多目标优化算法中Pareto最优解集适应度值的研究

多目标优化算法主要研究如何利用算法求解相对复杂得多目标问题从而得到一组最优解,多目标优化算法已经成为进化计算领域的研究热点之一。多目标优化问题解的多样性主要体现在两个方面,即目标解分布的广度和均匀程度。为了使目标解具备多样性且均匀分布,研究领域提出了多种解决方法,本文主要围绕Pareto最优解集适应度值展开深入的研究与分析。     

遗传算法在多目标优化问题中的应用策略

遗传算法针对多目标优化问题,在适应度函数的选择、为防止遗传漂移和维持种群多样性等方面采用了相应的策略.在两杆构架优化的实例中,根据关系算子进行Pareto最优性排序,计算个体的适应度;引入分享机制以避免遗传漂移现象,保持种群的多样性;从种群池中独立保持Pareto解,使得最优解成为实际上的满意解.     

基于Pareto适应度的混合遗传算法在多式联运问题中的应用

为高效求解多式联运运输方式优化选择问题,提出一种基于Pareto适应度的混合遗传算法,此算法基于Pa-reto支配关系和个体像的小生境数进行适应度赋值,引入重插入算子,采用合理的交叉与变异方法,使得经交叉与变异之后的染色体仍然为问题可行解,提高了收敛速度,实证验证了算法的有效性.     

一种求解多目标优化问题的新遗传算法

给出了种群个体的序和密度定义,在此定义下又给出目标空间中Pareto界面上解的质量度量函数和均匀性度量函数.把对任意多个目标优化问题转化成了利用解的质量度量函数及均匀性度量函数构成的2个目标优化问题,同时对转化后的优化问题设计了一种新的遗传算法.为了提高算法的性能,对算法采用变适应度进化策略及遗传参数采用自适应调节技术.数据实验表明该算法对提高Pareto界面上解的质量及其均匀分布是有效的.     

基于表现型共享的多目标粒子群算法研究

在多目标粒子群算法中,粒子的飞行由自身的最优位置和指导粒子决定,如何定义适应度选出合适的指导粒子,指导搜索过程向全局Pareto最优区域飞行,并保持种群在最优前端的多样性是算法的关键问题.针对上述问题,构造了同时考虑粒子的Pareto占优情况和目标空间邻近密集度的表现型共享适应度函数,在此基础上提出一个基于表现型共享的多目标粒子群优化算法(MOPSO).为了验证算法的有效性,采用占优等级指标来分析近似解集的占优情况,并采用EPS、HYP和R2指标来衡量解集的分布情况.实验结果表明,算法具有较强的全局搜索能力,能在较小的计算代价下获得较好的Pareto前端近似.     

基于全排序与混沌多样性的高维目标进化算法

当前大部分多目标进化算法采用Pareto排序为种群个体指定适应度值;然而随着优化目标个数增加,种群中非支配个体的比例越来越大,造成上述算法的搜索能力迅速下降。针对高维(4个以上)目标优化问题,提出了一种全排序方法;该排序方法与Pareto排序具有一致性,并且能够对非支配解进行比较;因此基于全排序的多目标进化算法不受目标个数增加的影响。为了提高算法的优化效果,设计了一个混沌映射算子,用来周期性地初始化种群,以保证种群的多样性与均匀分布。最后,采用标准测试问题对所提算法与著名的非支配快速排序遗传算法(NSGA2)进行了实验比较。结果表明在高维目标优化问题中,所提算法无论在收敛精度,还是算法运行效率上都高于NSGA2算法。     

基于代沟信息的自适应遗传算法

针对现有自适应遗传算法无法兼顾群体特性，难以稳定地收敛到最优解的问题，从种群多样性和适应度均值变化的角度，分析了进化停滞或退化的原因．以种群适应度均值和多样性作为概率调整依据，提出了一种新的基于种群代沟信息的自适应遗传算法．利用相邻两代群体间的适应度差异和多样性差异信息，设计了遗传概率的自适应调整策略，使算法维持较好的多样性，有效避免了早熟．并证明了算法收敛性．仿真结果表明该算法能够使种群保持良好的可进化性和收敛性．     

一种用于多目标优化的克隆选择算法

多目标进化算法的研究目标是使算法种群快速收敛并均匀分布于问题的Pareto最优前沿面.为此,在比较与分析已有多目标进化算法的基础上,借鉴免疫系统中的克隆选择原理,提出了一种用于多目标优化的克隆选择算法.该方法只对部分当前所得到的Pareto最优解进行进化操作,并选用一种简单的多样性保护机制来保证Pareto最优解具有良好的分布特征.'实验结果表明该方法能够很好地达到Pareto最优前沿面,较好地保持解的多样性,并且具有很快的收敛速度.     

多目标服务工作流混合粒子群调度算法

针对NP难的服务工作流时间一费用优化问题,提出多目标混合粒子群算法(HMOPSO)来优化工作流调度问题.HMOPSO算法包括:初始种群生成、适应值分配、种群多样性保持、外部种群和极值选择.通过分析服务工作流的特征,构建有效的粒子结构使之离散化;通过设定单目标最优初始解,优化初始种群;通过引入外部种群和基于小生境技术的网格方法,获得分布均匀的Pareto最优解集.实验结果表明,HMOPSO具有更快的收敛速度和更好的寻优能力,并且在不同特征的问题实例上获得了数量众多、分布均匀、有较高质量的Pareto最优解集.     

求解多目标优化问题的多智能体遗传算法

目的 在求解多目标优化问题时，总是希望获得尽可能多的Pareto解，且这些解能够较均匀地分布在目标空间的Pareto边界上。方法 通过引入智能体的概念，并将多个智能体组成的多智能体系统与经典遗传算法相结合，给出了一种求解多目标优化问题的多智能体遗传算法。结果 对每个智能体在其邻域内进行局部Pareto寻优操作，而不是在整个群体中进行Pareto寻优，从而保证了群体的多样性，并在一定程度上抑制了种群的早熟现象。结论 该方法能够找到问题的分布较均匀的Pareto最优解。     

柔性作业车间多目标调度优化研究

研究了多目标柔性作业车间调度问题(FJSP),提出了一种基于Pareto的混合遗传算法,并建立了包括生产周期、总拖期时间和机床负载在内的多目标优化模型.该算法采用基于工序的编码方式和活动化解码方法,将Pareto排序策略与Pareto竞争方法结合起来.为了保证解的多样性,采用小生境技术并同时使用多种交叉方法,用Pareto解集过滤器保存进化过程中的最优个体,防止最优解的遗失.算法最后给出问题的Pareto最优解集.仿真试验证明,提出的混合遗传算法可以有效解决多目标FJSP.     

基于多目标离散粒子群的产品服务系统方案配置规则提取

为有效辅助工程师将顾客需求转化为产品服务系统方案,针对其技术特征,提出一种离散粒子群优化算法(DPSO)与帕累托(Pareto)结合的配置规则提取方法.该方法包括建立产品服务系统配置规则模型及构造Pareto-DPSO算法模型.Pareto-DPSO算法基于Sobol序列的频率初始化方法及离散化粒子更新方式,将连续粒子映射到十进制离散空间;并利用Pareto进行多目标下粒子优劣性评价,以获取非支配的最优规则集.以汽车产品服务系统方案配置设计为例,经与常规多目标粒子群算法及DPSO算法对比,验证了该方法对于解决多维空间内产品服务配置规则挖掘的可行性及有效性.     

分布式Q学习多目标函数优化策略

将分布式Q学习算法与Pareto排序法相结合,提出了一种利用强化学习算法解决多目标优化问题的策略。该策略充分利用Q学习语句式的奖赏机制来描述问题的多重目标函数,并结合一般的Pareto排序法,在有限的迭代过程后输出可以充分接近于Pareto前沿的非支配解集。与其他智能搜索算法相比,该策略具有结构简单、无需先验知识、参数设置少的特点。测试函数优化问题验证了算法的有效性,为智能算法解决多目标优化问题提供了一种新思路。     

基于强度Pareto进化算法的双足机器人步态规划

为了获得良好的双足机器人步行模式,提出了以步行过程中机器人的稳定性、移动性和能耗为目标的步态规划多目标优化方法.该方法基于倒立摆模型产生基本步态,并使用罚函数法和改进的强度Pareto进化算法(SPEA2)在可行域中求得基于基本步态的Pareto解集,从而找出最优解.最后在Matlab6.5仿真环境下进行步态仿真,并将...     

用遗传算法求解多目标0/1背包问题

扼要介绍多目标优化的Pareto最优性概念 ,研究搜索多目标 0 1背包问题Pareto最优解集的快速遗传算法 (FPGA :fastParetogeneticalgorithms) .FPGA采用种群中非支配解的层次评价可行解的适应值 ,提出了一种快速非支配解层次辨识算法 ,辨识算法仅有O(n2 )数量级的计算复杂性 ;采用基于聚类概率排挤的小生态技术维持种群多样度和Pareto最优解集的分布均匀性。对多种多目标 0 1背包问题的仿真优化实验结果表明 ,FPGA能够以有效的计算成本搜索到精度高的、分布均匀的高质量Pareto非劣解集 ,其收敛速度和收敛准确性一致地优于代表性的强度Pareto进化算法 (SPEA) .     

基于多目标进化算法的低轨区域通信星座优化设计

研究利用进化算法实现低轨区域通信星座的多目标优化设计。首先分析、确定低轨星座优化的轨道控制参数，然后将基于Pareto最优概念的多目标进化算法引入星座优化中。结合星座覆盖性能的评价准则，给出了一种利用非劣分层遗传算法(NSGA—Ⅱ)实现星座轨道控制参数优化的框架。最后对具体实例进行了优化仿真，结果表明，该方法可以获得一组分布合理的Pareto解，为星座方案决策提供了有力的支持。     

最佳觅食算法求解多目标混合流水车间调度问题

针对生产车间中需要同时考虑减少生产时间、确保加工质量以及通过减少能耗而降低生产费用的需求,建立以完工时间、空闲时间、加工质量和机器能耗为目标的多目标混合流水车间调度模型,提出一种基于直觉模糊集相似度的最佳觅食算法.为有效求解此问题,提出基于Largest Order Value规则的双层整数编码方式,在机器层编码部分采用权重法来计算机器的选择概率.针对多目标优化,提出直觉模糊集相似度的解比较策略,采用直觉模糊集相似度的大小衡量Pareto解与理想解的相似程度,判断Pareto解的优劣.通过测试实例和实际案例,验证本算法求解多目标混合流水车间调度问题的有效性和可行性.     

基于网络响应面的多目标优化方法

为提高多目标优化算法的收敛性以及Pareto解的分布均匀性,构建了基于网络响应面的多目标优化方法.将前馈（BP）网络以及自适应共振（ART）网络的优点相结合,充分利用各子目标每1次独立优化时获得的最优解,并将其作非占优判断后作为初始样本自适应地构建网络响应面,从而提高了Pareto解的收敛性以及多样性指标.对网络获得的每个新类进行各子目标值计算,同时对该子目标值做相似度计算,进一步剔除相似度高的样本,从而提高了Pareto解的分布性指标.通过常用的多目标优化测试函数验证该方法,并与改进的非支配排序遗传算法（NSGA-Ⅱ）以及随机权和算法作对比,结果表明该方法能明显改善多目标优化方法的各性能指标.     

Multi-objective Optimization of Controller for Process with Reverse Response and Dead Time

Due to the difficulty of controlling the process with inverse response and dead time,a Multi-objective Optimization based on Genetic Algorithm (MOGA) method for tuning of proportional-integral-derivative (PID) controller is proposed. The settings of the controller are valued by two criteria,the error between output and reference signals and control moves. An appropriate set of Pareto optimal setting of the PID controller is founded by analyzing the results of Pareto optimal surfaces for balancing the two cr...