CN109460617A - 一种基于改进距离策略帝国主义算法的管路布局优化方法 - Google Patents

一种基于改进距离策略帝国主义算法的管路布局优化方法 Download PDF

Info

Publication number
CN109460617A
CN109460617A CN201811348210.4A CN201811348210A CN109460617A CN 109460617 A CN109460617 A CN 109460617A CN 201811348210 A CN201811348210 A CN 201811348210A CN 109460617 A CN109460617 A CN 109460617A
Authority
CN
China
Prior art keywords
algorithm
country
pipe
imperialism
distance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201811348210.4A
Other languages
English (en)
Inventor
沈建国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201811348210.4A priority Critical patent/CN109460617A/zh
Publication of CN109460617A publication Critical patent/CN109460617A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes

Abstract

本发明请求保护一种基于改进距离策略帝国主义算法的管路布局优化方法，其包括以下步骤：分别建立管路长度、弯头数以及安装便捷性三个目标函数，并应用罚函数法将避障约束函数分别集成到三个目标函数中；初始化种群即国家，计算得到每个国家的目标函数值、约束违反总值以及与控制变量对应的状态变量，并将初始群体复制到外部储存空间；算法迭代，采用改进的距离策略帝国主义算法进行优化更新国家，将更新后的国家复制到外部储存空间与上一代国家进行非劣排序和拥挤距离计算，然后根据所得的排序情况进行裁剪以保持外部储存空间大小不变；并根据遗传算法从帕累托最优解集中找到最优折衷解，并按照最优折衷解进行设计。

Description

一种基于改进距离策略帝国主义算法的管路布局优化方法
技术领域
本发明属于管路多目标布局优化领域，尤其涉及一种基于改进距离策略帝国主义算法的管路布局优化方法。
背景技术
复杂装备如航空发动机等通常包含大量管路和线缆，在管线敷设过程中需要考虑多个工程规则的要求，该问题就是典型的多目标优化问题。目前，管路敷设一般只考虑工期、质量、费用等指标，采用加权法或是变权重加权的方法将多个目标合并成一个目标进行优化。这种优化方法所采用的权重值具有主观性，其最优解只是多个目标函数的简单叠加，只能得出一个局部最优解，无法提供决策者多个解的选择，并未解决多目标优化的本质。
实际中，大多数多目标优化问题不像单目标优化那样存在唯一的最优解，其最优解通常为一个集合，即Pareto解集。只有真正求得管路多目标布局优化问题的Pareto最优解集或逼近Pareto最优解集，才能更加客观的反映多目标优化问题的本质，从而真正意义上解决多目标优化问题。目前，基于Pareto解集的管路多目标布局优化方法还比较少，总体上针对这一方面的研究仍处于起步阶段，基于NSGA算法解决管路的多目标优化问题理论研究和实际应用还未见报道。
到目前为止，智能优化算法已经提出多种以自然或社会启发的群体智能算法，包括蚁群算法、遗传算法以及粒子群算法等。其中帝国主义算法(imperialist competitionalgorithm,ICA)是一种受帝国竞争行为启发的进化算法，属于社会启发的随机优化搜索方式。该算法已经成功应用于多种优化问题中，可以验证该算法的在优化问题上的优越性，但是在多目标问题中的应用还非常少，因此帝国主义算法在多目标问题的应用以及算法的改进在管路布局优化方法问题上值得深入研究。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种可以提高算法优化性能、提高算法的全局搜索能力的基于改进距离策略帝国主义算法的管路布局优化方法。本发明的技术方案如下：
一种基于改进距离策略帝国主义算法的管路布局优化方法，其包括以下步骤：
S1、分别建立管路长度、弯头数以及安装便捷性三个目标函数，并应用罚函数法将避障约束函数分别集成到三个目标函数中；三个目标函数如下：
其中，lpipe为管路长度，bpipe为管路弯头数，epipe为表示管路位置能量值，hpipe为管路与障碍相交的惩罚项，可根据种群中个体编码对应的路径计算得到；α，β，γ以及δ为正常数，根据经验进行调整确定；其中，编码方式按如下处理：给定起点和终点坐标分别为A(x A，y A)和B(x B，y B)，编码[x A，y A，1，x B，y B]代表从A点经过P(x A，y B)点到达B点；编码[x A，y A，0，x B，y B]代表从A点经过Q(x B，y A)点到达B点；
S2、初始化种群即国家，计算得到每个国家的目标函数值、约束违反总值以及与控制变量对应的状态变量，并将初始群体复制到外部储存空间；
S3、算法迭代，采用改进的距离策略帝国主义算法进行优化更新国家，所述改进的距离策略帝国主义算法改进在于：殖民地国家的位置更新不止依赖于所在帝国的帝国主义国家位置，还将其他强大殖民地的作用也作为殖民地更新的影响元素；将萤火虫算法的运动力学算法增加到殖民地位置更新中，即殖民地的位置更新不仅受到国家权力值的影响还受到国家间距离的影响；对更新后的国家重新进行仿真计算得到更新后的目标函数值和约束违反总值，将更新后的国家复制到外部储存空间与上一代国家进行非劣排序和拥挤距离计算，然后根据所得的排序情况进行裁剪以保持外部储存空间大小不变；
S4、判断是否满足迭代次数，若不满足，则继续进行算法迭代，若满足，则停止迭代，输出外部储存空间的帕累托最优解集，并根据遗传算法从帕累托最优解集中找到最优折衷解，并按照最优折衷解进行设计。
进一步的，所述步骤S2通过计算得到约束违反总值以及与控制变量对应的状态变量，具体包括：
所述的约束违反总值计算式如下：
式中，Vio(u)表示约束违反总值，Ns是状态变量的不等式约束总数，hk(x,u)表示第k个状态变量的不等式约束；
所述的状态变量获取，是在得到确定的控制变量值即国家个体的位置属性后，通过牛顿-拉夫逊迭代法进行计算可得到包括管路长度、管路弯头数、管路位置能量值、管路与障碍相交的惩罚项在内的状态变量大小。
进一步的，步骤S3将其他强大殖民地的作用也作为殖民地更新的影响元素，改进后的殖民地位置更新公式如下：
P(Colnew)＝P(Colold)+β*[P(countrystronger)-P(Colold)]+α*(rand(0,1)-0.5)式中，P(Colnew)表示殖民地更新后的位置，P(Colold)表示殖民地更新前的位置，P(countrystronger)表示殖民地所在帝国中所有比该殖民地更强的国家，也包括该帝国的帝国主义国家，α*(rand(0,1)-0.5)表示扰动项，α表示扰动项系数。
进一步的，所述根据遗传算法从帕累托最优解集中找到最优折衷解，具体包括：首先产生初始种群，GA优化算法层把设计变量和参数传至仿真层，仿真层进行仿真后，GA优化算法层调用仿真层仿真结果，进行目标函数及约束条件计算，判断是否达到优化目标或满足一定的迭代次数，若不满足则按照遗传算法进行选择、交叉和变异，生成下一代群体继续进行迭代。在所述设计变量和约束条件下，以管路长度、弯头数以及安装便捷性为目标进行多目标优化设计，最终求得帕累托最优解。
本发明的优点及有益效果如下：
本发明提供的距离策略优化方法，基于帝国主义算法改进了原始算法中国家位置的更新方式，不仅将帝国主义国家位置作为殖民地移动的影响因素，也将其他更强大的殖民地作为殖民地国家的影响因素，然后在殖民地国家相互影响的基础上，将萤火虫算法中萤火虫吸引度与距离的关系引入到帝国主义算法中，在原有的权力决策基础上加入了距离影响因子，基于此提出了DSICA算法，采用这种方法可以引导国家找到更好的位置，更好的平衡局部搜索与全局搜索，进而找到更好的解决方案。
附图说明
图1是本发明提供优选实施例基于改进距离策略帝国主义算法的管路布局优化方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图1所示，一种基于改进距离策略帝国主义算法的管路布局优化方法，其包括以下步骤：
S1、分别建立管路长度、弯头数以及安装便捷性三个目标函数，并应用罚函数法将避障约束函数分别集成到三个目标函数中；三个目标函数如下：
其中，lpipe为管路长度，bpipe为管路弯头数，epipe为表示管路位置能量值，hpipe为管路与障碍相交的惩罚项，可根据种群中个体编码对应的路径计算得到；α，β，γ以及δ为正常数，根据经验进行调整确定；其中，编码方式按如下处理：给定起点和终点坐标分别为A(x A，y A)和B(x B，y B)，编码[x A，y A，1，x B，y B]代表从A点经过P(x A，y B)点到达B点；编码[x A，y A，0，x B，y B]代表从A点经过Q(x B，y A)点到达B点；
S2、初始化种群即国家，计算得到每个国家的目标函数值、约束违反总值以及与控制变量对应的状态变量，并将初始群体复制到外部储存空间；
S3、算法迭代，采用改进的距离策略帝国主义算法进行优化更新国家，所述改进的距离策略帝国主义算法改进在于：殖民地国家的位置更新不止依赖于所在帝国的帝国主义国家位置，还将其他强大殖民地的作用也作为殖民地更新的影响元素；将萤火虫算法的运动力学算法增加到殖民地位置更新中，即殖民地的位置更新不仅受到国家权力值的影响还受到国家间距离的影响；对更新后的国家重新进行仿真计算得到更新后的目标函数值和约束违反总值，将更新后的国家复制到外部储存空间与上一代国家进行非劣排序和拥挤距离计算，然后根据所得的排序情况进行裁剪以保持外部储存空间大小不变；
S4、判断是否满足迭代次数，若不满足，则继续进行算法迭代，若满足，则停止迭代，输出外部储存空间的帕累托最优解集，并根据遗传算法从帕累托最优解集中找到最优折衷解，并按照最优折衷解进行设计。
优选的，所述步骤S2通过计算得到约束违反总值以及与控制变量对应的状态变量，具体包括：
所述的约束违反总值计算式如下：
式中，Vio(u)表示约束违反总值，Ns是状态变量的不等式约束总数，hk(x,u)表示第k个状态变量的不等式约束；
所述的状态变量获取，是在得到确定的控制变量值即国家个体的位置属性后，通过牛顿-拉夫逊迭代法进行计算可得到包括管路长度、管路弯头数、管路位置能量值、管路与障碍相交的惩罚项在内的状态变量大小。
优选的，步骤S3将其他强大殖民地的作用也作为殖民地更新的影响元素，改进后的殖民地位置更新公式如下：
P(Colnew)＝P(Colold)+β*[P(countrystronger)-P(Colold)]+α*(rand(0,1)-0.5)
式中，P(Colnew)表示殖民地更新后的位置，P(Colold)表示殖民地更新前的位置，P(countrystronger)表示殖民地所在帝国中所有比该殖民地更强的国家，也包括该帝国的帝国主义国家，α*(rand(0,1)-0.5)表示扰动项，α表示扰动项系数。
优选的，所述根据遗传算法从帕累托最优解集中找到最优折衷解，具体包括：首先产生初始种群，GA优化算法层把设计变量和参数传至仿真层，仿真层进行仿真后，GA优化算法层调用仿真层仿真结果，进行目标函数及约束条件计算，判断是否达到优化目标或满足一定的迭代次数，若不满足则按照遗传算法进行选择、交叉和变异，生成下一代群体继续进行迭代。在所述设计变量和约束条件下，以管路长度、弯头数以及安装便捷性为目标进行多目标优化设计，最终求得帕累托最优解。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (4)

1.一种基于改进距离策略帝国主义算法的管路布局优化方法，其特征在于，包括以下步骤：
S1、分别建立管路长度、弯头数以及安装便捷性三个目标函数，并应用罚函数法将避障约束函数分别集成到三个目标函数中；三个目标函数如下：
其中，lpipe为管路长度，bpipe为管路弯头数，epipe为表示管路位置能量值，hpipe为管路与障碍相交的惩罚项，可根据种群中个体编码对应的路径计算得到；α，β，γ以及δ为正常数，根据经验进行调整确定；其中，编码方式按如下处理：给定起点和终点坐标分别为A(x A，yA)和B(x B，y B)，编码[x A，y A，1，x B，y B]代表从A点经过P(x A，y B)点到达B点；编码[xA，y A，0，x B，y B]代表从A点经过Q(x B，y A)点到达B点；
S2、初始化种群即国家，计算得到每个国家的目标函数值、约束违反总值以及与控制变量对应的状态变量，并将初始群体复制到外部储存空间；
S3、算法迭代，采用改进的距离策略帝国主义算法进行优化更新国家，所述改进的距离策略帝国主义算法改进在于：殖民地国家的位置更新不止依赖于所在帝国的帝国主义国家位置，还将其他强大殖民地的作用也作为殖民地更新的影响元素；将萤火虫算法的运动力学算法增加到殖民地位置更新中，即殖民地的位置更新不仅受到国家权力值的影响还受到国家间距离的影响；对更新后的国家重新进行仿真计算得到更新后的目标函数值和约束违反总值，将更新后的国家复制到外部储存空间与上一代国家进行非劣排序和拥挤距离计算，然后根据所得的排序情况进行裁剪以保持外部储存空间大小不变；
S4、判断是否满足迭代次数，若不满足，则继续进行算法迭代，若满足，则停止迭代，输出外部储存空间的帕累托最优解集，并根据遗传算法从帕累托最优解集中找到最优折衷解，并按照最优折衷解进行设计。
2.根据权利要求1所述的基于改进距离策略帝国主义算法的管路布局优化方法，其特征在于，所述步骤S2通过计算得到约束违反总值以及与控制变量对应的状态变量，具体包括：
所述的约束违反总值计算式如下：
式中，Vio(u)表示约束违反总值，Ns是状态变量的不等式约束总数，hk(x,u)表示第k个状态变量的不等式约束；
所述的状态变量获取，是在得到确定的控制变量值即国家个体的位置属性后，通过牛顿-拉夫逊迭代法进行计算可得到包括管路长度、管路弯头数、管路位置能量值、管路与障碍相交的惩罚项在内的状态变量大小。
3.根据权利要求1所述的基于改进距离策略帝国主义算法的管路布局优化方法，其特征在于，步骤S3将其他强大殖民地的作用也作为殖民地更新的影响元素，改进后的殖民地位置更新公式如下：
P(Colnew)＝P(Colold)+β*[P(countrystronger)-P(Colold)]+α*(rand(0,1)-0.5)
式中，P(Colnew)表示殖民地更新后的位置，P(Colold)表示殖民地更新前的位置，P(countrystronger)表示殖民地所在帝国中所有比该殖民地更强的国家，也包括该帝国的帝国主义国家，α*(rand(0,1)-0.5)表示扰动项，α表示扰动项系数。
4.根据权利要求1所述的基于改进距离策略帝国主义算法的管路布局优化方法，其特征在于，所述根据遗传算法从帕累托最优解集中找到最优折衷解，具体包括：首先产生初始种群，GA优化算法层把设计变量和参数传至仿真层，仿真层进行仿真后，GA优化算法层调用仿真层仿真结果，进行目标函数及约束条件计算，判断是否达到优化目标或满足一定的迭代次数，若不满足则按照遗传算法进行选择、交叉和变异，生成下一代群体继续进行迭代。在所述设计变量和约束条件下，以管路长度、弯头数以及安装便捷性为目标进行多目标优化设计，最终求得帕累托最优解。
CN201811348210.4A 2018-11-13 2018-11-13 一种基于改进距离策略帝国主义算法的管路布局优化方法 Withdrawn CN109460617A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811348210.4A CN109460617A (zh) 2018-11-13 2018-11-13 一种基于改进距离策略帝国主义算法的管路布局优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811348210.4A CN109460617A (zh) 2018-11-13 2018-11-13 一种基于改进距离策略帝国主义算法的管路布局优化方法

Publications (1)

Publication Number Publication Date
CN109460617A true CN109460617A (zh) 2019-03-12

Family

ID=65610264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811348210.4A Withdrawn CN109460617A (zh) 2018-11-13 2018-11-13 一种基于改进距离策略帝国主义算法的管路布局优化方法

Country Status (1)

Country Link
CN (1) CN109460617A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991713A (zh) * 2019-12-13 2021-06-18 百度在线网络技术（北京）有限公司 数据处理方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991713A (zh) * 2019-12-13 2021-06-18 百度在线网络技术（北京）有限公司 数据处理方法、装置、设备及存储介质
CN112991713B (zh) * 2019-12-13 2022-11-22 百度在线网络技术（北京）有限公司 数据处理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Milan et al. Development of adaptive neuro fuzzy inference system–Evolutionary algorithms hybrid models (ANFIS-EA) for prediction of optimal groundwater exploitation
Chu et al. Applying particle swarm optimization to parameter estimation of the nonlinear Muskingum model
CN110504676B (zh) 一种基于apso-bp的配电网状态估计方法
US20210133376A1 (en) Systems and methods of parameter calibration for dynamic models of electric power systems
CN105429134B (zh) 一种基于电力大数据的电网电压稳定性预测方法
Haddad et al. Application of a hybrid optimization method in Muskingum parameter estimation
Donyaii et al. A novel approach to supply the water reservoir demand based on a hybrid whale optimization algorithm
JP3929235B2 (ja) 配電系統における状態推定方法
Shao et al. An advanced weighted system based on swarm intelligence optimization for wind speed prediction
Zhao et al. A differential-based harmony search algorithm with variable neighborhood search for job shop scheduling problem and its runtime analysis
Mazhari et al. A hybrid heuristic and learning automata‐based algorithm for distribution substations siting, sizing and defining the associated service areas
Efstratiadis et al. HYDROGEIOS: a semi-distributed GIS-based hydrological model for modified river basins
Faseela et al. Economic and emission dispatch using Whale Optimization Algorithm (WOA)
Mansouri et al. Introducing modified version of penguins search optimization algorithm (PeSOA) and its application in optimal operation of reservoir systems
CN109460617A (zh) 一种基于改进距离策略帝国主义算法的管路布局优化方法
Wei An improved whale optimization algorithm with cultural mechanism for high-dimensional global optimization problems
Bahmanikashkooli et al. Application of particle swarm optimization algorithm for computing critical depth of horseshoe cross section tunnel
Le Ngo Optimising reservoir operation: A case study of the Hoa Binh reservoir, Vietnam
Wang et al. Discussion on the prediction of engineering cost based on improved BP neural network algorithm
Yan et al. Hydrologic cycle optimization Part I: background and theory
CN114970341B (zh) 基于机器学习的低轨卫星轨道预报精度提升模型建立方法
Shrivastava et al. Peer Review of renewable energy-based adaptive protection (s) & relay coordination optimization techniques
Lin et al. Hybrid differential evolution and particle swarm optimization algorithm based on random inertia weight
Li et al. Designing optimal network for rural electrification using multiplier-accelerated A* Algorithm
CN113517723A (zh) 一种含小型水电站的配电网系统的无功电压优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190312