基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)作为一种重要的多目标优化方法,已经成功地应用于解决各种多目标优化问题。然而,MOEA/D算法在解决具有高维目标和复杂帕累托前沿(Pare...基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)作为一种重要的多目标优化方法,已经成功地应用于解决各种多目标优化问题。然而,MOEA/D算法在解决具有高维目标和复杂帕累托前沿(Pareto frontier,PF)的问题时,容易陷入局部最优并难以获得可行解。本文提出一种改进的MOEA/D算法,包括3个优化策略:首先,使用拉丁超立方抽样方法代替随机方法初始化种群,得到分布均匀的初始种群,同时对权重向量关联解的策略进行优化;其次,提出一种稀疏度函数,用于计算种群中个体的稀疏度并维护外部种群;最后,提出了自适应调整权向量的方法,用于引导种群收敛到帕累托前沿,并且有效平衡种群的多样性和收敛性。将提出算法和4种对比算法在DTLZ和WFG系列问题以及多目标旅行商问题(multi-objective travel salesman problem,MOTSP)上进行对比实验,实验结果表明本文提出自适应调整权重向量的多目标进化(MOEA/D with cosine similarity adaptive weight adjustment,MOEA/D-CSAW)算法在处理具有复杂帕累托前沿和高维多目标的问题时,算法的综合性能要优于对比算法。展开更多
建立了电力系统经济调度模型,该模型以发电成本最小为目标,考虑了火电机组阀点效应和系统运行约束,并提出了求解该模型的饱和度自适应微分进化(saturation and adaptive differential evolution,SADE)算法。为避免算法搜索的盲目性,使...建立了电力系统经济调度模型,该模型以发电成本最小为目标,考虑了火电机组阀点效应和系统运行约束,并提出了求解该模型的饱和度自适应微分进化(saturation and adaptive differential evolution,SADE)算法。为避免算法搜索的盲目性,使算法既能集中于局部最优解又能兼顾全局最优解,引入了控制参数自适应调整策略和饱和度概念,该算法可避免"早熟"现象,收敛速度快。3机组、13机组和40机组算例结果验证了SADE算法的有效性。展开更多
基金国家自然科学基金重点项目(the Key Project of National Natural Science Foundation of China No.50539140)国家自然科学基金(theNational Natural Science Foundation of China under Grant No.50579022)
文摘建立了电力系统经济调度模型,该模型以发电成本最小为目标,考虑了火电机组阀点效应和系统运行约束,并提出了求解该模型的饱和度自适应微分进化(saturation and adaptive differential evolution,SADE)算法。为避免算法搜索的盲目性,使算法既能集中于局部最优解又能兼顾全局最优解,引入了控制参数自适应调整策略和饱和度概念,该算法可避免"早熟"现象,收敛速度快。3机组、13机组和40机组算例结果验证了SADE算法的有效性。
