该研究提出了一种采用深度强化学习和 Transformer 框架的方法来解决在水力发电管理中应对多水库系统的电力生成、生态保护和居民用水等多方面协调而导致的时间成本水资源不足的问题，并在美国科罗拉多河流域的 MeadLake 和 PowellLake 上得到实际应用，表明这一方法能够有效提高水力发电系统的制电量和收益，同时还能减少对环境的影响。

Jul, 2023

煤矿综合能源系统的调度优化是一个具有高维度、强耦合约束和多目标的挑战性问题。针对此问题，我们开发了一个多任务进化算法框架，利用调度相关领域知识来有效处理强约束和多目标优化。通过复杂约束关系分析和处理，我们首先探索了一种可能的进化多任务构建策略，即约束耦合空间分解、约束强度分类和约束处理技术。在多任务进化优化框架中，进一步开发了两种策略，即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的精英引导知识传递以及基于自适应邻域技术的突变，以有效平衡每个优化任务的多样性和收敛性。通过与 CPLEX 求解器和七种约束多目标进化算法的比较，在一个煤矿综合能源系统的案例研究中展示了所提出算法在可行性、收敛性和多样性方面的性能。

Jun, 2024

本文提出一种基于多目标进化算法的优化方法，以在给定一组应用程序的情况下寻找最佳缓存配置，结果显示我们的优化框架能够获得针对 Mediabench 应用程序的优化缓存，与基线缓存相比，我们的设计方法在执行时间和能耗上平均分别提高了 64.43％和 91.69％。

Feb, 2023

利用物联网和时空数据分析，我们开发了多目标洗牌灰狼青蛙跳模型（MSGW-FLM），该模型在应对复杂的多周期紧急救援场景中显示出了卓越的性能，为优化应急救援资源分配迈出了重要的一步。

Mar, 2024

在现代炼油厂中，随着原油调度规模的扩大，涉及数千个二进制变量和非线性约束的大规模原油调度问题（LSCOSPs）变得越来越具有挑战性，难以通过传统的优化方法进行优化。为了解决 LSCOSPs，我们以一个海上进出口炼油厂的实际原油调度为例，从原油卸载、运输、原油蒸馏装置加工和中间产品库存管理方面对 LSCOSPs 进行建模。基于所提出的模型，我们开发了一个由启发式规则驱动的双阶段进化算法（DSEA/HR），其双阶段搜索机制包括全局搜索和局部优化。在全局搜索阶段，我们设计了几个基于经验操作知识的启发式规则，以在混合变量空间中生成良好性能的初始种群并加速收敛。在局部优化阶段，我们提出了一种修复策略，通过进一步优化局部连续变量，将不可行解移动到可行区域。在整个进化过程中，所提出的双阶段框架在探索和开发之间起着关键的平衡作用。实验结果表明，DSEA/HR 在合理的时间内优于现有的数学规划方法和元启发式算法，在 LSCOSP 实例上表现出色。

Jan, 2024

本研究通过多目标优化模型探讨微电网的运营和环境成本之间的关系，通过集成遗传算法、模拟退火、蚁群优化和粒子群优化等多种优化算法，提出了一种整合方法进行微电网优化。模拟结果揭示了经济和环境分派下，这些算法提供了不同的调度结果，揭示了柴油发电机和微型燃气涡轮在微电网中的不同作用。总体而言，本研究为微电网设计和运营提供了深入的见解和实际指导。

Oct, 2023

本文旨在提出一种基于深度学习和优化算法的混合式移动边缘计算方案，包含地面站、地面车辆和无人机，通过实时联合优化地面车辆和无人机的位置、用户关联和资源分配，以达到在线减少 UE 设备的能耗。

Nov, 2019

提出了一种基于模糊神经网络（FNN）及 NSGA-II 进化多目标算法的在线任务调度和映射方法，以共同优化异构 MPSoC 的主要设计挑战。通过实验验证，该方法优于相关启发式和元启发式方法，可以提高温度，功耗，故障率和执行时间等几个设计指标的优化性能。

Mar, 2022

利用扩散模型驱动的新型多目标优化方法（名为 DMO）用于汽油调和调度，通过迭代过程将解从高斯噪声转换为可行的时间表，同时使用梯度下降方法优化目标，从而解决了传统和进化算法面临的复杂性问题。实验结果表明，DMO 在解决汽油调和调度问题的效率上超过了最先进的多目标进化算法。

Feb, 2024

本文介绍了针对大学课程分配问题所面临的种种约束、困难及其解决方案，提出了一种混合演化算法来生成最佳的课程分配方案，并复杂构建相关约束以便为每位教员准备出无冲突且高效的课表，以减轻手动分配的工作量。所提出的算法相较于基本优化算法在准确性和时间效率上表现更优。

Nov, 2022