演化动态优化算法及其应用研究

Dynamic Optimization Problems (DOPs) are a kind of optimization problems, whose objective functions and/or constraint functions vary over time. As DOPs widely exist in real-world applications, it is of great significance to develop the efficient algorithms for solving DOPs. As a class of population-based algorithms, Evolutionary Algorithms (EAs) have certain of adaptability to environmental changes, which is helpful to regain satisfactory solutions in a short time after the environmental changes. Because practical DOPs are often time-linkage, constrained and large-scale , fundamental algorithms research work will be conducted on the time-linkage DOPs, constrained DOPs and large-scale DOPs in this project. Meanwhile, the dynamic optimal power flow problems, the dynamic shortest path problems and the time-evolving data clustering problems will be studied in this project, with the aim of developing novel evolutionary algorithms which could adapt to realistic environmental changes. In this project, for DOPs, fundamental algorithms will be studied as well as the application-oriented algorithms, which could contribute to the research on evolutionary dynamic optimization algorithms with practical values.

动态优化问题是优化目标和（或）约束条件随时间而改变的一类优化问题。由于动态优化问题广泛存在于实际应用中，研究求解动态优化问题的高效算法具有重要意义。演化算法作为一类群体算法，对环境变化有一定的适应性，因而有利于在环境变化后用较短的时间重新获得满意的解。鉴于实际动态优化问题往往具有时间关联、约束可变、规模复杂等特征，本项目将针对动态优化问题的时间关联特征、约束处理技术、规模相关性等问题开展基础算法研究。与此同时，本项目将开展针对动态最优潮流、动态最短路径和动态数据聚类等实际问题的研究，旨在提出适应实际环境变化特征的演化动态优化算法。本项目将基础算法研究和特定应用算法研究相结合，对研发具有实用价值的演化动态优化算法具有推动作用。

本项目围绕着演化动态优化算法及其应用展开了深入的研究，主要工作如下：（1）在基础算法的研究方面上，提出了一种组合族群策略和记忆集方案的种群更新算法，以增强基于族群的粒子群优化算法的性能；提出了一种适用于动态优化的族群划分方案psfNBC；分析了可观测参数在改善动态优化性能中的决定效用，给出了建模方案以及一组测试用例；提出了一种可行域定位及跟踪策略的集成方案并嵌入DSPSO算法；将动态性和多模性结合，提出了一组动态多模优化基准问题以及相应的动态多模克隆选择算法；基于动态、约束和多模等特征，构建了一组动态约束多模优化基准问题；研究了黑盒的动态时间关联优化问题，设计了一种基于预测精度的随机排序选择方案用于改进现有的预测方法；将分组、聚类和记忆集方案嵌入到PSO中，设计了一种处理高维动态优化问题的粒子群算法GCM-PSO；提出了数据驱动的动态优化测试用例以及相应的演化求解框架；提出了一种基于时间窗的粒子群优化算法并用于全局优化；提出了基于族群构建、族群平衡和关键点变异算子的多模优化算法；设出了一组超多模优化基准问题，并提出了基于预估困难度的协同演化算法；设计了一种针对带偏好多目标优化问题的具有双层比较规则的支配关系；提出了一种基于粒子群优化的聚类算法；提出了多阶段局部社区发现算法和局部重叠社区发现算法。（2）在应用研究层面上，为了处理带有动态需求的车辆路径问题，提出了一种基于相邻交换的局部搜索技术和插入变异算子的改进遗传算法；提出了学习增强型差分进化算法，用来求解电力系统中的动态最优潮流问题；针对双侧随机的动态最优潮流问题，提出了一种基于改进的NBC算法和记忆集策略的差分进化算法SMEDE；针对动态的短期水火电调度问题，提出了基于迭代深入和辅助搜索的粒子群优化算法；采用基于带偏好的多目标演化算法来处理聚类问题，并设计了相应的算法；设计了一个动态社会网络生成器。