基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

基于改进DE算法的敏捷成像卫星前摄式调度

针对卫星资源失效或应急任务加入对敏捷成像卫星前摄式调度的影响,构建了鲁棒模型,提出了一种改进差分进化(differential evolution,DE)算法。首先,考虑卫星资源失效概率、任务执行主从窗口构建了期望收益和松弛时间指标,将这两个指标作为优化目标构建了前摄式调度鲁棒模型;然后,针对该模型的多目标优化特性,在传统DE算法的基础上,重新设计了变异、交叉和选择算子,增加了外部存档更新策略,优化了Pareto解集评价指标,提出一种多目标离散差分进化(multi-objective discrete differential evolution,MDDE)算法,并给出了算法的实现步骤;最后,仿真结果表明,与NSGA-Ⅱ算法相比,MDDE在Pareto解集评价指标上提高了10.42%左右,在求解时间上降低了9.72%左右,为敏捷成像卫星前摄式调度提供了一定的方法支撑。     

一种多目标优化问题的混合优化算法

利用分布估计算法(EDA)的全局搜索性能及差分进化(DE)算法的局部优化能力,提出了一种多目标优化问题的混合智能求解方法DE-EDA.DE-EDA的子代个体由两部分构成,一部分按差分进化算法生成,另一部分则是通过对分布估计算法的概率模型进行随机采样生成.利用模拟退火技术在线调整尺度因子Pr,即在进化的初期选择较大的Pr,以保证EDA起主导作用,由EDA引导DE搜索向Pareto前端,增加全局搜索能力,然后在进化的过程中逐渐降低Pr,使得DE逐渐占据主导作用,确保解精确收敛到Pareto前端.通过4组基准函数来测试算法性能,并与NSGA-Ⅱ和DE算法进行实验比较,结果表明该方法不仅解的多样性和分布性好,而且能够有效提高种群进化的收敛速度,是一种求解多目标优化问题的有效方法.     

考虑“安全-时间”的自然灾害多地点应急救援路线优化

研究有多个地点受灾等待接受救援的应急救援路线规划问题。针对可同时派出多组救援人员,且有固定救援出救点和救灾补给点的情况,建立了综合考虑安全风险和时间花费的救援路线优化模型。基于进化多目标优化思想,设计了求解模型的遗传算法。提出的交叉和变异算子确保算法迭代过程中得到的路径始终是可行的,回路清除算法清除所有非有益回路,精英保留策略在各代Pareto最优解中优中选优。实验证明该算法有较好的运行结果和效率。综上,本文提出了路网具有安全风险和时间花费两个属性的多受灾地点多救援队伍应急救援路线优化问题,并设计了相应的求解算法。     

基于Pareto的双群体多目标微分进化算法

针对多目标优化问题微分进化是一种简单、快速且具有鲁棒性的进化算法.提出一种基于Pareto的双群体多目标微分进化算法(DEPDP),DEPDP与传统微分进化区别在于:个体的变异操作和选择方式.DEPDP的变异过程类似于粒子群优化的粒子速度更新操作,即包括可行解个体,也有不可行解个体的参与;在个体的选择过程中,组合修正后的不可行解介体和可行解个体,并采用—种特殊的“非劣排序和等级选择过程”确定出新一代种群.仿真实验表明:相比其他比较算法,DEPDP获得的Pareto最优解有着良好的多样性均匀分布特点,接近真实的Pareto前沿,收敛性也较好.     

基于伪并行SPEA2算法的多目标鲁棒PID优化设计

现有的PID参数优化方法往往难以同时兼顾系统对快速性、稳定性与鲁棒性的要求,本文针对这一缺陷,提出了一种多目标PID优化设计方法--在满足系统的鲁棒性的前提下,以超调量、上升时间和调整时间最小作为多目标优化的子目标,并将强度Pareto进化算法(SPEA2)与并行遗传算法(PGA)相结合对其求解.该算法求得的Pareto最优解分布均匀、收敛速度快、寻优能力强,决策者可根据实际系统的要求在Pareto解集中选择最终的满意解,这为快速性、稳定性与鲁棒性的权衡分析提供了有效的工具.仿真结果表明设计方法的有效性和优越性.     

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘睹法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度...     

双目标进化算法求解图着色问题

根据图着色问题的特征,提出了求解图着色问题的双目标模型;设计的有效、简洁的杂交算子和变异算子,均直接产生可行的后代个体;理论分析表明算法以概率1收敛到问题的最优解集.对标准算例进行了仿真实验,结果表明,双目标进化算法可以获得问题高质量的解,即对图进行着色所使用的颜色接近图的色数.     

双目标优化问题的类电磁算法

为方便决策，双目标优化问题就是要从最优解集中求出一组分布均匀且数量多的Pareto最优解。针对这一特点，定义了种群的均匀度和序值，来度量种群中解的分布和质量，将双目标优化问题转化为以均匀度为目标函数，序值为约束条件的单目标优化问题；设计了双目标优化问题粒子的电荷和受力的计算公式，提出了一种新的类电磁算法求解问题。用标准的Benchmark函数进行了仿真实验，结果表明，新算法对双目标优化问题的求解是非常有效的。     

一种针对高维决策空间的进化多目标优化方法

进化算法可并行处理多个解的特性使得它特别适合解决多目标优化问题。针对高维决策空间,将基因表达式编程引入多目标优化,设计了新的个体结构和操作,提出了一个进化多目标优化算法EMOGEP。实验结果表明,新算法在低维决策空间是可行和有效的;在高维决策空间中,表现出了比传统进化多目标优化算法更好的性能;多模态情况下,新算法能很好的逼近理论Pareto前沿。     

多目标动态规划分层解法与Pareto最优解

本文指出了文[2]关于多目标动态规划分层解法结论的错误性, 证明了一个字典序最优解一定是Pareto最优解, 一个由分层解法得到的最优解一定为弱Pareto最优解, 并且可以通过修改分层解法得到的最优解集得到一个Pareto最优解集。     

解多目标优化的均匀正交遗传算法

在多目标优化中，各目标通常相互冲突且不可公度，其最优解(常称为Pareto最优解)往往有无穷多，如何在最优解集合中求出一组分布均匀且数量充足的代表解供决策者选择十分重要,论文将均匀设计、正交设计与遗传算法相结合给出了解多目标优化的一种新方法，并证明了其全局收敛性,新方法用少的计算量便可求出一组在最优解集合中分布均匀且数量充足的最优解,计算机仿真也表明这种方法对不同的试验函数均可用少的计算量求出一组在最优解集合中分布均匀且数量充足的最优解。     

多目标线性规划模糊决策的加权集成方法

在已有多目标线性规划问题研究的基础上，探讨了加权算术平均算子和加权极大极小算子的性质以及在目标可补偿性的各种情况下求解的方法，利用这两种加权算子，不仅可以保证得到有效解而且随着权重的变化可以得到全部的有效解，在此基础上提出了改进的两阶段法。所提方法在实际决策过程中不仅具有可靠理论基础，而且也给决策者提供了更多的选择余地。     

多目标决策的逼近方法（Ⅰ）：理论分析

本文将函数序列的ｖ－收敛性（ｖａｒｉａｔｉｏｎａｌｃｏｎｖｅｒｇｅｎｃｅ）推广到向量值函数，在ｖ－收敛性的条件下得到了给定的多目标决策问题的近似弱有效解集的下半连续性并给出了若干容易验证的充分条件．在一致收敛性和不变凸性（ｉｎｖｅｘｉｔｙ）的条件下得到了近似有效解集的连续性．作为本文一般性结果的应用，得到了求解多目标ｍｉｎｉｍａｘ（最小最大）问题的一种有效的逼近方法：极大熵方法的收敛性质．     

A multicast routing algorithm with multiple trees

1.INTRODUCTION Qualityofservice(QoS)multicastroutinghascon tinuedtobeaveryimportantresearchtopicintheIn ternet.Multicastisacommunicationservicethatal lowssimultaneoustransmissionofthesamemessage fromonesourcetoagroupofdestinationnodes.To carryoutdifferentmulticastsessions,anetworkmust minimizethesessions’resourceconsumption,while meetingtheirrequirements.Efficientallocationof networkresourcestosatisfyQoSrequirementsisthe primarygoalofmulticastrouting.Howevertheinter dependencyandconfli…     

Genetic algorithm for pareto optimum-based route selection

A quality of service (QoS) or constraint-based routing selection needs to find a path subject to multiple constraints through a network. The problem of finding such a path is known as the multi-constrained path(MCP) problem, and has been proven to be NP-complete that cannot be exactly solved in a polynomial time. The NPC problem is converted into a multiobjective optimization problem with constraints to be solved with a genetic algorithm. Based on the Pareto optimum, a constrained routing computation method is proposed to generate a set of nondominated optimal routes with the genetic algorithm mechanism. The convergence and time complexity of the novel algorithm is analyzed. Experimental results show that multiobjective evolution is highly responsive and competent for the Pareto optimum-based route selection. When this method is applied to a MPLS and metropolitan-area network, it will be capable of optimizing the transmission performance.     

Hybrid particle swarm optimization for multiobjective resource allocation

Resource allocation （RA） is the problem of allocating resources among various artifacts or business units to meet one or more expected goals, such a.s maximizing the profits, minimizing the costs, or achieving the best qualities. A complex multiobjective RA is addressed, and a multiobjective mathematical model is used to find solutions efficiently. Then, all improved particie swarm algorithm （mO_PSO） is proposed combined with a new particle diversity controller policies and dissipation operation. Meanwhile, a modified Pareto methods used in PSO to deal with multiobjectives optimization is presented. The effectiveness of the provided algorithm is validated by its application to some illustrative example dealing with multiobjective RA problems and with the comparative experiment with other algorithm.     

一种用于多目标优化的混合遗传算法

将遗传算法与局部优化方法相结合,提出了一种用于多目标优化的混合Pareto遗传算法(HPGA)。针对遗传算法局部优化性能较差的缺点,引入直接搜索策略以增强算法的局部搜索能力。HPGA首先运行Pareto遗传算法,以得到近似的Pareto最优解;然后启动直接搜索对其进行进一步优化。仿真结果表明HPGA兼具有良好的全局优化性能和较强的局部搜索能力。与Pareto遗传算法相比,HPGA不仅提高了优化搜索的效率,而且能够保证收敛到多目标优化问题的Pareto最优前沿面。     

具有可控和不可控要素的多目标DEA模型

建立输入输出要素部分可控和部分不可控的情况下的多目标DEA(data envelopment analysis)模型,通过其对偶模型和标量化,给出多目标DEA有效的概念并研究其性质。给出各种Pareto有效解的定义并建立其与多目标DEA有效的等价关系,通过将决策单元投影到生产前沿面上得到新的多目标DEA有效的决策单元,由此说明权重的作用。     

USING DISPLACED CONE REPRESENTATION IN DEA MODELS FOR NONDOMINATED SOLUTIONSIN MULTIOBJECTIVE PROGRAMMING

1.IlltroductionBowlin,etal.[2]extendedtheearlierworkofBowlinetal.11]aspartofaresponsetowhatseemstobeagrowinginterestintheuseofefficiencydominance--asreflected,forexampleintheworkofLoved[7],TulkensandVandenEeckaut[lo]andtheirassociates.ThefocusinBowlinetal.[2]turnedtotheuseofan11metricasabasisfor(1)measuringtheamountofefficiencydominancethatmightbepresentinanyDecisionMakingUnit(DMU)aswellasfor(2)dealingwithproblemsinvolvedinthepossiblepresenceofslackswithnon-zerovalues,--whichareimportantas…