CN113205171A - 一种离散二进制粒子群电机多目标优化方法 - Google Patents
一种离散二进制粒子群电机多目标优化方法 Download PDFInfo
- Publication number
- CN113205171A CN113205171A CN202110493491.8A CN202110493491A CN113205171A CN 113205171 A CN113205171 A CN 113205171A CN 202110493491 A CN202110493491 A CN 202110493491A CN 113205171 A CN113205171 A CN 113205171A
- Authority
- CN
- China
- Prior art keywords
- inferior
- particles
- population
- particle swarm
- particle
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 107
- 238000005457 optimization Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 16
- 230000035772 mutation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 235000012771 pancakes Nutrition 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种离散二进制粒子群电机多目标优化方法,包括以下步骤:S110、参数初始化;S120、初始种群位置的选取及初代非劣解的计算;S130、粒子及种群的交叉和变异;S140、粒子个体最优解和群体最优解的选取;S150、非劣解集更新。有益效果在于:基于交叉变异的离散二进制粒子群算法通过将基因遗传思想与粒子群优化算法相结合,采用交叉变异操作代替传统粒子群算法中的粒子更新环节,使得算法具备较高的收敛速度和均衡的全局、局部搜索能力;通过一种多变量环形编码的粒子交叉方法,降低迭代过程中的交叉操作复杂度,提高优化效率;提高了目标期望范围内的非劣解个数和迭代精度,减少了资源和时间的损耗。
Description
技术领域
本发明涉及电机控制技术领域,具体涉及一种离散二进制粒子群电机多目标优化方法。
背景技术
优化算法和优化理论是科学技术及工程应用领域中的一种重要数学方法,是研究、寻找最优方案的主要技术手段。通过优化理论不仅可以有效解决函数的极值、最值问题,还可以实现控制系统的优化以及实际工程问题中最优方案的选取。一般而言,优化问题可以分为最优设计、最优计划、最优管理和最优控制四大类。
电机的多目标优化设计是一个多输入多输出、非线性程度高、耦合性强、建模难度大的多参量并行优化问题,由于传统的单一变量优化方法优化周期较长且忽略设计参数间的耦合效应,难以实现电机的最优化设计。为实现电机的高效精确快速寻优设计,需采用高精度数学建模方法、高效率多目标智能优化算法以及合适的试验设计方法和多参量多目标优化策略。混合粒子群仿生智能优化算法既具备传统粒子群算法易于实现、设计参数少、通用性强等优势,又具有较高的全局收敛速度和局部寻优能力,在电机多目标优化设计问题的处理过程中具备明显优势;可实现电机的高效多目标多参量快速寻优策略。
虽然粒子群优化算法具有易于实现、设计参数少、通用性强以及收敛速度快等优势,但其易陷入局部最优,导致“早熟”现象,不利于实现多目标全局优化。因此,申请人提出一种保证快速局部寻优能力且弥补全局寻有能力不足的优化方法。
发明内容
本发明的目的就在于为了解决上述问题而提供一种离散二进制粒子群电机多目标优化方法,本发明提供的诸多技术方案中优选的技术方案具有:通过遗传算法与粒子群算法的结合,配合设计因子二进制编码和交叉变异手段实现多目标混合粒子群算法煎饼全局和子区的高效搜索能力,从而在保证快速局部寻优能力的同时,兼顾全局寻优能力等技术效果,详见下文阐述。
为实现上述目的,本发明提供了以下技术方案:
本发明提供的一种离散二进制粒子群电机多目标优化方法,包括以下步骤:
S110、参数初始化;
S120、初始种群位置的选取及初代非劣解的计算;
S130、粒子及种群的交叉和变异;
S140、粒子个体最优解和群体最优解的选取;
S150、非劣解集更新。
作为优选,所述步骤S110中,初始化的参数包括初始种群规模、最大迭代次数、离散变量内存和寻优空间范围。
作为优选,所述初始种群规模为Sini=200;最大迭代次数为Nite=300;离散变量内存为四位离散二进制变量;寻优空间范围与混合响应面函数的建模区域一致。
作为优选,所述步骤S120中,采用随机抽样法在巡游空间内初始化粒子种群的位置,而后通过编码转换计算各粒子的初始目标适应度值,并基于“非劣”策略在粒子种群内选取初代非劣解。
作为优选,所述步骤S130中,通过二次交叉及变异进行个体粒子位置的代际更新,二次交叉包括历史个体最优交叉和历史群体最优交叉,即通过粒子间的交叉互换进行编码更新,使得范围内的后代粒子逼近父辈“非劣”粒子,并继续搜寻寻优区域以实现个体粒子与非劣解的筛选迭代。
作为优选,所述步骤S140中,基于“非劣”原则,在经过交叉变异前后存在“非劣”关系的粒子间确定粒子个体的最优解及最优位置,若两者对比后无“非劣”关系,则随机选取最优粒子,并将选取的最优粒子参与到下一迭代过程中与子代新种群的交叉互换。
作为优选,所述步骤S140中,以非劣解集中粒子的平均间距最短为基础,选取位于pareto解集中部区域内的粒子为种群最优解,并参与子代种群的最优解交叉更新。
作为优选,所述步骤S150中,将父辈非劣解集与子代经交叉变异更新后的离子群体进行混合,形成新混合种群,在该新混合种群中选取“非劣”粒子进入更新后的非劣解集中。
综上,本发明的有益效果在于:1、基于交叉变异的离散二进制粒子群算法通过将基因遗传思想与粒子群优化算法相结合,采用交叉变异操作代替传统粒子群算法中的粒子更新环节,使得算法具备较高的收敛速度和均衡的全局、局部搜索能力;
2、通过一种多变量环形编码的粒子交叉方法,降低迭代过程中的交叉操作复杂度,提高优化效率;
3、采用“中部”粒子最优的选择方案,使得非劣解的搜寻范围从整个寻优区域逐渐向Pareto解集的中间部分集中,提高了目标期望范围内的非劣解个数和迭代精度,减少了资源和时间的损耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
参见图1所示,本发明提供了一种离散二进制粒子群电机多目标优化方法,优化目标为转矩脉动和单位电流平均转矩,设计因子即优化变量为极弧系数、气隙长度、偏心距、磁钢厚度、嵌入深度及槽口宽度,包括以下步骤:
S110、参数初始化:初始化的参数包括初始种群规模、最大迭代次数、离散变量内存和寻优空间范围,所述初始种群规模为Sini=200;最大迭代次数为Nite=300;离散变量内存为四位离散二进制变量,综合考虑算法的优化精度和电机的加工工艺,采用四位离散二进制变量分别对多目标优化问题的三个设计因子进行编码,为粒子间的交叉编译操作提供了一定便利;寻优空间范围与混合响应面函数的建模区域一致;
S120、初始种群位置的选取及初代非劣解的计算:由于在粒子群算法中引入了遗传算法的交叉、变异思想使得改进算法的全局收敛性在一定程度得到了改善,更加准确、快速地收敛至相应范围内的非劣解,因此采用随机抽样法在巡游空间内初始化粒子种群的位置,而后通过编码转换计算各粒子的初始目标适应度值,并基于“非劣”策略在粒子种群内选取初代非劣解,形成初始非劣解集,用以确定初始种群中的最优粒子,实现粒子间的交叉更新;
S130、粒子及种群的交叉和变异:通过二次交叉及变异进行个体粒子位置的代际更新,二次交叉包括历史个体最优交叉和历史群体最优交叉,即通过粒子间的交叉互换进行编码更新,使得范围内的后代粒子逼近父辈“非劣”粒子,并继续搜寻寻优区域以实现个体粒子与非劣解的筛选迭代;利用变异操作模拟基因突变实现粒子个体位置的随机更新,进一步扩大粒子群的全局搜索范围,以获得覆盖面较广、精确度较高的非劣解集;
传统二进制算法的个体位置更新采用子代遗传继承父辈基因片段的方法,在多变量多目标优化问题中,对所有设计因子均实施传统的基因片段延续方法无疑会增加迭代过程中的计算量,但是由于本发明针对的优化问题中设计因子的二进制数维度较低,不适合采用传统方法进行粒子间编码和交叉更新,因此提出一种采用环形组合编码的粒子交叉方法,将所有设计因子的二进制编码依次联结成环形结构,通过编码环进行代际粒子交叉更新,既解决了传统方法代间交叉次数过多导致的低效费时问题,又能保证每个粒子个体具有相同的交叉率,实现了粒子的均匀、高效迭代更新;
S140、粒子个体最优解和群体最优解的选取:基于“非劣”原则,在经过交叉变异前后存在“非劣”关系的粒子间确定粒子个体的最优解及最优位置,若两者对比后无“非劣”关系,则随机选取最优粒子,并将选取的最优粒子参与到下一迭代过程中与子代新种群的交叉互换;
传统的种群最优粒子选取方式是从更新后的非劣解集中随机确定并与后代粒子进行群体最优交叉。种群最优的随机选取使得算法在整个寻优区域产生均匀分布的非劣解集且在所有非劣解处具有相同的搜索精度。这种均匀随机搜索方法虽然扩大了最优“非劣”粒子的搜寻范围,但随着迭代次数的增加和非劣解集中粒子数的增多,算法的搜索精度逐渐下降,搜索方向无法集中于期望目标区域。且考虑到大多数多目标优化问题的期望目标范围均处于Pareto解集的中间部分,因此提出一种改进的最优粒子选取方法:以非劣解集中粒子的平均间距最短为基础,选取位于pareto解集中部区域内的粒子为种群最优解,并参与子代种群的最优解交叉更新;
S150、非劣解集更新:非劣解集的更新是多目标优化过程中最为重要的环节,通过保留前一代非劣解集中的优良个体同时选取子代中的“非劣”粒子实现种群的遗传与更新,进而获得更符合期望目标的Pareto最优解集;具体操作为,将父辈非劣解集与子代经交叉变异更新后的离子群体进行混合,形成新混合种群,在该新混合种群中选取“非劣”粒子进入更新后的非劣解集中,从而保证了非劣解选取的全面性和准确性,为种群最优粒子的选取提供了便利。
为便于实现交叉和变异操作,采用离散二进制粒子群优化算法对永磁同步电机进行多目标优化设计,将优化变量分别进行二进制编码,通过交叉和变异操作替代传统粒子群优化算法中的速度和位置的迭代更新过程,实现粒子群的全局高效寻优。其中,具备全局搜索能力的交叉算子作为主要算子,变异算子因其局部搜索能力作为辅助算子,交叉和变异相互配合使得算法同时具备全局和局部的均衡搜索能力。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种离散二进制粒子群电机多目标优化方法,其特征在于,包括以下步骤:
S110、参数初始化;
S120、初始种群位置的选取及初代非劣解的计算;
S130、粒子及种群的交叉和变异;
S140、粒子个体最优解和群体最优解的选取;
S150、非劣解集更新。
2.根据权利要求1所述一种离散二进制粒子群电机多目标优化方法,其特征在于:所述步骤S110中,初始化的参数包括初始种群规模、最大迭代次数、离散变量内存和寻优空间范围。
3.根据权利要求2所述一种离散二进制粒子群电机多目标优化方法,其特征在于:所述初始种群规模为Sini=200;最大迭代次数为Nite=300;离散变量内存为四位离散二进制变量;寻优空间范围与混合响应面函数的建模区域一致。
4.根据权利要求1所述一种离散二进制粒子群电机多目标优化方法,其特征在于:所述步骤S120中,采用随机抽样法在巡游空间内初始化粒子种群的位置,而后通过编码转换计算各粒子的初始目标适应度值,并基于“非劣”策略在粒子种群内选取初代非劣解。
5.根据权利要求1所述一种离散二进制粒子群电机多目标优化方法,其特征在于:所述步骤S130中,通过二次交叉及变异进行个体粒子位置的代际更新,二次交叉包括历史个体最优交叉和历史群体最优交叉,即通过粒子间的交叉互换进行编码更新,使得范围内的后代粒子逼近父辈“非劣”粒子,并继续搜寻寻优区域以实现个体粒子与非劣解的筛选迭代。
6.根据权利要求1所述一种离散二进制粒子群电机多目标优化方法,其特征在于:所述步骤S140中,基于“非劣”原则,在经过交叉变异前后存在“非劣”关系的粒子间确定粒子个体的最优解及最优位置,若两者对比后无“非劣”关系,则随机选取最优粒子,并将选取的最优粒子参与到下一迭代过程中与子代新种群的交叉互换。
7.根据权利要求6所述一种离散二进制粒子群电机多目标优化方法,其特征在于:所述步骤S140中,以非劣解集中粒子的平均间距最短为基础,选取位于pareto解集中部区域内的粒子为种群最优解,并参与子代种群的最优解交叉更新。
8.根据权利要求1所述一种离散二进制粒子群电机多目标优化方法,其特征在于:所述步骤S150中,将父辈非劣解集与子代经交叉变异更新后的离子群体进行混合,形成新混合种群,在该新混合种群中选取“非劣”粒子进入更新后的非劣解集中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493491.8A CN113205171B (zh) | 2021-05-07 | 2021-05-07 | 一种离散二进制粒子群电机多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493491.8A CN113205171B (zh) | 2021-05-07 | 2021-05-07 | 一种离散二进制粒子群电机多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113205171A true CN113205171A (zh) | 2021-08-03 |
CN113205171B CN113205171B (zh) | 2024-05-14 |
Family
ID=77030175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110493491.8A Active CN113205171B (zh) | 2021-05-07 | 2021-05-07 | 一种离散二进制粒子群电机多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205171B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688310A (zh) * | 2024-02-01 | 2024-03-12 | 中国电子科技集团公司第五十四研究所 | 一种基于多目标粒子群算法的mcpc信号波形优化方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100232533A1 (en) * | 2008-08-25 | 2010-09-16 | Lee Daniel Chonghwan | Methods of Selecting Signal Transmitting, Receiving, and/or Sensing Devices with Probabilistic Evolutionary Algorithms in Information Conveyance Systems |
CN105243458A (zh) * | 2015-11-10 | 2016-01-13 | 河海大学 | 一种基于多目标混合蛙跳差分算法的水库调度方法 |
CN106033887A (zh) * | 2015-03-18 | 2016-10-19 | 南京理工大学 | 一种基于改进pso-de混合算法的配电网重构方法 |
CN108399450A (zh) * | 2018-02-02 | 2018-08-14 | 武汉理工大学 | 基于生物进化原则的改进粒子群算法 |
CN108521114A (zh) * | 2018-05-10 | 2018-09-11 | 四川大学 | 一种变压器中性点电容隔直装置的优化配置方法 |
CN109492744A (zh) * | 2018-10-30 | 2019-03-19 | 华北电力大学 | 一种离散二进制粒子群算法与模糊控制耦合的混合运行优化控制方法 |
CN110134006A (zh) * | 2019-05-16 | 2019-08-16 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
CN110544019A (zh) * | 2019-08-14 | 2019-12-06 | 智慧航海(青岛)科技有限公司 | 一种面向智能船舶的集装箱货物配载方法及系统 |
CN110598920A (zh) * | 2019-08-29 | 2019-12-20 | 华中科技大学 | 用于铸造并行车间主生产计划的多目标优化方法及系统 |
CN112381343A (zh) * | 2020-09-30 | 2021-02-19 | 北京工业大学 | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 |
-
2021
- 2021-05-07 CN CN202110493491.8A patent/CN113205171B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100232533A1 (en) * | 2008-08-25 | 2010-09-16 | Lee Daniel Chonghwan | Methods of Selecting Signal Transmitting, Receiving, and/or Sensing Devices with Probabilistic Evolutionary Algorithms in Information Conveyance Systems |
CN106033887A (zh) * | 2015-03-18 | 2016-10-19 | 南京理工大学 | 一种基于改进pso-de混合算法的配电网重构方法 |
CN105243458A (zh) * | 2015-11-10 | 2016-01-13 | 河海大学 | 一种基于多目标混合蛙跳差分算法的水库调度方法 |
CN108399450A (zh) * | 2018-02-02 | 2018-08-14 | 武汉理工大学 | 基于生物进化原则的改进粒子群算法 |
CN108521114A (zh) * | 2018-05-10 | 2018-09-11 | 四川大学 | 一种变压器中性点电容隔直装置的优化配置方法 |
CN109492744A (zh) * | 2018-10-30 | 2019-03-19 | 华北电力大学 | 一种离散二进制粒子群算法与模糊控制耦合的混合运行优化控制方法 |
CN110134006A (zh) * | 2019-05-16 | 2019-08-16 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
CN110544019A (zh) * | 2019-08-14 | 2019-12-06 | 智慧航海(青岛)科技有限公司 | 一种面向智能船舶的集装箱货物配载方法及系统 |
CN110598920A (zh) * | 2019-08-29 | 2019-12-20 | 华中科技大学 | 用于铸造并行车间主生产计划的多目标优化方法及系统 |
CN112381343A (zh) * | 2020-09-30 | 2021-02-19 | 北京工业大学 | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 |
Non-Patent Citations (2)
Title |
---|
喻明让: "离散粒子群优化算法求解多目标柔性作业车间调度问题", 《制造技术与机床》, no. 01, 2 January 2019 (2019-01-02), pages 159 - 165 * |
郭文忠等: "一种求解多目标最小生成树问题的有效离散粒子群优化算法", 《模式识别与人工智能》, no. 04, 15 August 2009 (2009-08-15), pages 95 - 102 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688310A (zh) * | 2024-02-01 | 2024-03-12 | 中国电子科技集团公司第五十四研究所 | 一种基于多目标粒子群算法的mcpc信号波形优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113205171B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Multi-objective quantum-behaved particle swarm optimization for economic environmental hydrothermal energy system scheduling | |
US20210373888A1 (en) | Multi-objective optimization method and system for master production plan of casting parallel workshops | |
Meng et al. | Quantum-inspired particle swarm optimization for valve-point economic load dispatch | |
Wang et al. | A clonal real-coded quantum-inspired evolutionary algorithm with Cauchy mutation for short-term hydrothermal generation scheduling | |
CN107527119A (zh) | 基于改进的多目标量子遗传算法的水资源优化调度方法 | |
CN110162041A (zh) | 一种基于自适应遗传算法的机器人路径规划方法 | |
Feng et al. | Scheduling of short-term hydrothermal energy system by parallel multi-objective differential evolution | |
CN105117461B (zh) | 一种基于改进的遗传算法的查询优化方法 | |
CN112994099B (zh) | 一种高比例分布式光伏并网消纳能力分析方法 | |
CN103473465B (zh) | 基于多目标人工免疫系统的土地资源空间布局优化方法 | |
CN112907150A (zh) | 一种基于遗传算法的生产排程方法 | |
CN113205171A (zh) | 一种离散二进制粒子群电机多目标优化方法 | |
Zhang et al. | Pareto-dominance based adaptive multi-objective optimization for hydrothermal coordinated scheduling with environmental emission | |
CN110826798B (zh) | 一种储能系统定容选址方法 | |
CN116663861A (zh) | 装配式构件生产鲁棒性和资源均衡结合的调度优化方法 | |
Kuo et al. | Multiobjective water resources systems analysis using genetic algorithms-application to Chou-Shui River Basin, Taiwan | |
CN116485057A (zh) | 一种自适应遗传算法求解路径规划的方法 | |
Pei et al. | A multi-objective hybrid differential optimization algorithm for flow-shop scheduling problem | |
CN112183843B (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
CN115221787A (zh) | 基于nsga-ⅱ的圆筒型永磁直线电机多目标优化方法和系统 | |
Li et al. | Optimal scheduling of cascade hydropower system using grouping differential evolution algorithm | |
CN110571791B (zh) | 一种新能源接入下的输电网规划的优化配置方法 | |
Duo et al. | CEGA: Research on improved multi-objective CE optimization algorithm | |
CN114997068B (zh) | 基于改进nsga-ⅱ的配电网三相不平衡多目标优化方法 | |
Wang et al. | Optimal reservoir operation using PSO with adaptive random inertia weight |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |