摘要：针对现有船舶操纵性优化算法收敛性不高的问题,将基于分解的多目标进化算法应用到船舶设计中,本文提出一种船舶操纵性设计的约束多目标进化算法。建立了以直线稳定性和相对回转直径为目标的优化模型,采用基于分解的多目标进化算法框架,结合优秀不可行解改进了差分算子;其次,充分利用优秀不可行解,设计了新的个体选择准则。将本文算法与另外3种船舶操纵性优化算法进行对比,该算法可以提供更多的设计方案,且设计方案收敛性更好。

摘要：为了提高复杂约束优化问题的收敛精度,提出了基于ε约束的骨干粒子群优化算法(Bare-bones Particle Swarm Optimization basedεconstrained简称ε-BPSO).首先,设计了时变的约束放松参数ε,使算法前期充分利用不可行解的有效信息;其次,为了避免早期收敛,提出动态学习BPSO算法,算法中粒子可以随机地向群体的优秀个体学习,并通过自适应学习权重使群体从全局勘探转向局部利用.最后,依概率采用梯度突变策略,将不可行域中的粒子引入可行域,加快搜索可行域的效率.在36个测试函数上测试并将本文算法与多种进化算法进行对比,实验结果和统计分析表明本文算法在求解约束优化问题上具有优越性.

摘要：为解决血液供应链网络设计中的不确定性问题,建立了一种血液供应链网络多目标鲁棒优化设计模型。首先,针对带有5个节点的血液供应链网络,建立考虑安全库存的、目标为成本最小、存储时间最短的优化函数,并采用ε约束、Pareto最优和鲁棒优化方法对已建模型进行处理,将多目标问题转化为单目标鲁棒问题;其次,对原有鲸鱼优化算法(WOA)进行改进,引入差分算法的交叉和变异理念,增强了搜索能力并改善了局限性,从而得到差分鲸鱼优化算法(DWOA),并采用此算法对处理后的模型求解。通过数值实例,验证当测试问题相同时,优化模型在需求短缺方面比确定模型的短缺量平均少76%。因此,所提优化模型在应对需求短缺时更具优势;通过仿真对比分析图像,得出DWOA相比WOA、粒子群优化(PSO)算法和遗传算法(GA)中断时间更短并且成本更低。