带有盒子约束的多目标优化问题的进化算法

针对带盒子约束的多目标优化问题,提出一种多目标优化进化算法。在选择过程中．采用Pareto支配和聚集距离排序来挑选出有代表性的个体。在变异过程中,沿着权重梯度方向搜索来寻找可行的Pareto最优解。最后,采用两个数值算例测试算法的性能,通过与NSGA—II的比较结果表明该算法能获得多目标优化问题的可行Pareto最优解并且具有很好的分散性。     

分布式Q学习多目标函数优化策略

将分布式Q学习算法与Pareto排序法相结合,提出了一种利用强化学习算法解决多目标优化问题的策略。该策略充分利用Q学习语句式的奖赏机制来描述问题的多重目标函数,并结合一般的Pareto排序法,在有限的迭代过程后输出可以充分接近于Pareto前沿的非支配解集。与其他智能搜索算法相比,该策略具有结构简单、无需先验知识、参数设置少的特点。测试函数优化问题验证了算法的有效性,为智能算法解决多目标优化问题提供了一种新思路。     

多目标优化算法中Pareto最优解集适应度值的研究

多目标优化算法主要研究如何利用算法求解相对复杂得多目标问题从而得到一组最优解,多目标优化算法已经成为进化计算领域的研究热点之一。多目标优化问题解的多样性主要体现在两个方面,即目标解分布的广度和均匀程度。为了使目标解具备多样性且均匀分布,研究领域提出了多种解决方法,本文主要围绕Pareto最优解集适应度值展开深入的研究与分析。     

多目标优化算法研究综述

近年来,多目标优化问题求解已成为演化计算的一个重要研究方向,而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点．多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域。该文在比较与分析多目标优化的演化算法发展的历史基础上,介绍基于Pareto最优概念的多目标演化算法中的一些主要技术与理论结果。此外,指出并阐释了值得进一步研究的相关问题。     

基于线性标量化方法的多目标优化牛顿算法

【目的】为了研究更高效地求解多目标优化问题，得到更有效的Pareto前沿面。【方法】通过对目标函数的二次近似及近似形式的线性加权标量化构造了新的搜索方向，提出了一类新的牛顿算法。进一步考虑了Pareto面的均匀性的优化，利用个体聚集密度来衡量Pareto面的均匀程度，从而在上述新的牛顿算法基础上提出了改善Pareto面均匀程度的算法步骤。【结果】在目标函数二阶连续可导且局部强凸的假设条件下证明了新的牛顿算法可以超线性收敛到Pareto弱有效解；在目标函数具有二阶连续偏导数且Lipschitz连续条件下证明了该算法可以局部二次收敛到Pareto弱有效解。【结论】基于线性标量化方法的多目标优化牛顿算法在迭代次数以及Pareto前沿面均匀性具有一定优越性。     

柔性作业车间多目标调度优化研究

研究了多目标柔性作业车间调度问题(FJSP),提出了一种基于Pareto的混合遗传算法,并建立了包括生产周期、总拖期时间和机床负载在内的多目标优化模型.该算法采用基于工序的编码方式和活动化解码方法,将Pareto排序策略与Pareto竞争方法结合起来.为了保证解的多样性,采用小生境技术并同时使用多种交叉方法,用Pareto解集过滤器保存进化过程中的最优个体,防止最优解的遗失.算法最后给出问题的Pareto最优解集.仿真试验证明,提出的混合遗传算法可以有效解决多目标FJSP.     

一种多项指标全提升的多目标优化演化算法

针对当前大部分多目标优化演化算法设计复杂、耗时巨大,以及取得的近似Pareto前沿点不够多、分布不均匀、覆盖不完整等问题,提出了一种新的基于粒子群和几何Pareto选择算法的多目标优化PSGPS算法.经过5个测试问题的实验结果表明:该算法使用较低的时间消耗,就能在前沿点个数、前沿点分布均匀性、覆盖完整度等性能指标上都优于当前流行的NSGA2,SPEA2和PESA等多目标优化演化算法.     

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.     

两连杆桁架设计的多目标优化算法

针对两连杆桁架的多目标最优化设计问题,提出一种利用遗传算法和模糊理论来求解多目标优化问题的Pareto最优解算法,并通过实验进行验证;讨论遗传算法和模糊理论产生Pareto最优解的差异.结果显示:通过遗传算法配合近似分析的方法可以更有效率地寻找到更多的Pareto最优解.     

基于MBOA的QoS路由算法研究

无线ad hoc网络中的QoS路由指标的优化是多个参数的优化问题,针对其特点,将多目标贝叶斯优化(MBOA)算法引入其中,对QoS的多个参数同时进行优化,用非确定性分类遗传算法(NSGA-II)中的选择方法挑选优选解.仿真实验结果表明,该算法收敛速度快,能够有效的搜索到较好的Pareto前沿.     

基于Pareto GA的机械手结构/控制多目标优化设计

针对机械／控制系统并行设计的多变量、多目标优化特点,以单臂机械手为对象,研究机电融合优化设计模型和多目标并行优化的算法．根据单臂机械手的动态特性和控制性能要求,采用极点配置方法构造了基于PD反馈控制的机电融合优化设计模型,通过Pareto遗传算法（PGA）对带约束的机电融合多目标优化问题的并行求解进行了研究,并对得到的Parato可行解集进行了分析．在PGA优化过程中采用了目标函数的归一化处理、分级罚函数法将约束问题转化为无约束优化、群体分级和Pareto解集过滤器等技术,并采用聚类方法对Pareto解集中解的个数、解集的特性和解的多样性进行控制,使优化解收敛到一个非劣点集．     

一种快速收敛的改进贝叶斯优化算法

针对贝叶斯优化算法(BOA)中学习贝叶斯网络结构时间复杂度较高的问题,提出了一种可以快速收敛的基于K2的贝叶斯优化算法(K2-BOA).为了提升收敛速度,在学习贝叶斯网络结构的步骤中进行了2处改进:首先,随机生成n个变量的拓扑排序,加大了算法的随机性;其次,在排序的基础上利用K2算法学习贝叶斯网络结构,减少了整个算法的时间复杂度.针对3个标准Benchmark函数的仿真实验表明:采用K2-BOA算法和BOA算法解决简单分解函数问题时,寻找到最优值的适应度函数评价次数几乎相同,但是每次迭代K2-BOA算法运行速度提升明显;当解决比较复杂的6阶双极欺骗函数问题时,K2-BOA算法无论是运行时间还是适应度函数评价次数,都远小于BOA算法.     

基于Maximin的动态种群多目标粒子群算法

针对粒子群优化算法在处理多目标函数优化问题的过程中,往往会出现局部收敛现象,在MOPSO算法基础上提出了一种新的多目标粒子群优化算法.该算法在运行过程中采用动态调整粒子群种群数目的方式使粒子摆脱局部最优解对其的吸引;同时为了克服粒子种群多样性降低带来的影响,将粒子的相对适应度方差引入到Maximin计算公式中.然后基于Pareto最优的概念,利用方差Maximin策略来评价最优解,并保存在可变的外部精英集中,以保证结果的分布性良好.最后,该方法在仿真中取得了良好效果,可以更广泛地应用到复杂工业多目标优化领域中.     

双层多目标规划问题的Pareto有效解

研究双层多目标规划问题，提出了“双级Ｐａｒｃｔｏ有效解”和“带权数双级Ｐａｒｃｔｏ有效解”的概念，建立了对应的最优性条件．利用这些条件，我们可以设计求解双层多目标规划问题的算法．     

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) .     

求解环境经济调度问题的多目标差分粒子群优化算法

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电力系统环境经济调度问题。算法通过对Pareto最优解集的差分演化来增加Pareto最优解的多样性;通过循环拥挤距离来控制归档集中非劣解的分布,以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赌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因子的动态变化可增强算法的全局搜索能力。对电力系统环境经济负荷分配模型进行仿真,并与文献中的其他算法进行了比较。结果表明,改进的算法能够在保持Pareto最优解多样性的同时具有较好的收敛性能。     

群体多目标决策的联合有效解类及其最优性条件

群体多目标决策是群体决策的一个新的研究方向．一些学者曾借助群体效用函数引进群体多目标决策问题有关效用解的概念，并且给出若干求解的方法．本文撇开效用函数的介入，直接依据由各多目标决策问题的Ｐａｒｅｔｏ有效解表示的供选方案的有效数，引进了决策群体在供选方案集上的偏爱关系．由此，定义了群体多目标决策问题一类联合有效解的概念．同时，建立了这些联合有效解类要满足的Ｋｕｈｎ－Ｔｕｃｋｅｒ型最优性条件．     

Pareto弱有效集的性质探讨

给出了多目标最优化中关于Pareto弱有效集表示的一种新型的方法,即把弱有效集表示成两个集合之差,从而得到了一系列与目标集及控制锥的和、差、交及并相关的弱Pareto有效集的性质.     

分布协同Bayesian优化方法求解调度问题

针对BOA(B ayes ian O ptim ization A lgorithm)求解实际调度优化问题速度较慢的缺点,提出一类基于强化学习协调的分布BOA求解算法。首先将BOA优化算法与协同进化机制相结合,构建分布并行的系统结构,然后给出基于强化学习的混合决策算法,将强化学习对优化解的先验概率估计与BOA后验概率估计相结合,增强局部控制器之间的协同性,提高算法的优化搜索能力。给出的算例仿真结果表明,所提算法在优化性能上比典型BOA算法平均提高了2.2%,收敛性能平均提高了11.4%。