论文部分内容阅读
目前,许多实际应用场景中的优化问题均为NP难问题,且具有非线性,多指标,离散化和不确定性等特点。不同场景优化问题的描述和特点不同,侧重指标和要求不同,优化目标特征不同,导致求解这些不同场景问题时,无法找到一个通用的、标准的群智能优化算法来进行求解。通过结合群智能优化算法和不同场景优化问题的特点,研究能够高效求解这些问题的优化算法是当前的可行方法之一。本文针对永磁同步电机参数辨识,动态经济负荷分配,动态经济环境负荷分配和柔性车间调度等不同应用场景中的优化问题,研究了不同策略的粒子群优化算法(PSO),用于求解这些典型的非线性、多目标、离散优化问题,提高了搜索精度和搜索效率,并能够扩展到相似的应用场景中去。主要工作如下。(1)针对PMSM参数辨识问题,提出了一种基于自适应变异概率的混合变异粒子群优化算法(AMPSO),突破了群智能优化算法在搜索时种群多样性减少导致搜索停滞的缺陷。AMPSO算法采用表现型多样性定义聚集度,动态调节变异概率,然后引入了一种混合模式的变异策略,即对全局最优位置进行高斯分布和柯西分布的混合变异,对最差个体最优位置进行小波变异的机制。仿真表明AMPSO算法在求解测试函数时表现出较好的性能,混合模式的变异策略能够有效求解PMSM参数辨识的应用场景,具有较好的辨识精度。(2)动态经济负荷分配问题是一类具有高维数、非线性、非凸等特点的优化问题。通过感知和反馈搜索空间的个体最优位置的适应值分布信息,提出了一种基于所有个体最优位置的多信息特征粒子群优化算法(PSO-API),多种信息有效突破了在搜索时缺少信息量而导致算法误收敛的缺点。该算法利用了所有个体最优位置的多种信息,即质心位置和中值位置,与个体最优位置构成个体认知经验,反馈和调整粒子速度更新。采用适应值分布信息的反馈模式的PSO-API算法在求解测试函数和多燃料动态经济负荷分配问题时表现出优异的优化性能。(3)动态经济环境负荷分配问题具有复杂非线性和多指标优化的特点。通过借鉴Pareto非支配关系和均匀分解的思想,提出了一种混合模式的多目标粒子群优化算法(MultiPSO),采用了多种混合策略来保证和兼顾获得Pareto前端的收敛性,多样性和均匀性。该算法定义了个体最优解集和全局最优解集来处理多目标问题的Pareto非劣解,引入了Pareto支配和标量子问题的混合更新机制,采用对全局最优解集进行变邻域搜索的策略来提高局部搜索能力。仿真结果表明MultiPSO算法在求解多目标测试函数和动态经济环境负荷分配问题时获得近似Pareto前端均具有较好的收敛精度。(4)柔性车间调度是一类NP难的离散优化问题,具有高维离散变量,强非线性和多指标优化等特点。针对离散优化问题与具体离散算子相关性太高,在确定性和不确定性的柔性车间调度的应用场景中,提出了一种新的离散粒子群优化算法位置更新框架和两种离散粒子群优化算法,即MOPSO算法和EDPSO算法。针对多目标柔性作业车间调度问题,引入了求解柔性作业车间调度的离散操作算子,定义了个体最优解集和全局最优解集,设计了非支配解更新策略,通过基于公共关键块的变邻域搜索来增强算法的局部搜索能力。针对不确定性的柔性作业车间调度问题,在EDPSO算法中,引入了三角模糊数和设计了基于三角模糊数的启发式初始化方案,定义了简单有效的离散操作算子,最后,全局最优位置采用了从多个最优位置中的选择机制。仿真结果表明两种算法在分别求解多目标柔性车间调度问题和带模糊加工时间的柔性车间调度问题时取得了满意的优化性能。