多任务优化算法在各任务单独优化的同时进行任务间的知识迁移,从而提升多个任务的综合性能。然而,在相似度较低的任务间进行负向知识迁移反而会导致整体性能下降,且为难度不同的任务分配同等的计算资源会造成资源浪费。此外,在任务的不...多任务优化算法在各任务单独优化的同时进行任务间的知识迁移,从而提升多个任务的综合性能。然而,在相似度较低的任务间进行负向知识迁移反而会导致整体性能下降,且为难度不同的任务分配同等的计算资源会造成资源浪费。此外,在任务的不同阶段采用固定的搜索步长容易陷入局部最优。为解决上述问题,提出了一种基于自适应知识迁移与动态资源分配的多任务协同优化(Multitask Cooperative Optimization Algorithm Based on Adaptive Knowledge Transfer and Resource Allocation,AMTO)算法。首先,每个任务用一个单独的种群进行优化,并将一个种群分成3个子种群,采用3种不同的搜索策略,增加搜索行为的多样性,并且在单个任务内根据个体成功率来动态更新搜索步长,增强自适应搜索能力,避免陷入局部最优;其次,利用多个任务间知识迁移的反馈结果在线计算任务间相似度,并依据相似度自适应地调整迁移概率,同时,在相似度较低的任务间进行迁移时还需减去任务偏差,减小负向知识迁移造成的性能下降程度,提升算法对任务间差异的感知能力;然后,通过评估任务性能的提升度来估计任务难度与优化状态,对不同难度与状态的任务动态按需分配资源,最大限度地提升资源的利用率,减少资源浪费;最后,在简单与复杂两类多任务优化函数上,将本文算法与经典的多任务算法进行对比实验,验证了本文算法中自适应迁移策略、动态资源分配策略及其综合的有效性。展开更多
间歇性分布式电源(distributed generation,DG)接入电网后对线路潮流、节点电压等的影响与其接入位置和容量密切相关。考虑间歇性分布式电源出力的随机性和间歇性,同一配电区域光照、风速和负荷变化具有一定的相关性及受季节变化的影响...间歇性分布式电源(distributed generation,DG)接入电网后对线路潮流、节点电压等的影响与其接入位置和容量密切相关。考虑间歇性分布式电源出力的随机性和间歇性,同一配电区域光照、风速和负荷变化具有一定的相关性及受季节变化的影响,为此,采用可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法(correlation Latin hypercube sampling Monte Carlo simulation,CLMCS)计算含间歇性分布式电源的配电网潮流,以分布式电源和无功补偿装置的年运行收益为上层规划目标函数,以电压改善年收益和降损年收益为下层规划目标函数,建立嵌入机会约束规划的二层规划分布式电源和无功补偿装置容量协同优化配置模型。采用两层嵌套的自适应人工鱼群算法对本文协同优化配置问题进行求解。最后通过IEEE33节点配电系统算例分析,验证了本文模型和算法的有效性。展开更多
为了解决车路协同中无人驾驶汽车跨区域计算任务卸载问题,构建了一种无人驾驶汽车和路侧单元(road side unit,RSU)的联合任务卸载优化模型,旨在将计算任务的总能耗和时延的加权和最小化,即求出计算任务的总能耗和时延的加权和的最小值,...为了解决车路协同中无人驾驶汽车跨区域计算任务卸载问题,构建了一种无人驾驶汽车和路侧单元(road side unit,RSU)的联合任务卸载优化模型,旨在将计算任务的总能耗和时延的加权和最小化,即求出计算任务的总能耗和时延的加权和的最小值,为此提出自适应粒子群优化算法(adaptive particle swarm optimization,APSO)优化车辆计算任务卸载过程中的任务卸载策略和任务发射功率来达到计算任务的总能耗和时延的加权和的最小值。结果表明:基于APSO的无人驾驶汽车的跨区域联合任务卸载优化模型能显著降低无人驾驶汽车计算任务的总能耗和时延的加权和,同时对于所构建的跨区域联合任务卸载优化模型采用APSO求解优于采用模拟退火算法(simulated annealing,SA)和遗传算法(genetic algorithm,GA)求解。展开更多
文摘高速铁路夕发朝至列车开行与天窗设置存在动态影响关系,将两者进行协同优化有助于满足旅客夜间出行需求,提升铁路运力资源配置.以通道型高速铁路为对象,在分析高速铁路夕发朝至列车与天窗设置影响关系的基础上,以高速铁路夕发朝至列车总的旅行时间最少和高速铁路夕发朝至列车的开行对既有列车运行图的影响最小为目标,建立了列车开行模式未定情形下高速铁路夕发朝至列车与天窗协同优化的非线性混合整数规划模型.结合问题特性,提出了双目标转换和约束线性化处理等模型约简策略,设计了基于自适应大邻域搜索的启发式求解算法.最后,以京广高速铁路走廊为例,对模型算法的有效性进行了验证.结果表明:算法经过40次左右迭代便可收敛至最优解,耗时784 s.
文摘多任务优化算法在各任务单独优化的同时进行任务间的知识迁移,从而提升多个任务的综合性能。然而,在相似度较低的任务间进行负向知识迁移反而会导致整体性能下降,且为难度不同的任务分配同等的计算资源会造成资源浪费。此外,在任务的不同阶段采用固定的搜索步长容易陷入局部最优。为解决上述问题,提出了一种基于自适应知识迁移与动态资源分配的多任务协同优化(Multitask Cooperative Optimization Algorithm Based on Adaptive Knowledge Transfer and Resource Allocation,AMTO)算法。首先,每个任务用一个单独的种群进行优化,并将一个种群分成3个子种群,采用3种不同的搜索策略,增加搜索行为的多样性,并且在单个任务内根据个体成功率来动态更新搜索步长,增强自适应搜索能力,避免陷入局部最优;其次,利用多个任务间知识迁移的反馈结果在线计算任务间相似度,并依据相似度自适应地调整迁移概率,同时,在相似度较低的任务间进行迁移时还需减去任务偏差,减小负向知识迁移造成的性能下降程度,提升算法对任务间差异的感知能力;然后,通过评估任务性能的提升度来估计任务难度与优化状态,对不同难度与状态的任务动态按需分配资源,最大限度地提升资源的利用率,减少资源浪费;最后,在简单与复杂两类多任务优化函数上,将本文算法与经典的多任务算法进行对比实验,验证了本文算法中自适应迁移策略、动态资源分配策略及其综合的有效性。
文摘间歇性分布式电源(distributed generation,DG)接入电网后对线路潮流、节点电压等的影响与其接入位置和容量密切相关。考虑间歇性分布式电源出力的随机性和间歇性,同一配电区域光照、风速和负荷变化具有一定的相关性及受季节变化的影响,为此,采用可处理输入随机变量相关性的基于拉丁超立方抽样的蒙特卡洛概率潮流计算方法(correlation Latin hypercube sampling Monte Carlo simulation,CLMCS)计算含间歇性分布式电源的配电网潮流,以分布式电源和无功补偿装置的年运行收益为上层规划目标函数,以电压改善年收益和降损年收益为下层规划目标函数,建立嵌入机会约束规划的二层规划分布式电源和无功补偿装置容量协同优化配置模型。采用两层嵌套的自适应人工鱼群算法对本文协同优化配置问题进行求解。最后通过IEEE33节点配电系统算例分析,验证了本文模型和算法的有效性。
