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。     

基于自适应多目标指数罚函数的NSGA-Ⅱ算法

为求解多目标优化问题,将快速非支配进化算法(NSGA-Ⅱ)进行了推广,构造了一种新的多目标指数罚函数,将其作为NSGA-Ⅱ算法的适应度函数,通过每次自适应更新罚因子,以此获得多目标规划问题的有效解(Pareto解).仿真结果表明,该算法在快速收敛的情况下,能够获得更加均匀的Pareto前沿.     

改进的非支配排序遗传算法INSGA-Ⅱ

由于NSGA-Ⅱ不能拉制精英被选取的数量，容易导致早熟收敛或陷入局部最优，所以本文提出了NSGA-Ⅱ算法的一种改进算法INSGA-Ⅱ。在此算法中，通过引入分布函数来拉制精英被选取的数量，从而更好地保持种群的多样性。实验结果表明，INSGA-Ⅱ发现的Pareto最优解分布既均匀又广泛，与NSGA-Ⅱ相比得到的Pareto曲线更接近于真实的Pareto最优曲线。     

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。     

一种基于 Pareto 云隶属度的 MOPSO 算法

为定量解决非支配解排序问题,并兼顾多目标粒子群优化算法（multi-objective particle swarm optimization,MOPSO）的收敛性和多样性,提出了一种基于 Pareto 云隶属度的 MOPSO 算法。利用 Logistic 混沌映射优化种群的初始空间分布并融合布谷鸟搜索（cuckoo search,CS）指导粒子跳出局部陷阱,以增强算法的全局寻优能力。首次提出云向量评价 Pareto 最优解集方法,采用云隶属度评价准则对粒子适应度值进行量化评价。依据云隶属度选取个体最优和群体最优,平衡全局开发与开采,进而实现外部档案维护。测试函数集 ZDT 的实验结果表明,改进算法在收敛性和多样性方面较 MOPSO 和 NSGA-Ⅱ有一定优势。     

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.     

离散NSGA-Ⅱ求解带有限缓冲区的多目标批量流水线调度问题

针对带有限缓冲区的多目标批量流水线调度问题,首先构建该问题的数学模型,采用离散NSGA-Ⅱ算法进化求解.所提算法充分利用非支配解信息引导种群进化,从而加快了种群收敛速度,改进了算法的全局探搜和局部开发能力.将所提算法用于求解太阳能电池组件生产调度的13个算例,实验结果表明,所提算法能够产生高质量的解,有效求解该问题.     

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。     

动态调整进化方向与策略的果蝇优化算法

针对标准果蝇优化算法(FOA)收敛速度慢、容易陷入局部最优和寻优精度低等缺陷,提出了动态调整进化方向与策略的果蝇优化算法(FOADAEDS)。首先,种群初始位置由佳点集理论选取;其次,根据种群进化信息动态调整进化指导方向和搜索步长;最后,当算法陷入早熟时,改变搜索策略以跳出局部最优。对6个经典测试函数进行仿真运算,结果表明,本文提出的改进算法相比标准果蝇优化算法和其他几种改进算法,有较好的寻优精度和收敛速度。     

多目标优化问题的差分进化算法研究

为保持所求得的多目标优化问题Pareto最优解的多样性,提出了一种精英保留和根据目标函数值进行排序的多目标优化差分进化算法.对排序策略中目标函数的选择方式进行了分析和比较,并提出了一种确定进化过程中求得的精英解是否进入Pareto最优解集的阈值确定方法.用多个经典测试函数进行了实验分析,并与NSGA-Ⅱ算法进行了比较.实验结果表明,该方法收敛到问题的Pareto前沿效果良好,能有效保持所求得的Pareto最优解的多样性.     

基于Pareto解的面板堆石坝施工工期-质量-成本均衡优化研究

大坝工程中能否对工期、质量、成本3大核心要素进行综合均衡优化,是评价工程项目的重要衡量标准.针对目前大坝工程施工缺少工期-质量-成本均衡优化研究,且多目标均衡优化最优解非唯一、存在一组Pareto解集的问题,建立了面板堆石坝施工工期-质量-成本均衡优化数学模型,并建立了Pareto叠加模型对组合解支配关系进行求解.结果表明:基于工序Pareto解的组合解大部分仍为Pareto解;通过对线性加权和法与TOPSIS法的比较分析,验证了耦合线性加权和法的可行性.基于Pareto叠加模型结论并结合多属性效用函数提出了改进的耦合线性加权和的带精英策略非支配排序遗传算法(NSGA-Ⅱ),降低了算法的计算复杂度且提高了计算效率和鲁棒性,克服了最优解非唯一的问题.同时,结合某面板堆石坝工程,运用改进算法提高了计算效率,并优选了符合工程实际的最优折衷方案.     

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<...     

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) .     

改进差分进化算法在铝电解多目标优化中的应用

针对多目标优化问题,提出一种改进的差分进化算法(DE).该改进算法首先将DE与粒子群优化算法(PSO)结合,提高DE的收敛速度,然后引入多种群进化策略,有利于维持Pareto解的多样性.同时,在综合考虑机理与工艺的基础上建立铝电解多目标优化模型,并应用改进算法进行求解.仿真结果表明:在电流效率为92％时,改进算法所得的直流功耗为14.03 MW.h/t,比NSGA-Ⅱ的直流功耗降低了1.45％,比传统DE的直流功耗降低了1.75％.表明本文改进算法有效地提高了传统进化算法的性能.     

双目标精英策略的三维人脸表情特征筛选及识别

非支配遗传算法(NSGA-Ⅱ)对双目标的特征筛选可以取得很好的效果,但该算法在优化过程中会出现局部收敛和早熟问题.为此,文中提出了改进的NSGA-Ⅱ特征筛选算法:先对父代种群运行第1次精英策略,从中筛选出父代精英种群;然后将筛选后的父代精英种群与子代种群构成联合种群,并对联合种群运行第2次精英策略获得下一父代种群.在利用文中算法对三维人脸表情的候选特征进行筛选后,通过概率神经网络算法对筛选特征进行分类识别.结果表明,文中算法可以在很大程度上解决传统NSGA-Ⅱ的局部收敛和早熟问题,并能有效地提升表情识别的准确性.     

可重构流水线构形选择和作业调度集成优化

针对可混流生产同零件族多种零件的可重构流水线(RFL),以最小化生产周期总成本和最小化拖期惩罚为目标,建立了RFL构形选择和作业调度集成优化的混合整数多目标规划数学模型.采用LINGO软件进行案例计算验证了模型的正确性.随后,融合拥挤距离计算和外部Pareto解集档案构建技术提出了一种快速获取集成优化问题Pareto解集的多目标粒子群算法(Mo PSO).在Mo PSO中,采用实数和整数混合编码的粒子表征RFL的构形和调度方案,所设计的粒子编码/解码方法和更新机制可保证粒子所对应解的可行性.将Mo PSO与NSGA-Ⅱ算法应用于3个案例,通过案例计算对比验证了Mo PSO算法的有效性.计算结果表明,Mo PSO获取的非支配解的质量和计算效率均优于NSGA-Ⅱ.     

代理模型参数率定方法在TOPKAPI模型中的应用

为提高复杂水文模型参数优化效率,通过Morris参数敏感性分析确定敏感参数,随后将多目标自适应代理模型优化(MO-ASMO)算法应用在TOPKAPI模型的参数率定中,通过最小欧几里得距离筛选Pareto解集中的相对最优解,从解集分布和每场洪水模拟效果两个维度与传统多目标优化方法NSGA-Ⅱ、NSGA-Ⅲ进行比较。结果表明：在相同模型运行次数下,MO-ASMO相较于NSGA-Ⅱ和NSGA-Ⅲ具有更优的Pareto前沿;无论是率定期还是验证期,MO-ASMO算法的评价指标均表现较好,综合表现优于NSGA-Ⅱ、NSGA-Ⅲ算法,MO-ASMO算法有效提升了模型参数优化效率。     

基于改进NSGA-Ⅲ的文本空间树聚类算法

构建倒排文本空间索引树(IR)分裂聚类多目标模型,对非支配排序遗传算法(NSGA-Ⅲ)的求解过程进行改进,提出一种基于先验初始种群策略的非支配排序遗传算法(PIPS-NSGA-Ⅲ),使其更适应于倒排文本空间对象分裂聚类问题的求解.通过PIPS-NSGA-Ⅲ算法寻求对象最小包围矩形(MBR)之间的重叠与覆盖面积、对象群间平均距离以及语义相似度等目标的最优前端解.通过对比PIPS-NSGA-Ⅲ,NSGA-Ⅱ,NSGA-Ⅲ和SPEA-Ⅱ进化多目标算法,从对象分类时间、效率、查询时间和准确度等多个方面来评估算法的优劣.实验结果表明:PIPS-NSGA-Ⅲ算法对文本空间对象聚类分裂具有较高的效率;相对于简化传统R树(STR树)与R树空间索引结构,基于改进NSGA-Ⅲ文本空间索引的平均查询时间减少24.8%,平均准确度提高3.75%.     

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.     

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.