摘要

本文由Canyun Dai等人提出，针对煤矿综合能源系统调度优化问题，该问题因高维度、强耦合约束和多目标特性而极具挑战性。现有约束多目标进化算法难以定位多个小而不规则的可行区域，因此不适用于此问题。为解决这一难题，作者开发了一种多任务进化算法框架，该框架结合了调度相关领域知识，有效处理强约束和多目标优化问题。文章详细探讨了基于复杂约束关系分析和处理的多任务构建策略，包括约束耦合空间分解、约束强度分类和约束处理技术，并在此框架内进一步发展了两种策略：精英引导的知识转移和基于自适应邻域技术的变异，以有效平衡每个优化任务的多样性和收敛性。通过与CPLEX求解器和七种最先进的约束多目标进化算法的比较，展示了所提算法在可行性、收敛性和多样性方面的性能。

原理

本文提出的多任务多约束差分进化算法（MMDE-EKT-ANM）的核心在于其精英引导的知识转移策略（EKT-SCD）和自适应邻域变异机制（ANM）。EKT-SCD策略通过设计特殊的拥挤距离机制，从每个任务中选择主导个体进行知识转移，从而在目标和决策空间中保持多样性，同时减少知识转移的时间成本。ANM机制则利用基于角度的邻域技术，结合DE/rand/1策略增强局部搜索的多样性，帮助算法逃逸局部可行区域，同时采用DE/current-to-best/1策略提升全局搜索的收敛性和可行性。这两种策略共同作用，确保算法在处理高维度和多约束问题时，能够有效平衡多样性、收敛性和可行性。

流程

MMDE-EKT-ANM算法的工作流程如下：首先，初始化两个任务的种群，并评估其适应度。然后，通过自适应邻域变异机制生成子代种群，并对其进行评估。接着，执行EKT-SCD策略，确定转移解决方案，并将子代和转移解决方案合并到当前种群中。随后，对合并后的种群进行环境选择操作，采用不同的约束处理策略。最后，更新迭代计数器，若未达到最大迭代次数，则重复上述过程。算法的关键步骤包括种群初始化、子代生成、知识转移和环境选择，这些步骤确保了算法在多任务和多约束环境下的高效运行。

应用

本文提出的算法特别适用于煤矿综合能源系统的调度优化，这类系统因涉及多种能源类型和设备，具有高维度和强耦合约束特性。此外，该算法框架也可推广至其他需要多任务和多约束处理的复杂系统优化问题，如智能电网、工业过程优化等。随着能源系统的智能化和集成化趋势，该算法有望在这些领域发挥重要作用，提升系统的运行效率和能源利用率。