基于新型小生境策略的多模态、多目标、动态进化算法的研究

Evolutionary computation becomes an active research area in recent years, especially on multi-modal, multi-objective and dynamic optimization. This project uses niching techniques to improve the population diversity and converging speed. The proposed niching technique is incorporated into multi-modal, multi-objective and dynamic optimization algorithms to improve their performances.The project starts with the research on novel niching techniques on multi-modal optimization. The niching techniques focus on self-adaptive neighborhood mutation method which reveals the importance of niching method in increasing the diversity of the population. The research further explains the relationships among multi-modal, multi-objective and dynamic optimizations and subsequently construct novel multi-modal, multi-objective, dynamic evolutionary optimization algorithms. Finally, the proposed algorithms will be applied on power dispatch, asset allocation, etc. problems and these applications provide theories and techniques for complex real world optimization.

智能优化计算的研究与应用是近年来的热点， 尤其是针对多模态（multi-modal）、多目标（multi-objective）以及动态（dynamic）等复杂问题的优化算法。 本项目以小生境（niching）策略为基础，对优化种群的多样性以及并行优化的收敛性进行 研究与探索，从而分析并提高算法的搜索性能，为创建新型有效的多模态、多目标及动态智 能优化算法提供思路，并为这些算法在实际中的应用奠定基础。项目的研究从多模态智能优 化算法着手，用自适应邻域限制的方法，阐明小生境方法和种群多样性在多模态优化问题中 的重要性，并进一步揭示多模态优化问题与多目标优化问题及动态优化问题的相似处及重要 关联关系，从而构建高效稳定的多模态、多目标及动态智能优化算法，并将最终提出的算法 应用在电力调度、资产配置等实际问题中，为高效解决实际复杂优化问题提供理论依据和核 心技术。

很多工程中的实际问题都能够转化为参数优化问题。进化计算是一种解决不同优化问题的强大且有效的工具。随着科技的飞速发展，优化问题变得越发复杂，而进化计算在复杂优化问题的性能有待提高。本项目首先针对多模态问题提出新型的小生境优化算法，同时针对现有测试函数的缺陷提出了一系列新的标准测试函数，并利用小生境进化算法能同时找到多个最优点的特性来为路径优化等工程中的实际问题提供多种方案。针对含风电的电力系统环境经济调度问题，提出了改进的基于加和排序的多目标差分算法，通过加和排序和多样选取提高了多目标优化的效率并有效解决了复杂的含风电环境经济调度问题。针对动态的电力系统环境经济调度问题约束的复杂性，提出了启发式的约束处理方法，为解决高约束电力系统优化调度问题提供了思路和方法。此外，多目标进化算法还被用来解决大规模股票优化组合问题，为解决股票过多对算法造成的困难，项目提出了预选方法从而极大提高了算法的性能。本项目执行期间项目负责人共发表学术论文23 篇（包括已录用1篇），其中期刊文章13篇，会议论文10篇。其中，SCI收录8篇（第一作者6篇），EI收录13篇。获得河南省科技进步二等奖1项。

内容获取失败，请点击重试