/經(jīng)濟(jì)調(diào)度問題和約束優(yōu)化問題的問題定義以與國內(nèi)外研究現(xiàn)狀。最后介紹了本文的三個(gè)重要的研究?jī)?nèi)容以及組織結(jié)構(gòu)。第二章，人工蜂群算法。詳細(xì)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(nèi)外研究現(xiàn)狀。最后了介紹多目標(biāo)優(yōu)化模型與多目標(biāo)人工蜂群算法的發(fā)展現(xiàn)狀。第三章，基于多目標(biāo)離散人工蜂群算法的帶序列依賴調(diào)整時(shí)間的多目標(biāo)置換流水線調(diào)度問題的研究，首先提出了多目標(biāo)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(shí)驗(yàn)分析闡述算法性能。實(shí)驗(yàn)結(jié)果表明，基于多目標(biāo)離散人工蜂群算法顯著地提高了帶序列依賴調(diào)整時(shí)間的多目標(biāo)置換流水線調(diào)度問題的解。第四章，基于多目標(biāo)人工蜂群算法的電力系統(tǒng)環(huán)境/經(jīng)濟(jì)調(diào)度問題研究，首先提出了多目標(biāo)改進(jìn)人工蜂群算法。在算法中，提出改進(jìn)人工蜂群算法，并結(jié)合多目標(biāo)機(jī)制提出了多目標(biāo)改進(jìn)人工蜂群算法，分析如何更新種群新個(gè)體以及如?

20上的映射。以多目標(biāo)優(yōu)化問題中最小化兩個(gè)目標(biāo)函數(shù)為例，圖2-2展示了各個(gè)Pareto前沿等級(jí)排序即多個(gè)非支配解集的等級(jí)。圖2-2非支配解集等級(jí)2.2.2多目標(biāo)人工蜂群算法發(fā)展現(xiàn)狀在現(xiàn)實(shí)生活中，許多實(shí)際問題都需同時(shí)滿足兩個(gè)或者兩個(gè)以上的目標(biāo)條件，解決此類問題時(shí)就轉(zhuǎn)換成了多目標(biāo)問題的求解�；谌斯し淙核惴ǖ氖諗靠�、魯棒性強(qiáng)等特點(diǎn)，它在多目標(biāo)領(lǐng)域也存在較多研究。周清雷等人提出的多目標(biāo)蜂群算法應(yīng)用于服務(wù)應(yīng)用領(lǐng)域中[150]，采用服務(wù)質(zhì)量中費(fèi)用、響應(yīng)時(shí)間和可用性三個(gè)屬性作為問題目標(biāo)，提出一種帶有改進(jìn)鄰域搜索策略的多目標(biāo)人工蜂群算法，將基本人工蜂群算法和多目標(biāo)機(jī)制相結(jié)合，并引入Pareto非劣排序和擁擠距離機(jī)制。算法首先對(duì)種群進(jìn)行初始化，隨后對(duì)種群中的解進(jìn)行Pareto非劣排序，得到一個(gè)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(gè)固定大小的空集合中，使用集合中的解實(shí)現(xiàn)人工蜂群算法，并使用改進(jìn)的食物源遺棄策略，直至算法結(jié)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(biāo)蜂群算法[151]，解決了銅帶生產(chǎn)負(fù)荷優(yōu)化問題。為了有效地優(yōu)化銅帶配料過程，根據(jù)實(shí)際配料原理建立了一個(gè)非線性約束多目標(biāo)模型。該求解問題中包含兩個(gè)目標(biāo)，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(biāo)蜂群算法中，首先初始化種群，計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度，對(duì)種群采用快速非支配排序方法進(jìn)行排序，隨后算法進(jìn)入雇傭蜂階段和跟隨蜂階段，接著對(duì)種群根據(jù)目標(biāo)值和多樣性進(jìn)行選擇。最后使用模糊機(jī)制排列Pareto最優(yōu)解集中的解。通過實(shí)驗(yàn)結(jié)果表明了該算法具有強(qiáng)大的搜索性能和優(yōu)化性能。

【參考文獻(xiàn)】：
期刊論文
[1]電動(dòng)汽車和可再生能源經(jīng)濟(jì)環(huán)保協(xié)同并網(wǎng)調(diào)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(fēng)電與電動(dòng)汽車協(xié)同作用的動(dòng)態(tài)環(huán)境經(jīng)濟(jì)調(diào)度[J]. 黃強(qiáng),孟安波,殷豪,簡(jiǎn)俊威,陳云龍.  廣東電力. 2017(10)
[3]含電動(dòng)汽車虛擬電廠參與碳交易時(shí)的經(jīng)濟(jì)與環(huán)境調(diào)度[J]. 劉祚宇,齊峰,文福拴,張西竹,王蕾.  電力建設(shè). 2017(09)
[4]S-ABC——面向服務(wù)領(lǐng)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(jì)算機(jī)學(xué)報(bào). 2015(11)
[5]基于信息熵的改進(jìn)人工蜂群算法[J]. 李彥蒼,彭揚(yáng).  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(luò)路由協(xié)議[J]. 周曉,朱仁烽,趙鋒,方玖琳.  浙江工業(yè)大學(xué)學(xué)報(bào). 2014(05)
[7]多目標(biāo)人工蜂群算法在服務(wù)組合優(yōu)化中的應(yīng)用[J]. 周清雷,陳明昭,張兵.  計(jì)算機(jī)應(yīng)用研究. 2012(10)
[8]基于自適應(yīng)選擇策略的人工蜂群算法[J]. 楊琳,孔峰,賀師超.  廣西工學(xué)院學(xué)報(bào). 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(biāo)的量子人工蜂群優(yōu)化算法[J]. 易正俊,何榮花,侯坤.  計(jì)算機(jī)應(yīng)用. 2012(07)



本文編號(hào)：3475265