论文部分内容阅读
动态多目标优化问题在现实中普遍存在,研究求解此类问题的优化算法,对推动该领域的发展有重要研究与现实意义。目前,虽然粒子群优化算法因其在优化实际问题时的精度高、收敛快等优势,被广泛应用于静态优化问题中。但当其被拓展至动态多目标问题求解时,一方面,算法快速收敛的优点满足了动态多目标优化问题对收敛速度的迫切需求;另一方面,目标间的冲突性、问题的变化性以及粒子群早熟问题,迫使算法提高种群多样性和环境适应能力,以此提高对动态变化最优解集的刻画能力和追踪能力,而现有策略存在侧重单一性能、只分析目标空间、缺乏对环境变化程度的量化能力等缺陷,这都给动态多目标粒子群优化算法设计带来了新的挑战。基于上述事实,本文针对问题对解集分布性和环境适应能力的需求,设计了一种基于群体分布信息的新型多样性策略,并针对动态问题特点,设计了新的自适应动态环境响应策略,最终提出一种基于多样性策略的动态多目标粒子群优化算法,并将其应用于动态电力系统优化问题求解中。具体工作如下:1.提出一种基于群体分布信息的新型多样性策略。首先借助统计方法划分进化状态;其次依据进化状态分别设计多样性引入策略、多样性控制策略;最终形成基于群体分布信息的多样性策略。实验证明提出的多样性策略在避免算法陷入局部最优以及提高整体解集分布性上均有显著的优势。2.提出一种新的基于多样性策略的动态多目标粒子群优化算法。在基于群体分布信息的多样性策略基础上,针对动态多目标问题中最优解集动态变化的特点,设计基于评价指标的环境变化监测策略和自适应动态环境响应策略,提出一种基于多样性策略的动态多目标粒子群优化算法(dMOPSO)。实验结果表明dMOPSO相比对比算法具有明显统计意义上的性能优势。3.将新算法应用于实际问题求解。为进一步验证算法求解实际动态问题时的有效性,在动态电力系统优化问题上对算法进行仿真实验,通过对比进一步验证了本文提出算法在求解实际动态问题时的求解性能。