通过探讨变化环境下水-生态-能源-粮食(Water-Ecology-Energy-Food,WEEF)纽带关系的演化规律,旨在解决实现全球可持续发展目标(Sustainable Development Goals,SDGs)面临的资源安全、生态保护及绿色经济转型中的关键技术问题,为经济社...通过探讨变化环境下水-生态-能源-粮食(Water-Ecology-Energy-Food,WEEF)纽带关系的演化规律,旨在解决实现全球可持续发展目标(Sustainable Development Goals,SDGs)面临的资源安全、生态保护及绿色经济转型中的关键技术问题,为经济社会绿色可持续发展提供理论支撑。系统分析了国内外WEEF纽带关系的最新研究动态,解析了变化环境对WEEF纽带关系的影响机理,构建了影响定量解析体系,从技术方案、政策体系、系统措施等方面提出了变化环境下WEEF纽带关系协同保障策略。系统揭示了变化环境下WEEF纽带关系的耦合机制,在此基础上提出了系统性的协同保障对策,可为提升资源利用效率、推动生态保护修复及促进经济社会高质量发展提供科学依据。展开更多
针对多目标萤火虫算法在解决高维多目标优化问题时存在Pareto支配失效、寻优能力弱和收敛速度慢的问题,提出了参考点引导和多策略协同的高维多目标萤火虫算法(many-objective firefly algorithm based on reference point guidance and ...针对多目标萤火虫算法在解决高维多目标优化问题时存在Pareto支配失效、寻优能力弱和收敛速度慢的问题,提出了参考点引导和多策略协同的高维多目标萤火虫算法(many-objective firefly algorithm based on reference point guidance and multiple cooperative strategies,Ma OFA-RR).该算法在目标空间中预设一组均匀分布的参考点,通过萤火虫与参考点之间的距离关系,划分出引导萤火虫和普通萤火虫,以取代Pareto支配,增大选择压力;使用3种进化策略对萤火虫进行位置更新,引导萤火虫对局部空间进行探索,普通萤火虫根据距离阈值分别向引导萤火虫学习或对全局空间进行探索,提升算法的寻优能力和收敛速度;最后,算法融合反向学习思想,扩大种群搜索范围,提高发掘更优解的可能.将Ma OFA-RR与8种新近高维多目标进化算法进行比较,实验结果表明,Ma OFA-RR在处理高维多目标优化问题时具有高效的性能.展开更多
多目标萤火虫算法采用整体维度更新策略,常因某几维变量上优化效果不佳,导致算法收敛速度慢和寻优精度低。针对上述问题,本文提出基于决策变量分组优化的多目标萤火虫算法(multi-objective firefly algorithm with group optimization o...多目标萤火虫算法采用整体维度更新策略,常因某几维变量上优化效果不佳,导致算法收敛速度慢和寻优精度低。针对上述问题,本文提出基于决策变量分组优化的多目标萤火虫算法(multi-objective firefly algorithm with group optimization of decision variables,MOFA-GD)。引入决策变量分组机制,根据各变量对算法性能的不同影响,将整体决策变量划分成收敛性变量组和多样性变量组;设计决策变量分组优化模型,利用学习行为优化收敛性变量组,加快种群收敛速度,非均匀变异算子优化多样性变量组,避免种群过早收敛,逐渐减小的变异幅度引导种群局部开发,提升算法寻优精度;采用档案截断策略维护外部档案,精准删除拥挤个体,从而保持外部档案的多样性。实验结果表明:MOFA-GD表现出优秀的收敛速度和寻优精度,获得了均匀分布的Pareto解集。本文所提算法为求解多目标优化问题提供了一种高效且可靠的解决方案。展开更多
文摘通过探讨变化环境下水-生态-能源-粮食(Water-Ecology-Energy-Food,WEEF)纽带关系的演化规律,旨在解决实现全球可持续发展目标(Sustainable Development Goals,SDGs)面临的资源安全、生态保护及绿色经济转型中的关键技术问题,为经济社会绿色可持续发展提供理论支撑。系统分析了国内外WEEF纽带关系的最新研究动态,解析了变化环境对WEEF纽带关系的影响机理,构建了影响定量解析体系,从技术方案、政策体系、系统措施等方面提出了变化环境下WEEF纽带关系协同保障策略。系统揭示了变化环境下WEEF纽带关系的耦合机制,在此基础上提出了系统性的协同保障对策,可为提升资源利用效率、推动生态保护修复及促进经济社会高质量发展提供科学依据。
文摘针对多目标萤火虫算法在解决高维多目标优化问题时存在Pareto支配失效、寻优能力弱和收敛速度慢的问题,提出了参考点引导和多策略协同的高维多目标萤火虫算法(many-objective firefly algorithm based on reference point guidance and multiple cooperative strategies,Ma OFA-RR).该算法在目标空间中预设一组均匀分布的参考点,通过萤火虫与参考点之间的距离关系,划分出引导萤火虫和普通萤火虫,以取代Pareto支配,增大选择压力;使用3种进化策略对萤火虫进行位置更新,引导萤火虫对局部空间进行探索,普通萤火虫根据距离阈值分别向引导萤火虫学习或对全局空间进行探索,提升算法的寻优能力和收敛速度;最后,算法融合反向学习思想,扩大种群搜索范围,提高发掘更优解的可能.将Ma OFA-RR与8种新近高维多目标进化算法进行比较,实验结果表明,Ma OFA-RR在处理高维多目标优化问题时具有高效的性能.
文摘多目标萤火虫算法采用整体维度更新策略,常因某几维变量上优化效果不佳,导致算法收敛速度慢和寻优精度低。针对上述问题,本文提出基于决策变量分组优化的多目标萤火虫算法(multi-objective firefly algorithm with group optimization of decision variables,MOFA-GD)。引入决策变量分组机制,根据各变量对算法性能的不同影响,将整体决策变量划分成收敛性变量组和多样性变量组;设计决策变量分组优化模型,利用学习行为优化收敛性变量组,加快种群收敛速度,非均匀变异算子优化多样性变量组,避免种群过早收敛,逐渐减小的变异幅度引导种群局部开发,提升算法寻优精度;采用档案截断策略维护外部档案,精准删除拥挤个体,从而保持外部档案的多样性。实验结果表明:MOFA-GD表现出优秀的收敛速度和寻优精度,获得了均匀分布的Pareto解集。本文所提算法为求解多目标优化问题提供了一种高效且可靠的解决方案。
