CN114781703A - 一种分层多目标优化方法、终端设备及存储介质 - Google Patents

一种分层多目标优化方法、终端设备及存储介质 Download PDF

Info

Publication number
CN114781703A
CN114781703A CN202210359247.7A CN202210359247A CN114781703A CN 114781703 A CN114781703 A CN 114781703A CN 202210359247 A CN202210359247 A CN 202210359247A CN 114781703 A CN114781703 A CN 114781703A
Authority
CN
China
Prior art keywords
targets
target
objective optimization
ith
importance
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.)
Pending
Application number
CN202210359247.7A
Other languages
English (en)
Inventor
赵英汝
林健
谢珊
孟超
何娴雅
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN202210359247.7A priority Critical patent/CN114781703A/zh
Publication of CN114781703A publication Critical patent/CN114781703A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)

Abstract

本发明涉及一种分层多目标优化方法、终端设备及存储介质，该方法中包括：S1：获取需要针对多个目标进行优化的多目标优化模型和待优化的所有目标；S2：根据模糊简化层次分析法将待优化的所有目标划分为主导目标和从属目标；S3：基于帕累托最优解集，计算多目标优化模型的满足所有主导目标的非支配解；S4：针对步骤S3得到的所有非支配解，以从属目标为基准对其进行筛选和/或排序，根据筛选和/或排序后的结果得到多目标优化模型的最优解。本发明在保证重点目标非支配最优性的同时，还可以兼顾更多从属目标的优化性能，从而获得有侧重点兼顾多目标的综合优化方案。

Description

一种分层多目标优化方法、终端设备及存储介质
技术领域
本发明涉及目标优化领域，尤其涉及一种分层多目标优化方法、终端设备及存储介质。
背景技术
在工程、经济等学科领域中设计与优化中，常需要在两个或多个相互冲突的目标之间进行权衡，需要用到多目标优化解决上述问题。
传统的多目标优化方法有化多为少的方法、分层序列法、帕累托优化法等。在没有目标优先级排序和主观赋值的情况下，帕累托优化法是解决多目标有化问题的有效途径，可求解得到帕累托前沿优化解集。多目标权衡通常基于不同的主观依据或客观信息，或二者的结合。常规的客观决策准则主要基于非支配解集的特征，常见的方法有基于欧氏距离的决策方法、基于香农熵的决策方法和基于模糊理论的隶属函数决策方法等。主观决策准则更多依赖决策者的主观判断，常用的方法有层次分析法(Analytic Hierarchy Process，AHP)、隶属函数等。然而，多目标优化方法在实际的应用过程中，仍然存在以下需要解决的问题：
(1)如何兼顾不同子目标的主观重要性与客观权衡特征差异，以提高多目标优化方法的主客观灵活性；
(2)如何降低主观决策方法多子目标对比量化标准的复杂度，以减少量化评价过程的主观经验依赖性；
(3)如何提升主观决策方法多决策者综合评价的群体一致性，以降低主观决策不确定性对结果的影响。
因此，亟待提出一种灵活兼顾真实案例主客观因素的多目标优化方法，以满足决策者应对多场景实际案例差异化需求。
发明内容
为了解决上述问题，本发明提出了一种分层多目标优化方法、终端设备及存储介质。
具体方案如下：
一种分层多目标优化方法，包括以下步骤：
S1：获取需要针对多个目标进行优化的多目标优化模型和待优化的所有目标；
S2：根据模糊简化层次分析法将待优化的所有目标划分为主导目标和从属目标；
S3：基于帕累托最优解集，计算多目标优化模型的满足所有主导目标的非支配解；
S4：针对步骤S3得到的所有非支配解，以从属目标为基准对其进行筛选和/或排序，根据筛选和/或排序后的结果得到多目标优化模型的最优解。
进一步的，步骤S2的具体实现过程包括以下步骤：
S201：构建描述m个目标之间两两重要性程度优劣关系的模糊简化判断矩阵FSAM：
Figure BDA0003584330470000031
式中，m表示目标的总数，ai,1表示第i个目标与第1个目标之间的重要性程度，a1,表示第1个目标与第i个目标之间的重要性程度，…，ai,i表示第i个目标与第i个目标之间的两两重要性程度，i表示目标的序号，m表示目标的总数；
S202：根据模糊简化判断矩阵FSAM中的各元素对应的两个目标之间的重要性程度的大小关系确定各元素的取值；
S203：计算模糊简化判断矩阵FSAM中各行元素的几何均值，将第i行元素的几何均值作为第i个目标的特征值；
S204：对计算的所有几何均值进行归一化处理，得到各目标的归一化特征值；
S205：按照从大到小的顺序将归一化特征值进行排序，并按照排序的顺序切分为两部分，将排序靠前的部分对应的目标作为主导目标，将排序靠后的部分对应的目标作为从属目标。
进一步的，步骤S202中各元素的取值的计算公式为：
Figure BDA0003584330470000032
式中，ai,i′表示第i个目标与第i′个目标之间的两两重要性程度，Si和Si′分别表示第i个目标和第i′个目标的重要性程度。
进一步的，当目标的重要性程度由多个决策者决策时，步骤S202中各元素的取值的计算公式为：
Figure BDA0003584330470000041
式中，βj表示第j个决策者的权重系数，a′i,i′,j表示第j个决策者对第i个目标和第i′个目标之间重要性程度对比的评分，表示决策者的总数。
进一步的，步骤S205中切分时按照目标的总数将排序靠前A％的目标作为主导目标，将排序靠后(100-A)％的目标作为从属目标，A表示主导目标占从属目标的百分比。
进一步的，步骤S4中进行筛选和/或排序的过程采用并行前序法，并行前序法的具体过程包括：采集S种不同排序方式对所有非支配解的排序结果，针对S个排序结果中的每个排序结果，从中提取其前L个非支配解，得到S个解集，判断是否存在一非支配解同时存在于S个解集内，如果存在，则将该非支配解作为多目标优化模型的最优解，如果不存在，令L增加1，重新获得对应的S个解集。
进一步的，步骤S4中进行筛选和/或排序的过程采用顺序组合法或耦合权值法。
进一步的，步骤S4中进行筛选和/或排序的过程采用多种方法中的任意两种或两种以上的组合方法，多种方法包括：并行前序法、顺序组合法和耦合权值法。
一种分层多目标优化终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案，基于多目标进行分层优化，在保证重点目标非支配最优性的同时，还可以兼顾更多从属目标的优化性能，从而获得有侧重点兼顾多目标的综合优化方案。
附图说明
图1所示为本发明实施例一的流程图。
图2所示为该实施例中综合园区主干热网拓扑结构示意图。
图3所示为该实施例中多站互联城市综合能源供需协同规划备选系统方案示意图。
图4所示为该实施例中各季节典型日逐时风、光出力系数示意图。
图5所示为该实施例中园区各典型日逐时基准多种能源需求示意图。
图6所示为该实施例中归一化解域分解非均匀帕累托前沿示意图。
图7所示为该实施例中归一化多能效指标与熵权综合指标示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例提供了一种分层多目标优化方法，如图1所示，所述方法包括以下步骤：
S1：获取需要针对多个目标进行优化的多目标优化模型和待优化的所有目标。
多目标优化模型可以是任意使用场景的多目标优化模型，多目标可以为常用或不常用的任意目标，如经济目标、环境目标、能效目标等等。
S2：根据模糊简化层次分析法将待优化的所有目标划分为主导目标和从属目标。
模糊简化层次分析法结合层次分析法基本思路与模糊决策思想，将AHP指标两两对比的多档评分规则简化为模糊排序评分，以减少对比分级复杂度，从而降低主观经验依赖性与不确定性。
该实施例中步骤S2的具体实现过程包括以下步骤：
S201：构建描述m个目标之间两两重要性程度优劣关系的m阶模糊简化判断矩阵FSAM：
单一决策者的评价计算过程中，首先建立描述m个指标两两重要性优劣关系的m阶模糊简化判断矩阵FSAM：
Figure BDA0003584330470000061
式中，m表示目标的总数，ai,1表示第i个目标与第1个目标之间的重要性程度，a1,i表示第1个目标与第i个目标之间的重要性程度，…，ai,i表示第i个目标与第i个目标之间的两两重要性程度，i表示目标的序号，m表示目标的总数。
S202：根据模糊简化判断矩阵FSAM中的各元素对应的两个目标之间的重要性程度的大小关系确定各元素的取值。
当决策者为一个时，各元素的取值的计算公式为：
Figure BDA0003584330470000071
式中，ai,i′表示第i个目标与第i′个目标之间的两两重要性程度，Si和Si′分别表示第i个目标和第i′个目标的重要性程度。由于目标两两重要性程度对比结果ai,i′＝1/ai′,i，自身对比结果ai,i＝1，因此，只需确定矩阵主对角线左侧或右侧的元素即可。
当涉及一位以上决策者的群体决策问题时，考虑决策者的权重差异，各元素的取值的计算公式为：
Figure BDA0003584330470000072
式中，βj表示第j个决策者的权重系数，a′i,i′,j表示第j个决策者对第i个目标和第i′个目标之间重要性程度对比的评分，表示决策者的总数。
S203：计算模糊简化判断矩阵FSAM中各行元素的几何均值，将第i行元素的几何均值作为第i个目标的特征值
Figure BDA0003584330470000073
Figure BDA0003584330470000074
S204：对计算的所有几何均值进行归一化处理，得到各目标的归一化特征值：
Figure BDA0003584330470000081
其中，wi表示第i个目标的归一化特征值。
S205：按照从大到小的顺序将归一化特征值进行排序，并按照排序的顺序切分为两部分，将排序靠前的部分对应的目标作为主导目标，将排序靠后的部分对应的目标作为从属目标。
在实际应用中，本领域技术人员可以根据需求设定两部分的切分方式，该实施例中按照百分比进行切分，即按照目标的总数将排序靠前A％的目标作为主导目标，将排序靠后(100-A)％的目标作为从属目标，A表示主导目标占从属目标的百分比，A的取值本领域技术人员可以自行设定，该实施例中设定为40。
进一步的，考虑到后续步骤中要求至少存在两个主导目标，当切分后仅能确定单一主导指标时，按目标的归一化特征值的排序顺位增补主导目标。
本实施例采用的模糊简化层次分析法以简化的模糊排序三档评分取代传统层次分析法中重要性比较的多档量化评分模式，减少了评分复杂度。判断矩阵元可以与多目标整体排序的目标先后关系直接关联，从而更易于应对目标数量较多的决策场景，避免目标局部对比可能存在的决策不一致问题，降低决策者的主观经验依赖性。同时，与传统层次分析法更注重量化指标对比不同程度的差异细节相比，多决策者在模糊排序条件下，更容易得到主从划分相对一致的结果。
S3：基于帕累托最优解集，计算多目标优化模型的满足所有主导目标的非支配解。
S4：针对步骤S3得到的所有非支配解，以从属目标为基准对其进行筛选和/或排序，根据筛选和/或排序后的结果得到多目标优化模型的最优解。
该实施例中筛选和/或排序的过程可以采用多种方法进行，如：顺序组合法、并行前序法、耦合权值法与综合上述几种组合方式的多方案组合法，分别介绍如下：
(1)顺序组合法。该方法先后应用多种决策法(如AHP、模糊隶属函数等经典主观决策方法或TOPSIS、熵权法等传统客观决策方法)进行顺序决策，以两方法顺序组合为例，采用决策法1对步骤S3计算得到的所有非支配解进行筛选和/或排序，基于一定筛选准则或排名限制，获得符合决策法1优化视角的前序解集，随后对方法1所获得的前序解集进行基于决策法2不同视角的重新排序，从而获得综合最优解(排序位于第一位的解)或排序。
(2)并行前序法。该方法中初始设定排定结果中非支配解的序号L＝1，采集S种不同排序方式(采用不同决策法得到的)对所有非支配解的排序结果，针对S个排序结果中的每个排序结果，从中提取其前L个非支配解，得到S个解集，判断是否存在一非支配解同时存在于S个解集内，如果存在，则将该非支配解作为多目标优化模型的最优解，如果不存在，令L增加1，重新获得对应的S个解集，针对S个解集进行重新判断，重复直至找到最优解。
(3)耦合权值法。该方法分别采用不同决策法确定各非支配解的权重系数，随后采用不同权重耦合方法形成各非支配解的耦合权值。以两种决策法耦合权值计算为例，假设ai与bi分别是基于不同决策方法A和B获得的目标i的归一化权重，即满足，∑iai＝∑ibi＝1。采用不同耦合方式，如加和法耦合权值为ci＝(ai+bi)/∑i(ai+bi)，乘积法耦合权值为ci＝aibi/∑i(aibi)，方根法耦合权值为
Figure BDA0003584330470000101
基于耦合权值即可获取综合最优解与综合排序。
(4)多方案组合法。基于上述方法组合方式的灵活整合，可采用多种组合形式。如依次采用方法A、B获得AB顺序组合排序，随后采用并行排序法与C方法组合，获得符合AB组合前序解集与C前序解集交集条件的ABC综合最优解，或分别采用D、E方法获得各自最优解，随后采用F方法对D、E最优解进行排序，获得DEF综合最优解。
该实施例中以包含多个子区域的综合产业园区多站能源系统与建筑节能改造规划为例进行说明，具体选取某工业城镇园区规划案例构建多目标优化模型。
根据区域使用情况和主要建筑类型，园区被划分为4个功能区，包括工业区、居住区、办公区和商业区，其中工业区以老旧生产与仓储厂房为主，仅有少量办公建筑。居住区与办公区以老旧住宅与办公建筑为主，仅有少量商铺，商业区由新建的商业综合建筑组成。园区内已有连接各功能区的自营配电网和功能区内能源站到各建筑的分支热网，待规划的区域主干热网拓扑结构如图2所示，图中网络节点表示各功能区的能源中心，连接线距离是预期沿道路铺设的冷热管网长度。能源系统规划备选系统方案如图3所示，包含城市能源系统常用的电、热、冷能源转换与存储技术，能源网络与多种需求侧能效提升改造措施，本实施例采用的备选技术方案的经济与技术参数如表1和表2所示。各季节典型日风、光出力系数如图4所示，园区各典型工作日与休息日的各种能源需求如图5所示。除环境与经济效益，进一步考虑多种能源利用评价指标，包括一次能源节约率、系统火用效率、能源利用指数与建筑节能率，以便多角度评价城市能源系统的节能减排性能。
表1
Figure BDA0003584330470000111
表2
Figure BDA0003584330470000112
Figure BDA0003584330470000121
在优化过程中，在进行步骤S2时，对案例涉及的6种评价指标(目标)进行主观决策评分。基于11位专家决策者的模糊简化层次分析法评分，代表目标之间两两重要性程度优劣关系的6阶模糊简化判断矩阵以映射表的方式展示如表3。
表3
NPC TCE EUF BESR EXE PESR
净现值总成本(NPC) 1.000 0.9091 2.000 2.000 2.000 1.909
总碳排放(TCE) 1.455 1.000 2.000 2.000 2.000 1.909
能源利用指数(EUF) 0.5000 0.5000 1.000 0.9091 1.409 0.8636
建筑节能率(BESR) 0.5000 0.5000 1.455 1.000 1.818 1.273
(火用)效率(EXE) 0.5000 0.5000 0.8636 0.5909 1.000 0.5909
一次能源节约率(PESR) 0.5455 0.5455 1.546 1.136 1.818 1.000
依据11位专家决策者的独立决策结果与群体决策结果的目标排序检验与主从划分对比结果如表4所示。
表4
Figure BDA0003584330470000131
由表2可见群体决策多目标主从划分与70％以上决策者的独立决策层次划分一致，仅不到30％决策结果因顺位增补，存在并列第二主导目标。同时，群体决策主导目标符合各决策者的独立决策主导目标判据。因此，上述目标模糊二分群体决策结果有效，即以净现值总成本(NPC)与总碳排放量(TCE)作为本实施例案例的多目标分层优化主导目标，其余指标作为从属目标。
在进行步骤S3时，首先求解NPC与TCE对应的单目标最优解，获得双目标权衡特征矩阵。随后，基于解域划分方法，确定近理想解域如图6所示。
在进行步骤S4时，依据本实施例案例中决策者对经济性与碳排放指标的侧重，上述指标被认为是综合规划项目的直接考核指标，而多种能效指标被视为辅助评价指标。本阶段基于主导目标的TOPSIS排序与从属目标的熵权法排序，进行客观多方法多层次顺序组合决策。
首先基于TOPSIS排序，进一步缩小主导目标的权衡优劣差距。随后基于主导目标TOPSIS前序解集，将各能效指标归一化，并通过熵权法确定加权综合指标，以获得能效指标加权综合效益最优的分层综合优化方案D2。各能效指标的归一化优化结果差异如图7所示，横坐标为方案编号，以非均匀帕累托前沿中成本最低方案C1为1号方案，按成本增加依次编号。可以看出不同能效指标在C3至E3方案之间呈现差异化的变化特征。
对比各典型方案可见，仅考虑主导目标的TOPSIS最优方案(D1)，各能效指标均低于相邻的27号方案。即从26(D1)至27号方案的略微成本提升，即可获得包括碳减排与多种能效指标提升的综合效益。此外，实现更进一步减排的分层最优方案(D2)，能源利用指数与(火用)效率与D1方案无明显差异，一次能源节约率与建筑节能率较D1方案提升显著，即从方案D1到D2的额外减排投入可获得环境与能效多指标综合更优的总体效益提升。基于本实施例的多目标分层优化方法，在保证重点目标非支配最优性的同时，可兼顾更多从属目标的优化性能，从而获得有侧重点兼顾多目标的综合优化方案。
实施例二：
本发明还提供一种分层多目标优化终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述分层多目标优化终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述分层多目标优化终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述分层多目标优化终端设备的组成结构仅仅是分层多目标优化终端设备的示例，并不构成对分层多目标优化终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述分层多目标优化终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述分层多目标优化终端设备的控制中心，利用各种接口和线路连接整个分层多目标优化终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述分层多目标优化终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述分层多目标优化终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (10)

1.一种分层多目标优化方法，其特征在于，包括以下步骤：
S1：获取需要针对多个目标进行优化的多目标优化模型和待优化的所有目标；
S2：根据模糊简化层次分析法将待优化的所有目标划分为主导目标和从属目标；
S3：基于帕累托最优解集，计算多目标优化模型的满足所有主导目标的非支配解；
S4：针对步骤S3得到的所有非支配解，以从属目标为基准对其进行筛选和/或排序，根据筛选和/或排序后的结果得到多目标优化模型的最优解。
2.根据权利要求1所述的分层多目标优化方法，其特征在于：步骤S2的具体实现过程包括以下步骤：
S201：构建描述m个目标之间两两重要性程度优劣关系的模糊简化判断矩阵FSAM：
Figure FDA0003584330460000011
式中，m表示目标的总数，ai,1表示第i个目标与第1个目标之间的重要性程度，a1,i表示第1个目标与第i个目标之间的重要性程度，…，ai,i表示第i个目标与第i个目标之间的两两重要性程度，i表示目标的序号，m表示目标的总数；
S202：根据模糊简化判断矩阵FSAM中的各元素对应的两个目标之间的重要性程度的大小关系确定各元素的取值；
S203：计算模糊简化判断矩阵FSAM中各行元素的几何均值，将第i行元素的几何均值作为第i个目标的特征值；
S204：对计算的所有几何均值进行归一化处理，得到各目标的归一化特征值；
S205：按照从大到小的顺序将归一化特征值进行排序，并按照排序的顺序切分为两部分，将排序靠前的部分对应的目标作为主导目标，将排序靠后的部分对应的目标作为从属目标。
3.根据权利要求2所述的分层多目标优化方法，其特征在于：步骤S202中各元素的取值的计算公式为：
Figure FDA0003584330460000021
式中，ai,i′表示第i个目标与第i′个目标之间的两两重要性程度，Si和Si′分别表示第i个目标和第i′个目标的重要性程度。
4.根据权利要求3所述的分层多目标优化方法，其特征在于：当目标的重要性程度由多个决策者决策时，步骤S202中各元素的取值的计算公式为：
Figure FDA0003584330460000022
式中，βj表示第j个决策者的权重系数，a′i,i′,j表示第j个决策者对第i个目标和第i′个目标之间重要性程度对比的评分，n表示决策者的总数。
5.根据权利要求2所述的分层多目标优化方法，其特征在于：步骤S205中切分时按照目标的总数将排序靠前A％的目标作为主导目标，将排序靠后(100-A)％的目标作为从属目标，A表示主导目标占从属目标的百分比。
6.根据权利要求1所述的分层多目标优化方法，其特征在于：步骤S4中进行筛选和/或排序的过程采用并行前序法，并行前序法的具体过程包括：采集S种不同排序方式对所有非支配解的排序结果，针对S个排序结果中的每个排序结果，从中提取其前L个非支配解，得到S个解集，判断是否存在一非支配解同时存在于S个解集内，如果存在，则将该非支配解作为多目标优化模型的最优解，如果不存在，令L增加1，重新获得对应的S个解集。
7.根据权利要求1所述的分层多目标优化方法，其特征在于：步骤S4中进行筛选和/或排序的过程采用顺序组合法或耦合权值法。
8.根据权利要求6所述的分层多目标优化方法，其特征在于：步骤S4中进行筛选和/或排序的过程采用多种方法中的任意两种或两种以上的组合方法，多种方法包括：并行前序法、顺序组合法和耦合权值法。
9.一种分层多目标优化终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～8中任一所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～8中任一所述方法的步骤。
CN202210359247.7A 2022-04-07 2022-04-07 一种分层多目标优化方法、终端设备及存储介质 Pending CN114781703A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210359247.7A CN114781703A (zh) 2022-04-07 2022-04-07 一种分层多目标优化方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210359247.7A CN114781703A (zh) 2022-04-07 2022-04-07 一种分层多目标优化方法、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN114781703A true CN114781703A (zh) 2022-07-22

Family

ID=82426379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210359247.7A Pending CN114781703A (zh) 2022-04-07 2022-04-07 一种分层多目标优化方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN114781703A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633563A (zh) * 2024-01-24 2024-03-01 中国电子科技集团公司第十四研究所 一种基于optics算法的多目标自顶向下式层次化分群方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633563A (zh) * 2024-01-24 2024-03-01 中国电子科技集团公司第十四研究所 一种基于optics算法的多目标自顶向下式层次化分群方法
CN117633563B (zh) * 2024-01-24 2024-05-10 中国电子科技集团公司第十四研究所 一种基于optics算法的多目标自顶向下式层次化分群方法

Similar Documents

Publication Publication Date Title
CN105243458B (zh) 一种基于多目标混合蛙跳差分算法的水库调度方法
CN104537432B (zh) 基于证据推理的电力系统多目标优化调度的决策方法
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN108256969A (zh) 一种公共自行车租赁点调度区域划分方法
CN105046354A (zh) 基于多代理的配电网规划场景模拟生成方法及其系统
CN111738519A (zh) 一种配电网规划方法、系统及设备
CN112241607A (zh) 一种基于仿真并考虑气候变化的水资源规划方法
CN112132488A (zh) 一种耦合建模-优化-优选的水库生态调度方法
CN109961229A (zh) 一种电源规划综合评估方法
KR20120076528A (ko) 가용송전용량 선정방법
CN114638502A (zh) 一种考虑需求侧资源灵活性的配电网线路加固策略
CN110033076A (zh) 混合云环境下面向代价优化的工作流数据布局方法
CN115439000A (zh) 考虑风光荷功率不确定性和相关性的配电网区块划分方法
CN114781703A (zh) 一种分层多目标优化方法、终端设备及存储介质
Griffone et al. Applications of clustering techniques to the definition of the bidding zones
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN111047175A (zh) 一种电网投资项目优选方法及系统
PADMA et al. Application of fuzzy and ABC algorithm for DG placement for minimum loss in radial distribution system
CN111724064A (zh) 一种基于改进免疫算法的含储能配电网规划方法
CN111091301A (zh) 一种省级电网可持续发展策略的优选方法
CN111144611A (zh) 一种基于聚类和非线性自回归的空间负荷预测方法
CN115186882A (zh) 一种基于聚类的可控负荷空间密度预测方法
CN113780686A (zh) 一种面向分布式电源的虚拟电厂运行方案优化方法
CN114329783A (zh) 一种多目标电动汽车充电网络规划方法
CN113327047A (zh) 基于模糊综合模型的电力营销服务渠道决策方法及系统

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