贝叶斯优化算法在多目标优化问题中的应用

贝叶斯优化算法是近年来在进化算法领域兴起的一种新兴算法,用贝叶斯网络概率模型来显式地反映变量之间的依赖关系及可行解的分布,更符合实际问题的本质,在众多领域获得应用。针对多目标优化问题,在Pareto优化概念的基础上,用非占先排序及拥挤距离的方法来选择群体,形成解决多目标优化算法的Pareto贝叶斯优化算法,实验结果表明,Pareto贝叶斯优化算法要优于经典多目标优化算法NSGA-II。     

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.     

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。     

一种新颖的多目标优化算法

粒子群算法的特性使得其在解决多目标优化问题时具有很强的竞争性,提出了一种结合小生境思想和在线归档策略的多目标粒子群优化算法,该算法能够在进化过程中保持优良种群。通过3个测试函数来评价算法性能并将算法与NSGA-II做比较,结果表明提出的算法的时间耗费明显小于NSGA-II算法且解集沿着Pareto非劣最优目标域有很好的扩展性。     

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.     

一种基于等位基因原理的NSGA-Ⅱ算法

NSGA-Ⅱ算法是通过模拟达尔文进化原理,采用选择、交叉和变异等操作算子,对个体种群进行繁殖和进化,以实现多目标优化.在NSGA-Ⅱ算法进化过程中,变异或交叉操作应用于个体的所有基因.但在真实的自然变异过程中,生物体根据等位基因频率的原理,不会整个基因发生变异,而只有少数基因会发生变异.同时,在交叉操作中该生物体仍有变异的机会.为了完全模拟自然变异过程,笔者提出了一种基于等位基因原理的NSGA-Ⅱ算法,该算法允许个体在变异过程中保持某些基因不变,在交叉操作中却仍有变异的机会.实验结果表明,与其他多目标进化算法相比,该算法显著提高了搜索性能,且具有收敛性强和不易陷入局部极小的特点.     

动态参数调整的多策略差分进化算法

针对差分进化算法在处理函数优化问题时存在的收敛速度较慢和过早收敛的问题,提出了一种动态参数调整的多策略差分进化算法.先将种群随机分为3个独立的子种群,分别采用3种不同的变异策略来避免种群陷入局部最优,并通过动态参数调整机制提高算法的收敛性能.经过一定代数的进化后,将种群中的优秀个体进行择优保留.采用CEC2005的25个标准测试函数对算法进行仿真,实验结果表明,新算法能够有效避免过早收敛,具有较好的优化性能.     

基于极大极小关联密度的多目标微分进化算法

采用微分进化方法求解多目标优化问题,为了改善解集分布性和提高算法收敛性,提出1种基于极大极小关联密度的多目标微分进化算法。该算法定义了极大极小关联密度。在严格遵守Pareto支配规则的基础上,给出了基于极大极小关联密度的外部档案集维护方法,从而避免或减少最终解集的多样性损失。1种自适应选择策略通过评价个体的关联密度来指导个体优劣的选择过程,在确保最优个体进入下一代种群的同时,尽可能使个体的选择覆盖更广泛的搜索空间。实验结果显示,与多目标均匀多样性差分进化(MUDE)、基于反对称的自适应混合差分进化(OSADE)和非劣排序遗传算法II(NSGA-II)等经典算法相比,该文算法在世代距离(GD)和空间(SP)性能指标上有更好的表现,具有更优的Pareto前沿分布性与收敛性。     

基于合作协同进化算法的航迹冲突解脱研究

为解决基于航迹运行(Trajectory Based Operation, TBO)模式下大规模航迹战略冲突解脱问题,建立了综合考虑最小化冲突数量和航迹调整成本的双目标优化模型.设计了基于超体积指标的多目标合作协同进化算法(Indicator-based Cooperative Coevolution Multi-objective Evolutionary Algorithm, IBCCMOEA)进行模型求解,采用非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm II,NSGA-II)进行子种群优化.同时,设计了自适应遗传算子加快算法收敛速度.分别采用中国航路网络繁忙时段442架和1 014架航班历史飞行数据进行仿真验证,将所提算法与NSGA-II,基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition, MOEA/D)以及多目标合作协同进化算法(Cooperative Coevolution Multi-objective Evolutio...     

基于一种新混合群算法(MOHO-SA)的结构主动控制多目标优化研究

基于粒子群(PSO)算法和差分进化(DE)算法提出了一种新的多目标混合群优化算法,对结构主动控制系统的作动器位置、数量与控制器参数进行同步优化.首先,分别采用PSO算法与DE算法进行对应种群的进化,使用庄家法则构造非支配解集,并引入边界点几何中心leader选择机制,同时利用模拟退火算法完成个体进化的二级局部搜索;以随机地震激励下反映结构振动控制效果和控制策略优劣的双指标作为优化目标函数.最后,针对ASCE 9层benchmark模型,采用本文提出的具有二级搜索功能的多目标混合群算法(MOHO-SA)对其主动控制系统进行优化设计,并分别与多目标差分进化算法(MODE)、多目标粒子群算法(MOPSO)、普通多目标混合群算法(MOHA)的优化结果进行对比分析,表明其Pareto解集具有更优的收敛曲线及分布性.     

杂草算法收敛性分析及其在工程中的应用

针对从自然界中杂草的生长繁殖特性演化而来的新型智能优化算法———扩张性杂草进化算法,通过马尔可夫链,分析证明了它的全局收敛性.相比其他启发式算法,其最大优点是基于种群中优秀的个体有指导地进行搜索,且算法中子代个体按正态分布的方式分布于父代个体周围,在进化过程中通过动态调整此正态分布的标准差,使算法在早期与中期充分保持群落的多样性,较其他启发式算法更容易保证对解空间的全面搜索.而在算法的后期加强对优秀个体周围的局部搜索,从而保证算法能够稳健地收敛到全局最优解.典型的复杂机械优化设计算例结果表明,该算法在优化过程中能有效避开局部最优解,快速、有效地收敛到全局最优解.     

多个体参与交叉的遗传算法

提出了多个体参与交叉的遗传算法,即采取新的交叉算子使子代个体同时含有多个父代个体的模式．突破了以前遗传算法只有两个个体参与交叉的局限,通过调整参与交叉的父代个体数目和交叉后产生的后代个体数目,实际上提出了遗传算法调试中的两个新参数．通过调整新参数,使得遗传算法可能有更高的计算效率．证明了多个体参与交叉的遗传算法的模式定理．将方差与熵作为描述遗传算法解群多样性的工具．分析了多个体参与交叉的遗传算法对解群方差及熵的影响．通过一个算例验证了多个体参与交叉的遗传算法具有较高的计算效率     

改进NSGA-Ⅱ算法在涡轮叶片多光谱测温中的应用

介绍了多光谱辐射测温原理、遗传算法(genetic algorithm,GA)以及第二代非支配排序进化算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)的应用。从自适应角度出发对NSGA_Ⅱ算法加以改进,使其交叉变异算子具有一定动态调整能力,并把差分进化算法融合到NSGA_II变异算子进化中使其进化方向得以优化。作者从计算精度,稳定度,计算速度角度出发对传统的GA遗传算法、经典的NSGA-Ⅱ算法和改进后的NSGA-Ⅱ算法进行仿真实验并且利用真实四路测温实验验证,结果表明改进的NSGA-II算法具有单次计算精度高、稳定性好、计算速度略快、最后一代种群特性良好等优点,适合应用在温度范围为700~1 000℃下涡轮叶片多光谱辐射测温中。     

基于分解的进化算法和多变量分析技术在船型参数设计中应用

引入优化和决策技术讨论船型参数设计的多目标优化论证,基于分解的进化算法(DBEA)将船型参数设计的多个目标优化问题分解为一定数量的单目标优化子问题,采用进化算法同时求解这些单目标优化子问题.DBEA算法的种群由法向边界相交方法(NBI)构建,子问题的优化通过和邻近个体的进化操作完成.采用熵权和灰色关联方法对DBEA算法得到的船型Pareto解集进行综合评价,给出每个设计方案的定量指标排序.基于多变量分析技术讨论了船舶设计变量的层次聚类属性,给出了设计变量间的类别特性.采用多维标度方法(MDS)给出了这些变量在二维平面里的映射图形,结合聚类树形图可以加深对船舶参数设计模型的认识.对一艘3万t油船进行船型参数设计,算例分析表明,DBEA算法能够快速获得分布均匀的Pareto解,灰色关联方法的决策合理可行.     

约束差分免疫克隆算法及其在汽油调合优化中的应用

针对约束多目标优化问题,提出了一种新型的约束多目标优化算法。该算法采用了一种新型约束处理方式,先通过约束违反门限截取种群再依据约束与目标函数值针对不同情况实现对个体的优劣划分。本算法将差分进化与免疫克隆机制相融合,既利用了差分进化从全局角度进行搜索的特点,又利用了免疫克隆机制从优秀个体出发进行局部再寻优搜索的优点,扩大了算法搜索的广度与深度。测试结果表明该算法相比快速非支配排序遗传算法(NSGA-II)具有非常优秀的收敛性与分布性。将提出的算法应用于实际的汽油调合优化中,进一步验证了算法的有效性,可有效减少成本,提高产品质量。     

基于AAFDE-RBF算法的PID参数整定

针对工业过程中PID(proportional integral derivative,比例积分微分)参数整定难的问题，提出一种自适应调整因子的差分进化算法(adaptive adjustment factor differential evolution algorithm, AAFDE)的神经网络(radial basis function, RBF)方法整定PID控制器的参数。先在差分进化算法中引入自适应调整变异因子，通过定义个体优劣系数引入自适应调整交叉概率因子；再采用AAFDE算法优化RBF的初始参数，建立RBF模型，接着由RBF在线辨识得到梯度信息；最后根据梯度信息对PID的3个参数在线调整。直流电机系统的仿真实验表明，与RBF-PID和DE-RBF-PID相比，AAFDE-RBF-PID控制器动态性能更好、抗干扰性能更强，控制精度更高。     

多目标差分进化算法在投资组合中的应用

针对多目标优化问题,提出一种改进的多目标差分进化算法.在基本的差分进化算法中引入了参数自适应调整操作和可行性规则操作.同时,在综合考虑交易费用的基础上建立多目标投资组合模型,并应用改进算法进行求解.结果表明,改进的多目标差分进化算法得到的多目标投资组合的收益率要高于其他算法得到的收益率.     

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.     

运用改进差分进化算法辨识Hammerstein模型

针对非线性系统Hammerstein模型,利用差分进化算法对非线性模型进行参数辨识,将非线性系统的辨识问题转化为参数空间上的函数优化问题。为了增强差分进化算法的辨识性能,采用一种自适应变异差分进化算法,即引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。最后通过仿真对比实验表明,改进的差分进化算法比基本差分进化算法精度更高、非线性辨识能力更强。     

基于模糊文化算法的自适应优化

笔者提出一种基于模糊控制器的自适应文化优化算法,利用模糊控制器调整参数β,改变个体在进化中的个数,使文化算法得到了优化.在测试函数的仿真试验对比结果证明,改进算法优于原有算法.