基于改进拥挤距离和Levy飞行的多目标进化交配算法优化智能建筑舒适度与能耗研究

为解决智能建筑中舒适度指数与能耗多目标优化的复杂权衡问题，研究人员开发了新型多目标进化交配算法MOEMA。该算法融合NSGA-II改进拥挤距离与Levy飞行机制，在ZDT基准测试中表现出更优的收敛性和多样性，实际应用实现舒适度提升0.03%且能耗降低10.65%，为建筑自动化与可持续发展提供创新解决方案。

　　

在智能建筑领域，平衡舒适度与能耗始终是核心挑战。传统单目标优化方法如进化交配算法EMA依赖加权函数处理多目标问题，难以应对温度、照度、空气质量等多参数间的复杂权衡；而经典多目标算法NSGA-II在解多样性和收敛性方面存在局限。随着全球建筑能耗占比持续攀升（约40%总能耗），开发高效优化框架对实现"双碳"目标至关重要。

针对这一难题，马来西亚彭亨大学的研究团队在《Franklin Open》发表研究，提出创新性多目标进化交配算法MOEMA。该算法通过两大突破性改进：借鉴NSGA-II的改进拥挤距离函数增强解区分度，引入Levy飞行随机游走机制平衡局部与全局搜索，成功构建出兼顾收敛性与多样性的优化框架。在ZDT系列基准测试中，MOEMA的世代距离GD平均值（0.0083）显著优于NSGA-II（0.0518），证实其逼近真实Pareto前沿的能力；应用于实际建筑数据时，算法在保持舒适度（-0.997604）相近前提下，能耗较NSGA-II降低24.54单位（降幅10.65%），温度控制精度达±0.067°C。

关键技术包括：1）基于Hardy-Weinberg平衡的种群初始化与交配选择机制；2）Levy飞行随机步长（β=1.5）驱动的探索策略；3）非支配排序与改进拥挤距离的归档更新机制；4）48时段建筑环境参数（温度、照度、IAQ）动态优化框架。

研究结果显示：

1. 算法设计：MOEMA通过性别分组初始化（X_m/X_f）和动态交配概率I_mates实现高效搜索，Levy飞行步长公式L(s)～|s|^-1-β有效避免局部最优。
2. 基准验证：在ZDT3不连续Pareto前沿测试中，MOEMA间距指标（0.0048）优于NSGA-II（0.0086），证明其处理复杂前沿形态的优势。
3. 建筑应用：平衡点分析显示，MOEMA在照度（802.17 lux vs 793.16 lux）和IAQ（801.84 vs 795.43）控制上更接近设定值，能耗曲线波动幅度减少21%。

该研究开创性地将生物交配机制与多目标优化结合，其创新点在于：1）首次在EMA框架中集成Levy飞行，解决传统算法早熟收敛问题；2）改进拥挤距离计算使解分布均匀性提升34%；3）实际应用验证了算法在动态环境中的鲁棒性。研究为智能建筑"舒适-能耗"帕累托优化提供了新范式，其方法论可扩展至智能电网、工业过程控制等领域，对推动建筑节能与可持续发展具有重要实践价值。未来工作可探索自适应参数调整与边缘计算集成，进一步提升算法在实时控制系统中的性能。