基于差分演化的改进多目标粒子群优化算法

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多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．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睹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...     

基于模型的多目标优化问题方法研究

基于模型的多目标优化方法目的是创新一种通过黑箱评估的多目标函数优化算法,该算法从解空间上的混合分布中迭代生成候选解,并根据采样解的控制数来更新混合分布,求解过程的搜索偏向于Pareto最优解的集合。算法在解空间上寻找混合分布,使得混合分布的每个分量都是以帕累托最优解为中心的简并分布,并且每个预计的Pareto最优解都通过一个阈值距离均匀地分布在Pareto最优解集上,实验通过几个基准函数和方法证明了该算法的性能。     

基于偏好信息的多目标旅行商问题Pareto优化求解

多目标旅行商问题(MOTSP)是经典旅行商问题的扩展,其优化目标包含了距离、成本、收益及风险等多个相互冲突的指标.本文提出了一种基于偏好的Pareto演化算法p-PEA用于建模并求解此NP-hard问题.该优化算法建立在MOTSP的智能体仿真模型之上,从而解决了数学建模不能真实再现实际MOTSP中众多影响因素的问题.通过仿真的方法,算法能够得到MOTSP可行解的各项评价指标值.在此基础士,通过设计演化算法搜索问题的Pareto优化解集.其中,将决策者的决策偏好信息引入到Pareto优化解集的求解过程中,所得结果将更合理.最后,以一个130个城市的旅行商问题为例验证了算法的有效性.     

基于多目标布谷鸟搜索算法的装配式住宅安装施工调度

针对装配式住宅在实际施工过程中,工序的施工差异以及项目资源的限制对工程项目调度问题的影响进行深入研究。首先,以最小化施工完成时间以及最小化人工成本为优化目标,构建了多目标优化的数学模型。其次,基于问题的困难程度和其他优化算法的特点,采用多目标布谷鸟搜索算法对该模型进行求解,然后针对原先多目标布谷鸟搜索算法的不足,提出对步长因子和丢弃概率进行改进以提高算法综合性能。最后,以某装配式住宅小区安装施工问题为例,检验模型和算法的适用性,并根据结果对项目资源进行科学有效的调度。     

基于Pareto的双群体多目标微分进化算法

针对多目标优化问题微分进化是一种简单、快速且具有鲁棒性的进化算法.提出一种基于Pareto的双群体多目标微分进化算法(DEPDP),DEPDP与传统微分进化区别在于:个体的变异操作和选择方式.DEPDP的变异过程类似于粒子群优化的粒子速度更新操作,即包括可行解个体,也有不可行解个体的参与;在个体的选择过程中,组合修正后的不可行解介体和可行解个体,并采用—种特殊的“非劣排序和等级选择过程”确定出新一代种群.仿真实验表明:相比其他比较算法,DEPDP获得的Pareto最优解有着良好的多样性均匀分布特点,接近真实的Pareto前沿,收敛性也较好.     

一种新的求解复杂多目标优化问题的进化算法

复杂多目标优化问题通常有大量的Pareto有效解,并且存在部分Pareto有效解容易求出,而部分Pareto有效解很难得到的情况。已有的多目标进化算法在设计进化算子时都没有考虑Pareto有效解的求解难易程度,都是使用固定的杂交变异概率,因而在求解复杂多目标优化问题时效率不高。用带权重的极大、极小策略,通过专门设计的权重得到一组适应值函数,同时进一步构造了随进化代数变化的杂交、变异概率,其大小根据求解有效解的难易程度自动调节,提出的多目标进化算法的效率大大提高,并能求出有效界面上相对均匀分布的有效解。数值仿真表明了本算法非常有效。     

求解多目标规划问题的Pareto多目标遗传算法

针对传统的多目标优化方法的局限性，提出用于多目标规划问题求解的Pareto多目标遗传算法。实验结果表明，该算法是可行有效的，而且能为决策者提供满意解。     

用多目标动态规划求解拆卸序列的Pareto最优前沿

针对拆卸序列多目标优化问题，考虑拆卸任务先后顺序约束，提出基于改进的与/或图(Transformed AND/OR Graph, TAOG)和基于Pareto占优概念的多目标动态规划(Multi-Objective Dynamic Programming, MODP)求解方法。与其他多目标优化方法相比，MODP不需要调整计算参数和考虑参数变化对解的影响，并可获得问题的Pareto最优前沿，是求解拆卸序列多目标优化问题的精确算法。通过求解算例，验证了提出方法的可行性和高效性。     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

改进非支配排序遗传算法求解多目标Agent联盟

采用典型多目标进化算法-NSGA-II对从任务角度进行抽象建模所得到的Agent联盟模型进行生成优化,并针对Agent联盟生成存在的特点,将Pareto最优概念与多目标优化相结合对NSGA-II算法进行改进,从而实现兼顾联盟收益、开销、时间约束等多个目标。仿真对比实验结果表明,算法运行一次可以获得多个Pareto最优解,为各个目标之间权衡分析提供了有效的工具,在满足性能要求下,可为联盟生成提供满足多个设计目标的全局优化方案,对联盟实际应用具有借鉴与应用价值。对联盟实际应用具有借鉴与应用价值。     

速度时变的多中心半开放式车辆路径问题研究

针对多中心半开放式车辆路径问题,考虑软时间窗约束和车辆速度变化情况,构建了最大化平均客户满意度、最短配送距离和最小配送成本为目标的优化模型,并设计了两阶段求解算法.基于自适应网格密度法和邻域拥挤密度法对多目标粒子群算法的外部档案进行维护及选取全局最优粒子,提高算法的收敛性和后期种群多样性,以获得初始可行解.用变邻域搜索...     

基于对位学习多目标遗传算法的板形板厚控制

提出了一种基于对位学习多目标遗传算法的板形板厚控制系统设计方法。该方法给出了控制系统的结构,建立了板形板厚控制器参数的多目标优化模型,并采用对位学习多目标遗传算法对该模型进行多目标优化,得到一组控制器参数的Pareto解。在其中选择三个Pareto解对应的控制器参数,作用于板形板厚控制系统做仿真研究。结果表明,所得到的Pareto解集中选定区域的解都可以使系统具有满意的性能,并且对扰动有较好的抑制作用,证实了该方法的有效性。     

多智能体量子多目标进化算法及其在EELD问题中的应用

环境经济负荷分配问题是电力系统中重要的多目标优化问题。求解多目标优化问题的关键在于找到尽可能多的Pareto最优解。在基于量子进化理论,智能体的竞争、学习能力和生物的进化策略的基础上,提出了一种用于求解多目标优化问题的量子编码的多智能体进化算法。该方法将智能体分布在多智能体网络环境中,智能体之间通过量子进化来生成问题的可行解。将该算法应用于经济环境负荷分配的两目标(燃料成本和NOx排放)与三目标(燃料成本,NOx排放和SO2排放)优化问题,通过与经典多目标优化算法进行比较,表明了该算法的有效性。     

多目标优化设计中的Pareto遗传算法

遗传算法的随机性和隐含并行性,使它能同时搜索到多个局部最优解并获得最优解集。为了发挥遗传算法群体搜索的优势,提高多目标优化设计效率和灵活性,在自适应遗传算法的基础上引入群体排序技术、小生境技术和Pareto解集过滤器,建立了一种适用于多目标优化设计的Pareto遗传算法。以Pareto前沿面的形式给出优化设计的Pareto最优解集,供设计者按设计意愿选择最优的设计结果。采用Pareto遗传算法进行跨声速翼型的多目标优化设计,设计结果表明,Pareto遗传算法是十分有效的,完全可以用来进行多目标优化设计。     

多载量小车节能调度的多目标动态规划算法

为有效平衡混流装配的生产效率与能耗,提出多目标多载量小车物料搬运节能调度方法,将能耗目标约束引入传统多载小车物料搬运调度模型,建立最小化最大线边库存与总能耗的多目标混合整数规划模型。为获得问题模型的Pareto解,提出基于时间窗与支配规则的正向多目标动态规划算法：根据问题性质,定义了多载量小车节能调度问题新的状态表示方式以获得动态规划算法的无后效性,同时引入时间窗与支配规则以减少对非支配解的搜索,有效提高了计算效率,运行时间缩短8.10%以上,仿真结果验证了该方法的优越性和算法的可行性。     

基于改进蚁群优化的多目标资源受限项目调度方法

多目标资源受限项目调度是一类典型的NP难组合优化问题,具有广泛的实际应用背景.本文提出了一种带局部搜索的改进蚁群优化算法用于求解多目标资源受限项目调度问题,优化指标为最小化项目工期和资源投资.首先,采用改进的蚁群优化算法获取Pareto解集;其次,通过基于带逻辑约束的Insert和Swap邻域搜索方法对已获得的非支配解进行局部搜索,进一步提高算法的性能;最后,基于PSPLIB国际标准测试集的数值仿真实验与现有最好的算法比较,验证了所提算法的有效性和高效性.     

两级排序遗传算法在柔性工作车间调度中的应用

由于在遗传算法的搜索寻优过程中种群有收敛于单一个体的趋势,为了减轻这种趋势,在Pareto多目标遗传算法的基础上做了一些改进,即用Pareto最优概念对种群进行第一级排序,然后计算种群中每个个体与同Pareto级别所有个体之间的全局拥挤距离作为该个体的次要属性进行第二级排序,根据这两级排序的结果进行联赛制选择操作和交叉变异操作。为了验证算法的性能,以多目标柔性工作车间调度问题作为实例并针对柔性工作车间调度问题的特点设计了相应的交叉变异方法。仿真结果表明该算法可以产生更多的分布在非劣解前沿上的解。     

火力分配多目标规划模型的改进MOPSO算法

提出一种改进的多目标粒子群优化算法(multi-objective particle swarm optimization, MOPSO)算法,通过化解约束条件、修改速度和位置更新等使该算法适于求解火力分配多目标规划模型。最终求解的非劣解集构成Pareto前沿,体现增加火力单元数量对射击效能的影响,决策者可按照意图从中选取最终解。不考虑多目标规划模型中的属性目标,对敌毁伤概率随迭代步数演变与单目标函数相比,收敛性能相同,最大值相近,验证了所提算法的有效性。     

基于目标总损失量择优的有限解集多目标决策方法

基于灵敏稳健性设计思想,定义了单目标优化时的单目标损失量和多目标优化问题中的目标总损失量;继而对基于重要度的损失权重系数确定方法进行详细研究,并提出了基于目标总损失量择优的有限解集多目标决策方法,旨在选择候选解集中受不确定因素和设计变量误差的影响最小、敏感性最低的Pareto解为最终方案;最后以卫星附件控制系统为例进行仿真,充分验证了此方法的有效性和可行性。     

基于多目标萤火虫膜算法的学习效应生产调度问题北大核心CSCDCSSCI

针对复杂的生产环境,建立基于学习效应的多目标置换流水车间调度问题模型。设计嵌套有萤火虫算法的膜算法,改进其邻域搜索策略,对构建的模型进行寻优求解。利用Car类基准测试问题测试萤火虫膜算法的性能,并通过与萤火虫算法和粒子群算法的对比,验证了萤火虫膜算法在求解置换流水车间调度问题中的可行性和有效性。利用膜算法求解得到的不同学习率下置换流水车间调度问题的最大完工时间及总流经时间,构建Pareto最优解集,分析不同学习效应因子对多目标置换流水车间调度问题的影响程度。