针对原油调度过程存在的资源规模庞大、约束条件复杂、多时间尺度决策衔接困难等问题,提出一种基于多时间尺度协同的进化算法(MTCEA)。首先,根据炼油企业的规模结构和实际需求,建立了一种大规模多时间尺度原油调度优化模型,该模型由面...针对原油调度过程存在的资源规模庞大、约束条件复杂、多时间尺度决策衔接困难等问题,提出一种基于多时间尺度协同的进化算法(MTCEA)。首先,根据炼油企业的规模结构和实际需求,建立了一种大规模多时间尺度原油调度优化模型,该模型由面向资源的中长期调度模型和面向操作的短期调度模型构成,通过引入原油资源动态分组策略,实现原油资源的合理配置,以满足不同的调度规模、多时间尺度的特征和精细化生产的要求;其次,为促进不同时间尺度调度决策的融合衔接,设计基于多时间尺度协同的进化算法,并针对不同时间尺度调度模型中的连续决策变量构造子问题进行求解,以实现不同时间尺度调度决策之间的协同优化;最后,在3个实际工业案例进行了算法性能验证。结果表明,与3种具有代表性的大规模进化优化算法(即竞争性粒子群优化算法(CSO)、基于多轨迹搜索的自适应差分进化算法(SaDE-MMTS)和基于混合模型的进化策略(MMES))以及3种高性能混合整数非线性规划(MINLP)数学求解器(即ANTIGONE(Algorithms for coNTinuous/Integer Global Optimization of Nonlinear Equations)、SCIP(Solving Constraint Integer Programs)和SHOT(Supporting Hyperplane Optimization Toolkit))相比,MTCEA的求解最优性指标和稳定性指标分别提高了30%和25%以上。这些显著的性能提升验证了MTCEA在大规模多时间尺度原油调度决策中的实际应用价值和优势。展开更多
文摘大规模稀疏多目标优化问题(Sparse Multiobjective Optimization Problems,SMOPs)广泛存在于现实世界。为大规模SMOPs提出通用的解决方法,对于进化计算、控制论和机器学习等领域中的问题解决都具有推动作用。由于SMOPs具有高维决策空间和Pareto最优解稀疏的特性,现有的进化算法在解决SMOPs时,很容易陷入维数灾难的困境。针对这个问题,以稀疏分布的学习为切入点,提出了一种基于在线学习稀疏特征的大规模多目标进化算法(Large-scale Multiobjective Evolutio-nary Algorithm Based on Online Learning of Sparse Features,MOEA/OLSF)。具体地,首先设计了一种在线学习稀疏特征的方法来挖掘非零变量;然后提出了一种稀疏遗传算子,用于非零变量的进一步搜索和子代解的生成,在非零变量搜索过程中,其二进制交叉和变异算子也用于控制解的稀疏性和多样性。与最新的优秀算法在不同规模的测试问题上的对比结果表明,所提算法在收敛速度和性能方面均更优。
文摘针对原油调度过程存在的资源规模庞大、约束条件复杂、多时间尺度决策衔接困难等问题,提出一种基于多时间尺度协同的进化算法(MTCEA)。首先,根据炼油企业的规模结构和实际需求,建立了一种大规模多时间尺度原油调度优化模型,该模型由面向资源的中长期调度模型和面向操作的短期调度模型构成,通过引入原油资源动态分组策略,实现原油资源的合理配置,以满足不同的调度规模、多时间尺度的特征和精细化生产的要求;其次,为促进不同时间尺度调度决策的融合衔接,设计基于多时间尺度协同的进化算法,并针对不同时间尺度调度模型中的连续决策变量构造子问题进行求解,以实现不同时间尺度调度决策之间的协同优化;最后,在3个实际工业案例进行了算法性能验证。结果表明,与3种具有代表性的大规模进化优化算法(即竞争性粒子群优化算法(CSO)、基于多轨迹搜索的自适应差分进化算法(SaDE-MMTS)和基于混合模型的进化策略(MMES))以及3种高性能混合整数非线性规划(MINLP)数学求解器(即ANTIGONE(Algorithms for coNTinuous/Integer Global Optimization of Nonlinear Equations)、SCIP(Solving Constraint Integer Programs)和SHOT(Supporting Hyperplane Optimization Toolkit))相比,MTCEA的求解最优性指标和稳定性指标分别提高了30%和25%以上。这些显著的性能提升验证了MTCEA在大规模多时间尺度原油调度决策中的实际应用价值和优势。
