多目标飞行进化神经网络及相关微电网集成能源调度优化
《Expert Systems with Applications》:Multi-Objective fly evolutionary neural network and related microgrid integrated energy dispatch optimization
【字体:
大
中
小
】
时间:2026年05月01日
来源:Expert Systems with Applications 7.5
编辑推荐:
朱和|张珠中
贵州大学大数据与信息工程学院,中国550025
摘要
果蝇或苍蝇不仅能够通过运动敏感神经元辨别视觉运动方向,还能利用中央复合体中环状神经元的旋转不变性特征持续追踪移动目标的轨迹。然而,如何模拟神经元的响应特性以与智能优化机制结合,进而探索新型跨学科的多
朱和|张珠中
贵州大学大数据与信息工程学院,中国550025
摘要
果蝇或苍蝇不仅能够通过运动敏感神经元辨别视觉运动方向,还能利用中央复合体中环状神经元的旋转不变性特征持续追踪移动目标的轨迹。然而,如何模拟神经元的响应特性以与智能优化机制结合,进而探索新型跨学科的多目标优化方法,仍然是一个未解决的问题。基于果蝇的视觉响应机制和环状神经元的分布式编码特性,本文通过将一个新的前馈果蝇神经网络与基于遗传演化的更新策略顺序连接,实现了一个遗传进化相关的多目标果蝇进化神经网络。具体而言,前者输出两种类型的实时学习率来调节每个状态的转换幅度和方向,其中每个状态代表决策空间中的一个候选解;后者则依赖当前状态矩阵的质量和稀疏性,旨在探索多样化的潜在状态并将其引导至帕累托前沿。与六种最近出现的有竞争力的多目标方法以及微电网集成能源调度问题相比,相关实验清楚地表明,探索跨学科的多目标进化神经网络是可行的,而所获得的视觉进化神经网络在性能上可以显著超越这些方法。
引言
随着大数据和人工智能的快速发展,各种设计优化问题越来越多地涉及需要优化的多个指标,例如能源系统设计(Li等人,2022年)、机器人路径规划(Miao等人,2024年)以及工业过程优化中的铜混合操作(Ma等人,2022年)。由于需要同时优化多个相互冲突的性能指标,多目标优化框架成为精确建模的首选方法(Patel和Savsani,2016年)。尽管多目标进化算法(MOEAs)作为人工智能的一个重要分支,在过去几十年中取得了许多里程碑式的进展(Deb等人,2002年;Yuan等人,2016年;Wang等人,2018年;Ziztler等人,2002年;Zhang和Li,2007年;Chen等人,2019年),但在收敛速度、搜索效率和算法稳定性方面仍有很大的改进潜力(Wang等人,2016年)。尽管NSGA-II(Deb等人,2002年)、SPEA-II(Ziztler等人,2002年)和MOEA/D(Zhang和Li,2007年)等典型方法在特定问题上表现优异,但它们经常遇到局部收敛、参数不适应性和种群多样性不足等固有瓶颈,这主要是由于无法在收敛性和多样性之间取得平衡。尽管近年来出现了一系列针对多目标优化问题(MOPs)的改进策略(Qi等人,2014年;Ishibuchi等人,2016年;Jain和Deb,2013年;Tian等人,2017年),但仍然难以突破这些性能瓶颈。因此,将新的生物学灵感融入现有的多目标进化机制成为不可避免的趋势。幸运的是,将生物视觉信息处理机制与遗传或群体进化的灵感相结合,可能会开辟一个有前景的跨学科分支——多目标视觉进化神经网络(MOVENNs),从而有效克服多目标进化计算领域的内在缺陷。
神经心理学理论验证了果蝇视觉系统能够通过方向选择性神经元迅速检测和追踪视觉运动方向的变化,为研究人员提供了足够的灵感来建模人工视觉神经网络以实现目标跟踪和避障(Eichner等人,2011年;Missler和Kamangar,1995年;Zhang等人,2015年)。最近的研究成功应用了这些视觉神经网络来解决大规模全局优化(Zhang等人,2021年;Zhang等人,2021年)和多目标场景(Zhang等人,2024年),其输出被用作优化方法中的静态参数设置替代。如图1概念性所示,这一生物特性为多目标优化领域提供了一条可行的路径,其中利用果蝇的视觉信号处理机制生成动态学习率,有效指导进化搜索过程。另一方面,果蝇中央复合体中的环状神经元可以整合视觉响应机制以实现目标导向的旋转不变性。然而,如何将这一特性与果蝇的视觉响应机制结合,构建用于检测移动目标的旋转不变性并指导多目标进化机制有效进化的计算模型,仍然是一个未解决的问题。这引出了两个科学挑战:(i)基于果蝇的视觉响应机制和环状神经元的分布式编码特性,是否可以构建一个能够生成两种类型实时学习率的果蝇神经网络?(ii)如果可以,如何将其与多目标进化框架紧密结合,开发出一个跨学科的多目标优化器?这激励我们探索进化计算和视觉神经网络之间的独特多目标优化方法。
为了克服多目标进化计算中的固有瓶颈,例如种群多样性不足和缺乏自动参数调整,探索跨学科的多目标优化方法成为必然趋势。基于果蝇的神经生理学发现和遗传进化的灵感,本文的主要贡献总结如下:
(i)从果蝇的视觉响应特性和中央复合体内环状神经元的特性出发,开发了一个前馈果蝇神经网络(FNN)。在这个框架中,每个候选解都被定义为一个状态。FNN不仅用于描述当前状态矩阵的整体状态,还提高了其中每个状态的转换质量。其中产生了两种类型的实时响应活动,称为全局和局部学习率,用于调节每个状态向帕累托前沿的转换幅度和方向。特别是,环状神经元的旋转不变性特性被建模为一个神经计算模型,以增强每个状态的局部转换能力。
(ii)开发了一种基于遗传进化的状态更新策略,无需任何可调参数即可执行状态转换。其中,FNN自动调节每个状态的转换幅度和方向。此外,根据当前状态矩阵的质量和分布,构建了四种新的父代选择规则,每种规则自动为当前状态生成两个父代,以决定状态矩阵中的四个随机状态中的哪两个形成一对父代。
(iii)通过将FNN与上述状态更新策略顺序连接,开发了一个多目标果蝇进化神经网络(MOFENN),用于解决多目标优化问题(MOPs)。在这个框架中,设计了一个外部档案集作为独立的精英存储库,用于保存先前找到的非支配解。此外,采用了一种截断策略,根据当前非支配解的分布去除冗余解。
MOFENN作为一种独特的多目标进化神经网络,与任何已报告的计算方法(特别是我们的AFVNN(Zhang等人,2015年)、FIVRNN(Zhang等人,2021年)、MOVENN(Zhang等人,2024年)和FVENN(Zhang等人,2021年)都有显著区别。具体来说,以下是三个主要区别:
(i)视觉神经网络的区别。作为第一个基于单通道图像输入的果蝇视觉神经网络,AFVNN仅用于执行视觉碰撞检测,不适用于多目标优化场景。而FNN是一个基于多通道图像输入的果蝇神经网络,可以在线输出两种类型的全局和局部学习率来调节状态转换的幅度和方向,适用于多目标优化问题的解决。此外,AFVNN和FNN是完全不同的前馈神经网络,特别是FNN涉及果蝇的大脑响应特性,例如中央复合体中的分布式编码。
(ii)适用范围的区别。FIVRNN和FVENN(包括AFVNN)只能处理单目标优化问题。另一方面,尽管MOVENN和MOFENN能够处理多目标优化问题(MOPs),但由于功能模块设计和神经生理特性的应用,它们在本质上是两种不同的多目标优化方法。
(iii)MOVENN和MOFENN的状态更新方案的区别。尽管MOVENN是第一个从视觉进化神经网络的角度解决多目标优化问题的工作,但MOFENN在网络架构和进化机制上与其有本质区别。具体来说,MOVENN通过基于群体进化的转换策略更新状态,而MOFENN则结合了环状神经元的旋转不变性进行操作。特别是,两个指标(涉及当前状态矩阵的质量和状态分布)被建模用于基于规则的父代选择,以动态平衡全局探索和局部利用。此外,还开发了一种档案截断策略,以保持档案集中非支配解的多样性和均匀性。
本文的其余部分组织如下:第2节介绍相关工作;第3节阐述当前工作的研究动机;第4节对FNN进行建模,包括其原理、设计、算法公式化和理论分析;第5节展示MOFENN的原理、设计、算法和计算复杂性;第6节解决了一些基准测试;第7节讨论了微电网中的集成能源调度案例研究;最后,第8节总结了实验结果、结论和未来工作。
**相关工作**
多目标进化计算作为智能优化领域的主流分支,在解决各种复杂的多目标优化问题(MOPs)中发挥了不可替代的作用,特别是在多标准工程设计优化方面。报告的方法通常可以分为多目标进化算法(MOEAs)(Deb等人,2002年;Deb和Jain,2013年;Liu等人,2013年;Bader和Zitzler,2011年;Beume等人,2007年)和多目标免疫算法(MOIAs)(Problem background and motivation)。
**一般而言,多目标优化问题可以数学表述为:**
**minx∈Ω, fx=f1x, f2x, ?, fmx**
其中x= (x1, x2, …, xp) 是定义在决策空间Ω中的p维决策向量,f(x) 是m维目标向量。如果对于所有i∈{1,2,?,m},都有fix≤fiy,并且存在至少一个索引k使得fkx
**前馈果蝇神经网络**
本节首先在第4.1节阐述了果蝇的视觉信息处理机制和中央复合体中环状神经元的功能行为特性,随后提取了一个相关示意图来揭示果蝇的响应特性。在第4.2节中,详细建模了fnn以描述视觉运动的变化。
**多目标果蝇进化神经网络**
本节首先在第5.1节介绍了mofenn的架构和状态矩阵评估指标;第5.2节开发了一种自适应状态更新策略来更新状态矩阵x(t);第5.3节给出了外部档案集的更新方法以及mofenn的算法和相关计算复杂性。
**数值实验**
第6.1节首先构建了实验环境,第6.2节对mofenn与六种选定的多目标优化方法进行了比较实验;第6.3节实施了mofenn的消融实验,第6.4节给出了参数敏感性分析。
**案例研究**
作为未来智能电网的关键组成部分,微电网(mg)可以结合各种分布式能源资源来提高能源效率并促进碳中和。然而,随着风能和太阳能等间歇性可再生能源的普及,mg调度经常面临由于外部环境的不确定性而维持稳定功率平衡的挑战。尽管传统的单目标优化方法在某些情况下有效,但它们无法完全解决这些问题。
**结论**
为了克服传统多目标优化研究的局限性,当前工作专注于探索将生物视觉神经生理发现与进化计算灵感相结合的可能性,旨在开发高性能的多目标进化神经网络。 < y)。 **前馈果蝇神经网络** 本节首先在第4.1节阐述了果蝇的视觉信息处理机制和中央复合体中环状神经元的功能行为特性,随后提取了一个相关示意图来揭示果蝇的响应特性。在第4.2节中,详细建模了fnn以描述视觉运动的变化。 **多目标果蝇进化神经网络** 本节首先在第5.1节介绍了mofenn的架构和状态矩阵评估指标;第5.2节开发了一种自适应状态更新策略来更新状态矩阵x(t);第5.3节给出了外部档案集的更新方法以及mofenn的算法和相关计算复杂性。 **数值实验** 第6.1节首先构建了实验环境,第6.2节对mofenn与六种选定的多目标优化方法进行了比较实验;第6.3节实施了mofenn的消融实验,第6.4节给出了参数敏感性分析。 **案例研究** 作为未来智能电网的关键组成部分,微电网(mg)可以结合各种分布式能源资源来提高能源效率并促进碳中和。然而,随着风能和太阳能等间歇性可再生能源的普及,mg调度经常面临由于外部环境的不确定性而维持稳定功率平衡的挑战。尽管传统的单目标优化方法在某些情况下有效,但它们无法完全解决这些问题。 **结论**>
**前馈果蝇神经网络**
本节首先在第4.1节阐述了果蝇的视觉信息处理机制和中央复合体中环状神经元的功能行为特性,随后提取了一个相关示意图来揭示果蝇的响应特性。在第4.2节中,详细建模了fnn以描述视觉运动的变化。
**多目标果蝇进化神经网络**
本节首先在第5.1节介绍了mofenn的架构和状态矩阵评估指标;第5.2节开发了一种自适应状态更新策略来更新状态矩阵x(t);第5.3节给出了外部档案集的更新方法以及mofenn的算法和相关计算复杂性。
**数值实验**
第6.1节首先构建了实验环境,第6.2节对mofenn与六种选定的多目标优化方法进行了比较实验;第6.3节实施了mofenn的消融实验,第6.4节给出了参数敏感性分析。
**案例研究**
作为未来智能电网的关键组成部分,微电网(mg)可以结合各种分布式能源资源来提高能源效率并促进碳中和。然而,随着风能和太阳能等间歇性可再生能源的普及,mg调度经常面临由于外部环境的不确定性而维持稳定功率平衡的挑战。尽管传统的单目标优化方法在某些情况下有效,但它们无法完全解决这些问题。
**结论**
为了克服传统多目标优化研究的局限性,当前工作专注于探索将生物视觉神经生理发现与进化计算灵感相结合的可能性,旨在开发高性能的多目标进化神经网络。>具体来说,果蝇的视觉信息处理机制以及中央复合体中环状神经元的特性是通过遗传学方法进行整合的。作者声明他们没有已知的可能会影响本文研究结果的财务利益冲突或个人关系。致谢:作者感谢编辑和审稿人的辛勤工作对本文的贡献。本研究得到了国家自然科学基金(项目编号:62063002)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号