论文部分内容阅读
多目标优化问题(Multi-Objective Optimization Problems,MOPs)是由多个相互冲突和影响的优化问题组成,广泛存在于优化控制、优化调度、数据挖掘等工程实践和科学研究领域。为了有效地解决MOPs,国内外许多学者提出了基于种群的启发式进化算法,其中,多目标粒子群优化(Multi-Objective Particle Swarm Optimization,MOPSO)算法由于具有通用性强、流程简单、快速收敛及易于实现等特点,更适用于求解MOPs。然而,现有MOPSO算法在进化过程中种群规模通常是固定不变的,严重影响MOPSO算法的性能,并限制了MOPSO算法的应用。因此,如何在进化过程中自动调整MOPSO算法的种群规模,提高MOPSO算法的性能,是当前进化算法研究的热点,具有重要的理论意义和应用价值。针对MOPSO算法种群规模无法自动调整的问题,文中提出了一种自组织MOPSO(Self-Organizing Multi-Objective Particle Swarm Optimization,SOMOPSO)算法。首先,通过分析性能指标与种群规模的关系,创新性提出了MOPSO算法种群规模判断依据,该依据可以根据进化过程状态判断算法种群规模是否需要进行调整。其次,设计了一种种群规模自组织机制,实现了MOPSO算法种群规模的自组织;同时,设计了自适应参数调整机制,实现了MOPSO算法飞行参数的自适应调整,提高了MOPSO算法的性能。最后,针对目标个数变化的动态多目标优化问题(DMOPs),设计出一种动态自组织MOPSO(Dynamic Self-Organizing Multi-Objective Particle Swarm Optimization,DSOMOPSO)算法,该算法可以在进化过程中自组织地调整种群规模和外部档案中非支配解的信息,实现了算法与DMOPs目标个数的匹配,提高解的有效性。将设计的DSOMOPSO算法应用于城市污水处理过程,完成了基于DSOMOPSO算法的优化控制器(DSOMOPSO-based Optimal Controller,DSOMOPSO-OC)设计,实验结果显示该优化控制器能够实现城市污水处理过程的动态优化控制。论文主要研究工作和创新点如下:1.MOPSO算法种群规模判断依据设计:针对MOPSO算法种群规模难以准确确定的问题,文中提出了一种基于指标信息的种群规模判断依据。首先,通过分析MOPSO算法的性能指标,完成了优化过程中进化状态的描述。其次,基于进化状态与种群规模的关系,建立了MOPSO算法性能指标与种群规模的表达模型。最后,设计出基于表达模型的种群规模判断依据,实现了进化过程中种群规模的判断。2.自组织MOPSO算法设计:针对进化过程中MOPSO算法种群规模难以自适应调整的问题,文中提出了一种自组织MOPSO算法。首先,设计了一种基于种群规模判断依据的自组织机制,实现了MOPSO算法种群规模的自动增加和删减。其次,设计了一种自适应参数调整机制,完成了进化过程惯性权重和学习因子的自适应调整,有效地平衡了算法的探索和开发能力。最后,将自组织MOPSO算法应用于基准测试函数和给水管网优化实验中,实验结果表明,与其他进化算法相比,该算法可以在进化过程中自组织调整种群规模和惯性权重,获得更有效的优化解。3.动态自组织MOPSO算法设计:针对MOPSO算法难以有效解决目标个数变化的DMOPs,文中提出了一种动态自组织MOPSO(DSOMOPSO)算法。首先,设计了一组基于切比雪夫距离的性能指标,获得了DMOPs目标个数变化时种群的进化状态。其次,设计了一种基于进化状态的种群规模自组织方法,实现了MOPSO算法种群规模的自适应调整。最后,设计了一种外部档案更新机制,解决了外部档案中非支配解与当前目标个数不匹配的问题。应用于基准测试函数的实验结果表明,DSOMOPSO具有较好的性能。4.基于DSOMOPSO算法的污水处理过程优化控制:针对城市污水处理过程难以实时优化控制的问题,文中提出了一种基于DSOMOPSO的优化控制器(DSOMOPSO-OC)。首先,通过分析城市污水处理过程的动态特性,建立了城市污水处理过程的优化目标。其次,根据城市污水处理过程优化目标个数时变的特点,利用DSOMOPSO算法对优化目标进行求解,获得了溶解氧和硝态氮浓度的优化设定值。最后,应用于基准仿真平台的测试结果表明,DSOMOPSO-OC可以有效地提高城市污水处理过程的优化控制效果。