大规模多目标进化优化算法研究进展

现实中存在许多大规模多目标优化问题（Large-scale Multi-objective Optimization Problem,LSMOP）,它们对传统的多目标进化算法（Multi-objective Evolutionary Algorithm,MOEA）提出了挑战,有关LSMOP的研究已成为多目标优化领域的研究热点之一。本文系统分析了近年来提出的各种大规模多目标进化优化算法（Large-scale Multi-objective Optimization Evolutionary Algorithm,LSMOEA）,根据这些算法的主要思想和技术特点将它们粗略地分成4种类型,即基于协同进化（Cooperative Coevolution,CC）、基于决策变量分析、基于问题重构以及其他方法,并对今后LSMOP的研究方向提出建议,以期将LSMOP的研究引向深入。     

多目标优化量子进化算法及其在PID控制器中的应用

目前量子进化算法主要应用于单目标优化问题.本文结合量子进化算法和经典多目标优化算法中常用的非支配排序技术,提出一种解决多目标优化问题的多目标优化量子进化算法(Multi-objective Optimization Quantum Evolutionary Algorithm,MOQEA),并将其应用于PID控制器参数整定.经过实验证明,无论是解的质量还是解的分布均匀性,MOQEA都优于经典多目标优化算法NSGA-II.     

LSMOEA/2s:一种基于变量两阶段分组的多目标进化算法

大规模多目标优化问题(Large-Scale Multi-objective Optimization Problem, LSMOP)固有的性质给多目标进化算法(Multi-Objective Evolutionary Algorithm, MOEA)带来挑战。目前大多数大规模多目标进化算法(Large-Scale Multi-Objective Evolutionary Algorithm, LSMOEA)需要耗费较多的计算资源对大规模决策变量进行分组,使得用于优化问题解的计算资源相对不足,影响了算法效率和解题性能。基于此,本研究提出一种基于变量两阶段分组的多目标进化算法(Large-Scale Multi-Objective Evolutionary Algorithm adopting two-stage variable grouping, LSMOEA/2s)。新算法首先利用基于变量组的相关性检测方法快速识别独立变量,然后利用高频次随机分组方法将非独立变量划分成若干子组,最后利用MOEA/D算法优化所有的独立变量和非独立变量子组。将所提算法与当前4种代表性算法(MOEA/D、...     

MOEA/ICD:一种基于适应度指标ICD的高维多目标进化算法

已有的基于参考点(参考向量)或标量化效用函数的多目标进化算法(Multi-Objective Evolutionary Algorithm, MOEA)在求解高维多目标优化问题(Many-objective Optimization Problems, MaOPs)时存在不足。基于此,本文提出一种动态度量解个体收敛性与多样性综合性能的适应度指标(Fitness indicator considering convergence and diversity of individual adaptively,I_CD),该指标随进化过程的推进而自适应地调整种群个体的收敛性和多样性所占比例,即初期I_CD强调收敛性而后期侧重多样性,以平衡高维多目标种群的收敛性和多样性,并获得高质量的解集。进一步地,将I_CD嵌入NSGA-Ⅱ算法框架,设计一种基于I_CD的高维多目标进化算法(Many-Objective Evolutionary Algorithm Based on I_CD, MOEA/I<...     

基于NSGA-Ⅲ算法的多无人机协同航迹规划

当多架无人机协同作战时,需要进行协同航迹规划,以提升任务成功率.将协同航迹规划中的约束转换为多个目标后,对NSGA(Non-Dominated Sorting Genetic Algorithm)-Ⅲ算法与势场蚁群算法进行融合设计.算法首先对地图进行势场构建,使距离障碍物较近的节点不易被选择,并且引导搜索方向.然后对航迹代价、空间协同约束和时间协同约束进行数学建模,转换为数值指标,并设置为NSGA-Ⅲ算法的多个目标.对NSGA-Ⅲ算法设计了临界层选择方法和进化算法等.最后在二维和三维栅格地图中,改进NSGA-Ⅲ算法利用各种群为各无人机搜索出期望的航迹.仿真实验表明,规划所得到的各无人机航迹安全且代价较小.     

基于正则性辅助的多目标优化进化算法研究

针对目前基于正则性辅助的多目标优化算法缺少局部信息以及模型参数设置对多目标优化算法的影响问题,本研究提出一种基于正则性辅助的多目标优化进化算法(Regularity Assisted Multi-objective Optimization Evolutionary Algorithm,RAMEA)。该方法将高斯采样和基于邻域的交配重组结合并用于子代重组,同时使用k-均值聚类方法获取流形结构信息,将种群划分为K个聚类,用K个聚类的均值向量建立高斯概率模型,从中抽取K个后代,然后将取样解作为父代添加到每个集群中去交配生成其他子代解。实验对比结果表明,研究提出的基于正则性辅助的多目标优化进化算法明显优于其他算法,其参数灵敏度和有效性表现更加突出。     

基于运动状态估计的双无人机协同航路规划

在双无人机协同任务过程中,由于会受到敌方雷达、武器等干扰造成跟随机无法准确获得领航机状态,为保证跟随机能够尽可能跟随领航机,提出结合交互式多模型(IMM)算法和自适应差分进化(JADE)算法的方法进行跟踪与寻迹.首先,基于JADE算法为领航机优化一条平滑航路并建立领航机位置状态信息,同时利用多个机动模型匹配估计领航机运动状态;然后,根据估计信息,确定跟随机下一可行航迹点范围;最后,以双机时空协同为目标,设计跟随机优化目标函数,优化产生下一航迹点.仿真实验表明,仅8.8%的航迹点处于双机探测范围外,且短时间内能够回到理想位置,时间和空间上双机能够保持协同.     

面向节能的建筑设计多目标优化方法

考虑绿色建筑设计时重点关注的两个指标(节能和舒适度),建立绿色建筑节能设计的多目标优化模型;采用建筑能耗模拟软件EnergyPlus评价个体的适应值,利用基于分解的多目标进化算法优化上述模型,给出融合EnergyPlus的建筑节能多目标进化优化算法及其执行方法.以我国北方常见的多房间居民建筑为例进行多目标优化,结果表明:相比NSGA-II等经典智能优化设计算法,所提方法在只增加了0.61%能耗的基础上减少了1.29%的不舒适时间.     

水面无人艇全局航迹多目标规划算法

为了有效提升水面无人艇(USV)全局航迹规划算法的性能,从多目标优化的角度就USV的全局航迹规划问题展开研究.以电子海图为基础构建了栅格化环境模型,提出了USV全程航迹规划的多目标约束优化数学模型,采用距离函数和双惩罚函数对约束条件进行处理,并引入Pareto强度和最小代沟模型,设计了一种基于多目标遗传算法的全局航迹规划算法.实验结果表明算法能够有效兼顾多个优化目标,为USV规划出性能更优的全局航迹.     

改进的PSO算法在RFID网络调度中的应用

为在寻优过程中有效地保持算法的种群多样性,提出了一种改进的PSO（Particle Swarm Optimization) 算法--PSOPC（Particle Swarm Optimizer based on Predator-prey Coevolution）。PSOPC算法将生态系统中捕食者和猎物的竞争协同进化机制嵌入到PSO算法中。基于PSOPC进行RFID（Radio Frequency IDentification）读写器网络调度模型的求解,根据读写器冲突关系的变化在线进行读写器的时隙分配求解与控制,在不影响读写器工作效率的同时,有效消除密集读写器环境下的读写器冲突问题,并优化整个读写器网络的工作效率。     

基于正态变异的思维进化计算

将正态变异引入到思维进化计算中, 提出了一种新的基于正态变异的思维进化计算.在算法中采取了自适应策略.试验结果表明该算法具有高效的收敛速度, 并能收敛到全局最优点.与遗传算法(Genetic Algorithm, GA)和传统的思维进化计算(Mind Evolutionary Computation, MEC)进行比较分析, 该算法收敛速度更快, 收敛率更高.     

基于Pareto协同进化算法的高维模糊分类系统设计

提出一种可同时构造多个精确性和解释性较好折衷的高维模糊分类系统的设计方法.该方法首先利用Simba算法进行特征变量选择,然后采用模糊聚类算法辨识初始的模糊模型,最后利用Pareto协同进化算法对所获得的初始模糊模型进行结构和参数优化.其中,Pareto协同进化算法采用了一种新的基于非支配排序的多种群合作策略.为提高模型的解释性,在Pareto协同进化算法中利用基于相似性的模型简化方法对模型进行约简.利用该方法对Wine典型问题进行分类,仿真结果验证了方法的有效性.     

面向多目标柔性作业车间调度的强化学习NSGA-II算法

针对非支配排序遗传算法 (NSGA-II, non-dominated sorting genetic algorithm II)在求解柔性作业车间多目标优化调度问题中多样性不足、易于早熟与局部收敛的缺点,提出一种基于强化学习的改进NSGA-II算法(RLNSGA-II, reinforcement learning non-dominated sorting genetic algorithm II)。为避免NSGA-II陷入局部收敛问题引入双种群进化策略,利用性别判定法将种群拆分为两个种群,并在进化过程中采用不同的交叉变异算子,增加算法的局部和全局搜索能力;为解决NSGA-II精英策略造成多样性不足的问题,融合多个多样性度量指标,利用强化学习动态优化种群迭代过程中的拆分比例参数以保持多样性,改善算法收敛性能。最后通过Kacem标准算例进行了仿真实验与性能分析,验证了RLNSGA-II的有效性与优越性。     

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指标方面优于NSGA-II,而NSGA-II在IGD指标方面优于MOEA/D。     

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.     

基于双模式更新五行环算法的多目标冷链配送

针对生产运输中广泛存在的冷链配送问题，建立了以配送成本最小化和顾客满意度最大化为目标函数的多目标冷链物流优化模型。基于五行环优化(FECO)算法，提出了双模式更新个体的五行环优化算法(FECO-DMUI)，并对多目标冷链物流模型进行求解。将FECODMUI算法与FECO算法、NSGA-II算法、鲸鱼优化算法和灰狼优化算法进行比较，结果验证了本文模型和算法的有效性，同时验证了FECO-DMUI算法在多目标冷链配送问题中能更加高效地获得路径优化的最优解集。     

基于改进MOGOA的无人机群航迹规划研究

针对电子侦察系统中反辐射无人机群进行辐射源无源定位时机群的编队形式会对定位精度产生影响的问题,将克拉美-罗界(Cramer-Rao lower bound,CRLB)作为定位精度方面的优化目标,与其他优化目标、约束一起引入机群的航迹规划中,使无人机群运动过程中保持良好编队,确保无源定位精度.文中针对多优化目标复杂环境中航迹规划算法寻优能力不高的问题,提出了一种基于改进多目标蝗虫算法(IMOGOA)的无人机群3维航迹规划方法,通过对MOGOA的选择方式、收敛参数进行改进从而提高算法的收敛性能以及全局搜索性能.首先,建立无人机群航迹规划的运动学模型,并引入距离约束,除定位精度以外还引入了路程、威胁代价等作为航迹规划的优化目标函数,然后,对改进多目标蝗虫算法进行详细说明,最后设计基于IMOGOA的无人机群航迹规划方案的算法流程,并在设定场景中对该算法的性能进行了仿真分析.结果表明,所提出的IMOGOA能够成功地规划出无人机群从初始位置到辐射源位置处的3维航迹,同时使无人机群在运动过程中保持良好的定位精度,经IMOGOA规划的机群编队定位精度最高可达1.2%,性能明显优于正方形编队和随机编队,并通过将IMOGOA与原始蝗虫算法(GOA)、原始多目标蝗虫算法进行对比,结果表明IMOGOA的收敛速度比MOGOA快11.1%,搜索性能相较GOA提升13.8%.     

轴辐式中国国内煤炭运输网络构建

提出轴辐式中国国内煤炭运输网络结构,构造一个同时考虑经济因素和环境因素的双目标轴辐式煤炭运输网络优化模型.应用精英策略非支配排序的遗传算法(NSGA-II),设定10个算例,并对比多目标粒子群优化算法(MOPSO)和多目标和声搜索算法(MOHS)对模型进行求解.结果表明,轴辐式煤炭运输网络优化模型有效,相比于MOPSO、MOHS算法,NSGA-II算法能够在更短的时间内生成较高质量的最优解,并且所得最优解二氧化碳的总排放量更少.     

基于尖Γ云模型的基因表达式编程算法研究

传统基因表达式编程算法的进化过程使用一成不变的变异率和交叉率,忽略了进化中种群的动态变化,导致GEP算法有可能陷入局部最优.为此,做了如下探索:(1)形式化尖Γ云模型,GEP模式和适应度隶属度等概念;(2)提出了新概念尖Γ云变异率和交叉率;(3)设计了尖Γ云调整算法(Cusp Gamma Cloudy Adjust Algorithm)和基于尖Γ云的GEP算法(Gene Expression Programming Based on Cusp Gamma Cloud),借助云模型的特点,动态改变变异率和交叉率;(4)实验表明,新算法改善了进化性能,平均适应度提高达7%,最高适应度提高8%,平均进化代数下降10%以上.     

基于遗传算法的无人机航迹规划

研究了基于遗传算法的无人机全局路径规划算法,建立了综合评价航程总长度、威胁概率和平均地形高度的多目标优化函数,并针对此优化函数设计了基于相对距离转角的遗传算法编码方案,进化计算结果稳定,达到了利用三维地形规避威胁的目的.进而研究了基于路径规划点生成光滑航迹的鲁棒性算法,利用MATLAB和VRML接口实现了无人机全局航迹...