基于D-tree分解的欠约束与完备约束的几何约束求解

提出了解决欠约束、完备约束的几何约束问题的D-tree分解算法.首先,提出了一种适用范围更广的处理特殊约束策略,可以将这种特殊约束与普通约束统一化,采用转化策略将欠约束的几何约束问题转化为完备约束的几何约束问题.然后,根据几何约束图中结点的度的性质给出了D-tree分解算法,相比经典算法,D-tree分解算法拥有更低算法复杂度和相同的求解域.最后,根据D-tree分解算法结果的规律性,给出了一个为基于数值的求解方法导出求解序列的策略.D-tree分解算法通过导出的求解序列将提高几何约束求解中基于数值的求解方法的求解效率.     

无人机多任务区侦察时间分配模型与应用

为了合理分配无人机对多个任务区的侦察时间,提出了一种包含问题建模、求解和方案决策的无人机多任务区侦察时间分配方法。首先,建立了包含侦察收益和侦察风险两目标的无人机多任务区侦察时间分配模型,该模型属于带约束多目标优化问题;其次,提出了一种改进的基于分解的约束多目标进化算法,该算法具有简单、灵活、无参等特点,可有效求解;最后,利用优劣解距离法从非支配解集中选择最优方案。选择了6种约束多目标进化算法,在3个不同雷达强度指数条件下进行对比实验。Hypervolume指标说明约束多目标进化算法在求解该问题时优于其他算法。实验结果表明：提出的方法在求解无人机多任务区侦察时间分配优化问题中能够实现快速准确决策。     

差分进化算法在电力系统环境经济调度中的应用

以求解环境经济调度(EED)这一复杂的多目标约束优化问题为背景,研究了一种改进的多目标差分进化算法(EMODE),该算法依据多目标优化问题的特点重新设计了差分进化算法(DE)的进化算子并引入自适应二次变异算子来有效避免DE存在的"早熟"收敛现象;同时,针对EED问题约束条件复杂且难以处理这一问题,依据不同类型约束的特点提出一种启发式的约束处理方法.将EMODE应用到某电力系统的多目标环境经济调度中,仿真计算结果以及与其他求解方法的对比分析表明,EMODE可以有效兼顾全局收敛性和Pareto非劣调度方案的多样性,具有较高的效率以及鲁棒性.     

基于成绩标量函数搜索的分解多目标进化算法

基于分解的多目标优化算法在整个进化过程中由于种群规模和权向量保持不变,容易导致种群多样性下降和早熟收敛.针对这一问题,提出了一种基于成绩标量函数搜索的分解多目标进化算法.为使基于分解的多目标优化算法对决策空间均匀探索,首先通过分析当前种群的稀疏度,设计了一种自适应基于成绩标量函数的局部搜索策略,动态地增加种群规模和权向...     

基于精英重组的混合多目标进化算法

针对多目标进化算法搜索效率低和收敛性差的问题,提出了基于精英重组的混合多目标进化算法,将多目标优化问题分解为多个单目标优化问题单独求解,并采用基于遗传算法的精英重组策略将多个相异解重组生成唯一的精英解.提出区域化的种群初始化方法,改进局部搜索及群体选择机制,采用以优化子群为核心的分组交叉策略及自适应多位变异算子,并引入基于混沌优化的重启机制,有效克服了精英保存的固有缺陷,以及现有多目标进化算法存在的目标空间解拥挤、收敛慢、易早熟等问题.多目标测试函数的数值仿真和关键步骤的性能分析证明了本文算法的有效性和优越性.     

一种约束多模态函数优化免疫遗传算法

通过引入局部检测函数,将约束多模态优化问题转化为约束多目标优化问题.进而,基于克隆选择原理和Pareto控制概念,提出一种求解该多目标优化问题的免疫遗传算法.算法设计中,基于非控制分层和小生境思想,产生具有足够多样性的进化群体,进而依据克隆选择原理和基因互换机理设计进化模块,对进化子群进行岛屿式进化,力求获得问题的所有...     

处理带约束的多目标优化进化算法

针对当前对求解多目标优化的遗传算法中主要考虑如何处理相互冲突的多个目标间的优化,而很少考虑对约束条件的处理的问题,提出一种求解带约束的多目标优化遗传算法,利用邻域比较与存档操作遗传算法处理多个相互冲突的目标之间的优化、利用不可行度选择操作处理约束条件和选用约束主导原理指导进化过程选择操作; 面向多目标约束优化算法,列举了2个难点典型问题进行仿真计算研究,仿真结果表明该算法能较大概率地获得多目标约束优化问题的可行Pareto最优解.     

遗传算法求解清运车辆路径优化问题

提出一种基于遗传算法的求解清运车队车辆路径优化问题方法.对具有时间约束的路径采用整数编码,并利用AOE网验证其有效性.利用多分组多目标交叉进化方法,对具有不同适应度值的分组个体采用不同交叉算子,提高算法进化速度和搜索范围.仿真结果表明,算法可行有效.     

基于约束骨干粒子群算法的化工过程动态多目标优化

大多数化工过程是动态过程,需同时优化多个目标,从而带来复杂的约束多目标动态优化问题。因此提出了一种动态约束多目标骨干粒子群算法,即采用一种新型约束处理方法,结合Pareto支配和ε约束支配技术的双档集机制;针对约束优化问题寻优难度更大,更易陷入局部最优的特点,采用局部搜索和混合变异策略,并自适应调整搜索步长,提高算法的探索和开发能力;采用分段线性函数参数化方法,构建一种动态约束多目标粒优化算法,并将其用于解决间歇反应器的动态多目标优化问题。测试实验表明:与NSGA-II和自适应差分进化算法(SADE-εCD)比较,该算法具有更优秀的收敛性与分布性;应用到化工过程多目标动态优化问题实例进行比较表明,多目标骨干粒子群算法在约束多目标动态优化问题的求解中表现出更好的应用前景。     

一种求解约束优化问题的改进差分进化算法

针对原始差分进化算法在求解约束全局优化问题时存在陷入局部最优的缺陷,提出一种改进的差分进化算法.该算法在保留原始差分进化算法全局搜索能力的基础上,采用基于规则的方法进行约束处理和种群个体的比较及选择,并利用种群相似度和最优变异操作改善种群进行全局范围搜索的多样性,提高算法跳出局部最优的能力.数值实验表明,该算法稳定性较好,目标函数评价次数较少,收敛速度较快,全局寻优能力较强,不仅能有效求解连续变量约束优化问题,也适用于离散变量或混合变量优化问题.     

一种基于罚函数的混合分布估计算法

分布估计算法是一种新型的基于概率模型的进化计算方法,已在许多领域得到了非常成功的应用.借签罚函数根本思想,把非线性约束优化转变为无约束优化,并利用多变量相关的MIMIC算法对所得的无约束问题进化求解,提出的新算法突破了传统基于约束保持法或可行规则法的约束处理,且分布估计算法是基于可行解的宏观层面的随机进化算法,具有较强全局寻优能力和较高的收敛率.数值试验表明该算法具有很强的全局寻优能力和有效性.     

考虑能耗优化和学习效应的随机多目标并行机调度问题研究

针对具有学习效应且处理时间不确定的并行机调度问题,以最小化最大完工时间和能源消耗为优化目标,建立了该问题的随机多目标调度模型;设计和改进了非支配排序遗传算法和基于分解的多目标进化算法进行求解.通过采用覆盖率指标和逆世代距离指标对实验结果进行评价,分析了两种算法在求解该问题上的性能.研究结果表明,MOEA/D在C指标方面...     

协同差分进化算法求解负荷经济分配问题

提出了一种协同差分进化算法求解电力系统负荷经济分配问题( Economic Dispatching,ED).该算法考虑了机组的爬坡约束、出力限制区约束等非光滑费用函数曲线这样的非线性特征,并根据ED中可行域被分割为多个独立的区域的特点,采用协同进化策略处理约束条件.将种群分为保守和激进两种策略的子种群,子种群最优个体分...     

变粒度协同进化设计算法及其在卫星舱布局设计中应用

采用进化算法求解复杂卫星舱布局问题时,算法容易陷入局部最优,且干涉计算复杂度高,计算耗时长.为提高对复杂解空间的搜索能力,基于协同进化算法,将问题分解为若干子问题求解;为减少计算耗时,子问题求解时采用了一种设计变量的变粒度策略.称上述方法为变粒度合作式协同进化算法(CCEA-CFG).卫星舱布局优化数值实验表明,与目前常用的几种布局求解算法(遗传算法、协同进化算法以及遗传/粒子群算法(QPGP))相比,CCGA-CFG(基于GA的CCEA-CFG)具有较好的计算质量、计算效率和计算鲁棒性.     

求解多技能人力资源约束的项目调度问题的两阶段算法

针对一类多技能人力资源约束的项目调度问题(PSPMSWC),提出了一种两阶段优化算法,并按算法步骤对模型进行了分解.算法针对分解后的子模型,应用遗传局域搜索及CPLEX优化软件对模型进行求解,并设计了整体迭代求解策略,从而确保所有问题案例都能够进行求解.通过引用基于标准问题库中的典型问题,生成了大量随机算例,并对算法进行了求解实验.实验结果显示,所有案例均能够迅速求解,部分案例可达到最优,从而证明该方法是一种求解PSPMSWC的有效方法,具有较强的实际意义.     

求解多技能人力资源约束的项目调度问题的两阶段算法

针对一类多技能人力资源约束的项目调度问题(PSPMSWC),提出了一种两阶段优化算法,并按算法步骤对模型进行了分解.算法针对分解后的子模型,应用遗传局域搜索及CPLEX优化软件对模型进行求解,并设计了整体迭代求解策略,从而确保所有问题案例都能够进行求解.通过引用基于标准问题库中的典型问题,生成了大量随机算例,并对算法进行了求解实验.实验结果显示,所有案例均能够迅速求解,部分案例可达到最优,从而证明该方法是一种求解PSPMSWC的有效方法,具有较强的实际意义.     

一种基于自适应变异算子优化的MOEA/D算法

MOEA/D(基于分解的多目标进化算法)利用一组均匀分布的权重向量将多目标优化问题分解为若干个单目标子问题，并以协作方式同时优化这些子问题。然而，当多目标问题真实Pareto前沿(Pareto front, PF)的形状具有长尾和尖峰特征时，MOEA/D在求解此类多目标问题时，所得到的最优解集在长尾和尖峰区域相对稀疏，性能受到很大影响。为了有效处理这种情况，提出了一种自适应选择变异策略的MOEA/D算法。该算法采用5种不同的变异策略构成候选池，在进化过程中，根据候选池中各变异策略近期的表现，以更高的概率选择近期表现更好的变异策略，使算法能够快速收敛。在算法的差分变异操作中采用理想解充当扰动向量，在PF上获得一组均匀分布的最优解，从而提高算法的性能。实验结果表明，与其他算法相比，本文算法获得的最优解集有更好的收敛性和分布性。     

目标空间分割多目标进化算法研究综述

进化算法具有求解多目标优化问题的优点。本文首先对多目标优化问题进行了描述;然后讨论了目前几种主要的基于进化算法的多目标优化方法;最后介绍了基于目标空间分割的多目标进化算法的研究现状以及面临的问题。     

基于分层环境选择策略的约束多目标优化算法

针对约束多目标优化问题(CMOPs)难以平衡约束条件和目标函数的不足,提出一种基于分层环境选择策略的约束多目标优化算法(CMOEA-HES).CMOEA-HES首先采用模拟二项式交叉(SBX)和差分进化(DE)算子分别产生各自的子代种群;然后通过第一层环境选择策略从两个子代种群中选出收敛性和多样性较好的个体;接着采用第二层环境选择机制在父代种群和第一层环境选择策略选出的个体中进行选择,在多样性和收敛性的基础上选出可行性较好的个体;最后将选出的个体作为下一代进化的种群．为验证CMOEA-HES的性能,将其与5种先进的约束多目标优化算法在两组典型的测试集上进行仿真计算,实验结果表明：CMOEA-HES在求解约束多目标优化问题上更具有竞争力．     

基于新约束集成的差分进化算法

提出基于新约束集成的差分进化算法用于求解带约束的优化问题.在产生新个体的阶段,算法采用3种不同的突变策略.利用不同的约束处理技术对新个体进行选择,并通过引入局部搜索,增强算法局部寻优能力,避免算法陷入局部最优.该算法在CEC 2017的28个基准函数上进行数值实验,并且与其他较为先进的算法进行比较,实验结果显示,新算法在求解精度上表现较好.