检索结果-内蒙古大学图书馆

控制与决策 2023年第11期38卷 3039-3047页

作者：韩红桂徐子昂王晶晶北京工业大学信息学部北京100124 计算智能与智能系统北京市重点实验室北京100124

多任务粒子群优化算法(multi-task particle swarm ptimization,MTPSO)通过知识迁移学习,具有快速收敛能力,广泛应用于求解多任务多目标优化问题.然而,MTPSO难以根据种群进化状态自适应调整优化过程,容易陷入局部最优,收敛性能较差.针... 详细信息

多任务粒子群优化算法(multi-task particle swarm ptimization,MTPSO)通过知识迁移学习,具有快速收敛能力,广泛应用于求解多任务多目标优化问题.然而,MTPSO难以根据种群进化状态自适应调整优化过程,容易陷入局部最优,收敛性能较差.针对此问题,利用强化学习的自我进化与预测能力,提出一种基于Q学习的多任务多目标粒子群优化算法(QM2PSO).首先,设计粒子群参数动态更新方法,利用Q学习方法在线更新粒子群算法的惯性权重和加速度参数,提高当前粒子收敛到Pareto前沿的能力;其次,提出基于柯西分布的突变搜索策略,通过全局和局部交替搜索多任务最优解,避免算法陷入局部最优;最后,设计基于正向迁移准则的知识迁移方法,采用Q学习方法更新知识迁移率,改善知识负迁移现象.与已有经典算法的对比实验结果表明所提出的QM2PSO算法具有更优越的收敛性.

关键词：多任务多目标优化粒子群优化知识迁移 Q学习

来源：评论

学校读者我要写书评

暂无评论

基于多任务多目标算法的电力系统发电优化调度研究

基于多任务多目标算法的电力系统发电优化调度研究

引用

作者：高羿晨深圳大学

学位级别：硕士

电力系统的发电调度是电力系统生产与实时运行的所必须要解决的问题。在电力系统中,如何保障大规模的互联电力系统的稳定,安全同时又可以高效经济地运行是一个重要而又迫切的问题,必须通过合适的优化方法对其进行合理配置。首先本文介... 详细信息

电力系统的发电调度是电力系统生产与实时运行的所必须要解决的问题。在电力系统中,如何保障大规模的互联电力系统的稳定,安全同时又可以高效经济地运行是一个重要而又迫切的问题,必须通过合适的优化方法对其进行合理配置。首先本文介绍了传统的电力系统多目标的发电调度模型。在电力系统发电调度模型中,一味追求单方面的能源损耗最低或者排放量的最低已经不再是目前应有的准则了,在现阶段的规划计算模型中,应该需要全面地考虑其他的并行运行指标,例如能源的消耗,环境的污染排放指标,经济效益,电压偏差,电压的稳定性等等因素。本文具体阐述了电力系统的有功多目标优化模型以及无功多目标优化模型的具体构建方式,并且对其进行相应的探索和应用。具体而言,有功功率调度模型包括三个目标:最小化发电成本、有害排放和功率损耗,以及实际操作和安全要求,如功率平衡约束、母线电压约束、线路安全约束和旋转备用约束。无功功率调度是在满足发电约束、母线电压约束、输电安全约束、潮流平衡约束、变压器约束和无功功率电源限制约束的基础上,提高电压的稳定性以及最小化功率损耗和电压偏差。其次,本文采用了多任务多目标优化算法求解电力系统中的有功和无功调度模型。该算法允许通过选型交配和纵向文化传播在不同的优化任务之间进行隐式知识传递,从而加速算法收敛。本文详细介绍了多任务多目标优化算法的具体原理和实现方法,并使用了电力系统的标准IEEE-30和IEEE-118测试系统对算法进行全面测试。与现有电力调度进化算法相比,该算法在评价指标、求解质量和计算效率等方面都表现出较好的性能。此外,仿真结果表明,基于隐式并行计算机制的多任务多目标优化算法具有很大的发展潜力,可作为未来涉及不同市场主体的大规模智能电网应用的云计算求解器或平台。

关键词：多任务多目标优化发电调度帕雷托前沿有功优化无功优化

来源：评论

学校读者我要写书评

暂无评论

基于流形分布对齐与自适应多迁移策略的多任务多目标进化算法研究

基于流形分布对齐与自适应多迁移策略的多任务多目标进化算法研究

引用

作者：王锋西安电子科技大学

学位级别：硕士

现实世界存在大量的优化问题需要被求解,作为进化计算领域新近涌现的一个重要的研究方向,多任务进化优化受到越来越多研究人员的关注。该方向研究如何利用不同任务之间的相似性促进优化任务的求解。本文采用基于多种群的多任务优化算法... 详细信息

现实世界存在大量的优化问题需要被求解,作为进化计算领域新近涌现的一个重要的研究方向,多任务进化优化受到越来越多研究人员的关注。该方向研究如何利用不同任务之间的相似性促进优化任务的求解。本文采用基于多种群的多任务优化算法范式研究多任务多目标优化问题。基于多种群的多任务进化算法主要研究如何设计更好的主算法用于单个任务的求解以及如何设计更高效的知识迁移方法用于任务之间的知识迁移。1)针对迁移个体选择问题,本文提出了基于流形分布对齐的迁移个体选择方法,其使用迁移学习中的分布对齐方法将源任务种群的知识通过给目标任务种群个体赋标签的方式传递给目标任务种群,进而选择出用于迁移的个体。在进行给个体赋标签之前,本文针对不同优化任务可能存在的决策空间维度不同的情况提出基于上采样与下采样的维度一致化方法。对于选取何种标签为种群个体标注的问题,本文提出以个体所处的非支配前沿层数作为个体的标签。针对由严格支配关系导致的种群个体标签过多以及各类间个体数量不平衡的问题,本文提出基于模糊非支配前沿的个体标注方式。实验结果显式基于流形分布对齐的迁移个体选择方法相较于其他迁移个体选择方式会产生更高比例处在具有较小数值的非支配前沿。2)针对基于多种群多任务进化算法的主算法设计问题,本文提出基于档案集与协方差自适应进化策略的MOEA/D算法。本文首先指出主算法在设计时既要考虑算法的搜索性能同时也要考虑如何高效的保存优化任务的特征以供知识迁移过程使用。针对前一个问题本文提出基于协方差自适应进化策略的子问题更迭搜索方法,通过不断变换使用协方差自适应进化策略优化的子问题实现算法具有更好的搜索性能。针对后一个问题,本文提出基于次优子代的档案集个体选择方法以获得的对优化任务更全面的特征用于知识迁移过程。3)针对迁移方式以及迁移时机这两个问题,本文提出多迁移策略用于知识迁移,通过提出自适应资源分配策略决定何时进行知识迁移。多迁移策略通过使用多种具有不同作用范围的算子生成子代以期对迁移个体具有的知识实现高效的利用。自适应资源分配策略通过对多迁移策略中不同算子的表现对之后的计算资源进行动态的分配。通过将上述方法结合,本文提出了基于流形分布对齐与自适应多迁移策略的多任务多目标进化算法,通过与代表性算法和当前发表的最好算法进行比较验证了本文算法的有效性和优越性。

关键词：多任务多目标优化知识迁移自适应多迁移策略分布对齐

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：