导读:本文包含了多目标动态优化论文开题报告文献综述及选题提纲参考文献，主要关键词:主梁,动态优化,克里金响应面,多目标遗传算法
多目标动态优化论文文献综述
邱悦,易朋兴,聂福全,马德杨[1]（2019）在《桥式起重机主梁自适应多目标动态优化》一文中研究指出以通用型双梁桥式起重机为对象,对主梁进行结构优化设计,采用一种新的将Kriging响应面与多目标遗传算法相结合的优化方法,相比一般多目标遗传算法,计算成本更低,能更加快速地找到第一个Pareto前端解。考虑了结构动态性能,即主梁结构的垂直自振频率应尽量较低;简化双梁结构,以单个梁结构为分析对象,提高了计算效率。优化后的起重机相比原始设计质量减轻了7.61%,垂直自振频率为5.96Hz,最大应力98.15Mpa,增大了13.54%,最大变形36.38mm,增加了4.55%,满足了静刚度和强度条件,说明优化是有效的。(本文来源于《机械设计与制造》期刊2019年11期）
严丽娜,吴军[2]（2019）在《动态种群规模协同进化算法求解多目标投资组合优化问题》一文中研究指出为了解决仅含预算约束的投资组合优化模型,提出一种基于种群密度的多目标协同进化算法.算法采用种群竞争的策略自适应的产生不定规模的种群,避免了固定种群规模的缺点.在进化过程中每个种群都会参考自身的最优个体以及竞争种群对自身的影响,超级个体集合存储进化过程中产生的最优解,通过最优个体的引导使算法快速收敛至Pareto前沿.实验结果表明,与NSGA-2算法相比,提出的算法在稳定性和收敛性都有很好的表现,是一种有效的多目标进化算法.(本文来源于《数学的实践与认识》期刊2019年19期）
张明鹏,陈闽漩,王雪晴,李壮[3]（2019）在《多目标优化和仿真的智能RGV动态调度策略研究》一文中研究指出智能RGV动态调度策略问题是典型的优化排序问题。本文针对一道工序的物料加工问题,首先设置了RGV系统目标函数,包括RGV工作和等待时间最短和RGV移动总距离最短,然后构造基于一道工序的RGV动态调度仿真算法,最后进行了总结。(本文来源于《中国新通信》期刊2019年18期）
PIRMOHAMMAD,Sadjad,ESMAEILI-MARZDASHTI,Sobhan[4]（2019）在《动态载荷下多元锥形结构的多目标优化（英文）》一文中研究指出本文对采用新型截面结构设计(正方形、六边形、八边形、十边形和圆形)的多元锥管在轴向和叁种不同斜向载荷作用下的耐撞性能进行了评价。利用LS-DYNA建立的有限元模型对相同重量的不同结构的锥管进行了对比研究。采用了复比例评估法(COPRAS),利用峰值临界力(PCF)和能量吸收(EA)两个相互矛盾的准则来选择最优管结构。从COPRAS计算结果可以看出,具有十边形截面的多元锥形管(MCDT)具有最优耐撞性能。评价了可能的内肋数对十边形截面锥形管耐撞性的影响,结果表明,随着内肋数的增加,十边形截面锥形管的耐撞性能得到增强。采用了人工神经网络(ANN)和遗传算法(GA)对MCDT的参数(锥角θ和内外管尺寸比S)进行了优化。基于多目标优化的结果,利用最小距离选择法(MDS)和COPRAS方法得到的最优尺寸分别是θ=7.9°,S=0.46和θ=8°,S=0.74。(本文来源于《Journal of Central South University》期刊2019年09期）
胡明茂,孙煜,龚青山,吴岳敏[5]（2019）在《面向低碳低成本的磨削参数多目标优化动态模型》一文中研究指出磨削是机械制造精加工中广泛采用的加工方法,为实现加工过程中的碳效益提升和成本节约两个目标,建立了磨削加工过程碳排放模型和加工成本模型,并引入根据速度改变的调整函数,动态拟合目标模型变化情况。综合考虑机床设备性能和加工质量要求的约束条件,选择砂轮线速度、工作台进给速度为优化变量,应用改进NSGA-Ⅱ算法对优化模型进行求解,最后通过模糊物元分析评价,得出最优加工方案。(本文来源于《制造技术与机床》期刊2019年08期）
王遐龙[6]（2019）在《基于多目标微电网动态优化调度的研究》一文中研究指出为了解决微电网中微源的不可控和随机波动性大等动态特性,论文寻求微电网最理想的运行调度策略。研究基于多目标动态优化调度的微电网模型,以微电网的经济和环境成本最小为目标建立数学模型并确定该模型的约束条件,用PSO与GA相结合形成的PSO-GA混合算法来进行求解,通过算例求得微电网孤岛运行最优综合调度方案,验证了该模型和算法的有效性。(本文来源于《计算机与数字工程》期刊2019年07期）
闫李,李超,柴旭朝,瞿博阳[7]（2019）在《基于多学习多目标鸽群优化的动态环境经济调度》一文中研究指出针对电力系统动态环境经济调度(DEED)问题,提出了一种基于多学习策略的多目标鸽群优化(MLMPIO)算法.在多学习策略中,种群个体可以向外部存档集中的多个全局最优位置以及个体的历史最优位置进行学习,进而保持种群的多样性和全局搜索能力,避免陷入早熟收敛.引入了小概率变异扰动机制,进一步增强种群的多样性.为提升算法的运行效率,采用容量自适应变化的外部存档集来存储当前Pareto最优解集.为验证所提算法的性能,将MLMPIO应用于10机组电力系统的DEED问题求解.仿真结果证明了MLMPIO算法解决此类问题的可行性和有效性.(本文来源于《郑州大学学报(工学版)》期刊2019年04期）
张海波[8]（2019）在《基于动态平衡的多目标粒子群优化算法》一文中研究指出传统粒子群优化算法在求解动态优化问题时,种群将逐渐收敛,从而在问题变化后无法进一步寻优,针对上述问题,提出了一种基于动态平衡的多目标粒子群优化算法。采用双种群策略以动态平衡算法的探索能力与开发强度,其中一个子种群在动态调整的网格中运行混沌搜索,确保种群多样性符合要求的同时,能够有效提升搜索的效率。利用快速收缩多目标粒子群算法,对另外的子种群进行计算,收敛到Pareto前沿。通过一组标准测试问题对所提方法进行了验证,实验结果显示所提算法无论在收敛速度还是在优化精度上都优于其它典型多目标进化算法。(本文来源于《微型电脑应用》期刊2019年06期）
贾晨,杜欣慧,姚宏民[9]（2019）在《计及不确定因素的售电公司动态购电决策多目标优化研究》一文中研究指出随着电力体制改革的进行,售电公司的数量及市场交易的形式不断增加,同时竞争也日益激烈。针对即将开展的电力现货市场交易,提出了包含多市场、多时段的售电公司动态交易策略,全面考虑了用户电量,市场电价等不确定因素,引入用户侧负荷作为平衡资源。利用多目标优化思想,建立了包含售电公司综合售电收益和用户满意度最大化的优化模型。并提出一种结合拉丁超立方抽样,场景缩减法和改进多目标差分进化算法的优化方法对所提模型进行求解。最后通过算例分析,验证了所建模型和方法的有效性,为售电公司参与市场竞争提供了有效的参考。(本文来源于《电力系统保护与控制》期刊2019年21期）
徐欣欣[10]（2019）在《基于分解的静态与动态多目标优化算法研究》一文中研究指出现实世界的许多优化问题包括多个必须同时优化的冲突目标。由于存在多个相互冲突的目标,并没有一种解决方案可以优化所有目标。多目标进化算法(MOEAs)能够在单次运行中逼近多个最优解。这种优势使MOEAs成为解决MOPs的良好候选者。在过去几十年中,在开发EA或改进其性能方面的研究兴趣日益增加,从而为MOEAs对MOPs的适用性做出了大量贡献。然而,MOEAs的性能在很大程度上取决于所讨论的MOPs的性质,例如,静态/动态优化环境,简单/复杂的Pareto前沿特性以及低/高维度。不同的问题属性可能对MOEAs造成不同的优化困难。例如,动态时变的的静态MOPs对于MOEAs更具挑战性。因此,进一步研究MOEAs以使其广泛适用于求解具有各种优化方案或问题属性的MOPs并非易事。本文主要研究了静态与动态的多目标优化算法。MOEA/D是近年来效率最高、研究最广的多目标进化算法之一,各种改进算法在解决各类复杂多目标优化问题时表现出了明显的优势,本文在MOEA/D研究的基础上,对其进行改进,提出了两种改进算法,分别用于求解静态和动态多目标优化问题。本文的主要工作及创新点概况如下:1.为了提高MOEA/D在求解超多目标问题时快速收敛的能力,提出了局部改进的MOEA/D(简称MOEA/L-MSF)。首先,我们利用高斯分布与均匀分布方法综合生成了权向量,使得新的权向量分布更加广泛。然后,利用乘法缩放分解方法来对多目标优化问题进行有效地分解。另外,在进化算子中加入了局部优化。文中改进对提高算法的性能很有帮助。实验证明了MOEA/L-MSF在求解超多目标问题上的有效性。2.为了解决动态多目标优化问题,提出了一种基于lp分解的记忆增强动态多目标进化算法(简称dMOEA/D-lp)。具体而言,dMOEA/D-lp将动态多目标优化问题分解为多个动态标量优化子问题,并将其同时进行协同优化,其中采用lp分解方法进行分解。同时,采用基于子问题的束流记忆方法来存储历史环境的最优解并在必要时重新使用它们,以用来响应环境变化。实验结果验证了lp分解方法在动态多目标优化中的有效性。所提出的dMOEA/D-lp算法比其他基于记忆方法的动态多目标算法有着更好的性能。(本文来源于《山东师范大学》期刊2019-06-10）
多目标动态优化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了解决仅含预算约束的投资组合优化模型,提出一种基于种群密度的多目标协同进化算法.算法采用种群竞争的策略自适应的产生不定规模的种群,避免了固定种群规模的缺点.在进化过程中每个种群都会参考自身的最优个体以及竞争种群对自身的影响,超级个体集合存储进化过程中产生的最优解,通过最优个体的引导使算法快速收敛至Pareto前沿.实验结果表明,与NSGA-2算法相比,提出的算法在稳定性和收敛性都有很好的表现,是一种有效的多目标进化算法.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多目标动态优化论文参考文献
[1].邱悦,易朋兴,聂福全,马德杨.桥式起重机主梁自适应多目标动态优化[J].机械设计与制造.2019
[2].严丽娜,吴军.动态种群规模协同进化算法求解多目标投资组合优化问题[J].数学的实践与认识.2019
[3].张明鹏,陈闽漩,王雪晴,李壮.多目标优化和仿真的智能RGV动态调度策略研究[J].中国新通信.2019
[4].PIRMOHAMMAD,Sadjad,ESMAEILI-MARZDASHTI,Sobhan.动态载荷下多元锥形结构的多目标优化（英文）[J].JournalofCentralSouthUniversity.2019
[5].胡明茂,孙煜,龚青山,吴岳敏.面向低碳低成本的磨削参数多目标优化动态模型[J].制造技术与机床.2019
[6].王遐龙.基于多目标微电网动态优化调度的研究[J].计算机与数字工程.2019
[7].闫李,李超,柴旭朝,瞿博阳.基于多学习多目标鸽群优化的动态环境经济调度[J].郑州大学学报(工学版).2019
[8].张海波.基于动态平衡的多目标粒子群优化算法[J].微型电脑应用.2019
[9].贾晨,杜欣慧,姚宏民.计及不确定因素的售电公司动态购电决策多目标优化研究[J].电力系统保护与控制.2019
[10].徐欣欣.基于分解的静态与动态多目标优化算法研究[D].山东师范大学.2019