求解复杂多目标优化问题MOEA/D-GEP算法

针对复杂多目标优化问题,提出一种基于演化建模的MOEA/D（基于分解的多目标遗传算法）求解算法（MOEA/D-GEP）.该算法利用MOEA/D算法思想分解多目标优化问题,对分解后得到的可行解用基于模拟退火的GEP算法建模,从中选取预测值较好的点进入下一次真实适应值的计算.采用国际公认的ZDT,DTLZ等测试函数进行实验验证,并与MOEA/D-EGO演化多目标优化算法进行了比较.实验结果表明：该算法在IGD性能指标上有较好的表现,说明将演化建模技术引入MOEA/D算法提高了种群个体分布模型的精度,降低了求解复杂多目标优化问题的计算成本.     

基于网络对抗火力分配的改进量子免疫克隆算法

考虑对于目标与目标组成网络的攻击总收益最大、自身消耗最小的原则,建立网络对抗条件下火力分配多目标优化模型,引入随机网络拓扑结构,分析火力分配方案对于随机网络的攻击效果,采用改进量子免疫克隆多目标算法对模型进行求解。通过实验仿真,分析攻击收益与不同弹药成本之间的变化情况,发现使用改进算法得到火力分配方案的攻击效率比标准算法平均高出23%;对算法的收敛性与Pareto解分布的均匀性进行研究,发现改进算法得到的Pareto解分布均匀性比标准算法提高了42%,验证了模型的有效性以及改进算法的优越性。     

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。     

修正的HS共轭梯度算法的全局收敛性

对求解无约束优化问题的共轭梯度法中的方向参数给定新的区间取法,将HS共轭梯度参数限制在此区间上,保证搜索方向是目标函数的充分下降方向,在此基础上提出了修正HS共轭梯度算法(MHS),并在较弱的条件下讨论了新算法在广义Armijo步长搜索下的全局收敛性.数值试验结果表明,新算法比广义Armijo步长搜索下的FR、PR、HS共轭梯度算法有效.     

基于DMOEA/D-ET算法的焊接机器人多目标路径规划

弧焊机器人在实际生产过程中可以提高生产效率.文中对弧焊机器人焊接过程中的路径长度与能耗进行优化,由此提出了一种基于事件触发的自适应邻域离散多目标优化算法(DMOEA/D-ET).该算法以更新粒子比率作为事件触发机制,通过事件触发机制协调全局搜索与局部搜索.采用网格法进行全局搜索,使用基于分解的多目标进化算法(MOEA/D)进行局部搜索,并通过采用自适应邻域策略改善MOEA/D算法解的分布不均问题.通过和其他5个算法在3个TSPLIB问题上进行测试对比,发现所提出的算法具有较好的性能.最后对平衡梁模型的焊接过程进行多目标优化,并与其他5个多目标算法对比,结果表明文中提出的算法得到的优化结果更贴近真实前沿面,解的分布更好.     

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、...     

结合Armijo步长搜索的新三项共轭梯度算法及其收敛特征

对求解无约束优化问题提出了一类新的三项共轭梯度求解算法,在去掉迭代点列{xk}有界和Armijo步长搜索下,讨论了算法的全局收敛性,同时给出结合FR、PR、HS共轭梯度参数的三项共轭梯度算法,数值算例表明新算法比Armijo步长搜索下的FR、PR、HS共轭梯度算法有效。     

结合Armijo步长搜索的一类新记忆梯度算法及其收敛特征

对于求解无约束规划的共轭梯度算法中的共轭梯度方向参数，给定一个假设条件，确定它的一个取值范围，以保证搜索方向是目标函数的充分下降方向，由此提出了一类新的记忆梯度算法。在去掉迭代点列有界和Armijo步长搜索下，讨论了算法的全局收敛性，同时给出了结合FR、PR、HS共轭梯度算法的修正形式。数值实验表明，新算法比Armijo步长搜索下的FR、PR、HS共轭梯度法更稳定、更有效。     

基于记忆策略的动态分解约束多目标进化算法

针对现有面向多目标优化问题的约束处理方法存在求解效率不足,基于分解策略的多目标进化算法受到约束限制导致求解性能低的问题,提出一种基于记忆策略的动态分解约束多目标进化算法.本文首先引入具有记忆功能的归档集,改进基于短暂忽略非容许解的约束处理方法,提高算法的求解鲁棒性.然后结合基于分解的多目标进化算法,设计一种动态分配搜索...     

改进MOQPSO算法的多平台多武器火力分配

针对多目标粒子群优化算法在求解火力分配过程中容易陷入局部最优的问题，提出一种改进的多目标量子粒子群优化（Multi Objective Quantum Behaved Particle Swarm Optimization, MOQPSO）算法。通过改进编码方式、修改位置更新公式、引入高斯变异和更新外部档案等方法，使该算法适于求解多平台多武器火力分配多目标优化模型。对规模不同的2个作战想定分别采用改进MOQPSO算法和MOPSO算法进行求解。对多目标优化与单目标优化模型的收敛性能进行了比较。仿真结果表明：改进MOQPSO算法比MOPSO算法运算速度提高6倍左右，所求Pareto解的收敛精度更高、多样性更好，验证了所提算法的有效性和优越性。     

基于微分进化算法的防空导弹火力分配

防空导弹火力分配是防空作战中的关键环节,优化分配方案、提高分配效率都将对提升防空作战效能产生重要影响.在分析防空导弹火力分配过程的基础上,建立了基于最大杀伤效能的防空导弹火力分配模型,并引入惩罚函数,改良了原有模型;在分析微分进化算法优缺点的基础上,结合防空导弹火力分配问题的特殊性,对标准微分进化算法进行了改进,使其适用于离散问题的求解,并将其应用于防空导弹火力分配问题;结合实例对基于微分进化算法的防空导弹火力分配模型进行仿真分析.仿真结果表明,采用微分进化算法解决防空导弹火力分配问题收敛速度快、鲁棒性强、执行效率高.     

一类具有充分下降性的DL共轭梯度法

针对无约束优化问题,利用两项共轭梯度法(DL方法)去逼近改进的HS三项共轭梯度法,提出了改进的DL共轭梯度法即MDL共轭梯度法.该方法相对于DL方法具有一个更好的性质,即该共轭梯度法的搜索方向不依赖任何线搜索就可满足充分下降条件,理论上证明了该方法在Wolfe线搜索条件下对一般函数具有全局收敛性.     

基于灰狼算法的多平台火力分配优化模型

为发挥多平台协同对海突击作战优势,综合考虑打击收益及打击代价两个重要影响因素,构建多平台火力分配数学模型,并且采用改进的灰狼优化算法研究解决多平台火力分配问题,结合实例进行验证。结果表明构建的火力分配模型紧贴作战实际,所采用的灰狼优化算法可以有效优选出最佳的火力分配方案,为指挥员指挥决策提供参考依据。     

一种修正的HS共轭梯度法及其全局收敛性

对经典的HS共轭梯度法进行了修正,保证了搜索方向的充分下降性,这一性质在非精确线搜索和非凸函数情形下也是成立的.在适当的假设下证明了强Wolfe线搜索下算法的全局收敛性,数值实验表明算法数值效果良好.     

一个修正的NVPRP方法

非线性共轭梯度方法是解决大规模无约束问题最有效的方法之一,提出了一类新的修正共轭梯度算法,新算法推广了黄海东等的共轭梯度参数算法,不依赖任何线搜索且具有充分下降性;然后,在标准Wolfe非精确线搜索下,得到了新算法的全局收敛性.     

有界变量约束优化的仿射投影共轭梯度路径内点方法

采用共轭梯度路径结合仿射内点投影回代技术解有界变量约束的非线性优化问题．通过构造共轭梯度路径解二次模型获得搜索方向，引入线搜索技术获得的迭代步既落在严格可行域内，叉能使目标函数下降．基于共轭梯度路径的性质，在合理的假设条件下，证明了所提供的算法不仅具有整体收敛性，而且保持快速的超线性收敛速率．进一步，数值计算说明了算法的可行性和有效性．     

一种新线搜索下DY共轭梯度法的全局收敛性

给出一种求解无约束优化问题的新线搜索,证明由新线搜索和DY公式产生的算法具有全局收敛性,再对此算法进行数值试验,并将其数值结果与Wolfe线搜索下PRP方法、DY方法以及另外几种线搜索下DY共轭梯度法的数值结果进行比较来验证新算法是有效的.     

基于多幅图像恢复单幅图像的快速算法实现

为解决传统的单幅图像恢复算法效果不理想的情况,现有理论利用多幅图像之间的信息互补这一条件,在图像配准的基础上,通过多幅退化图像对单幅图像进行恢复,比较流行的是使用M估计(M-estimation)对图像进行配准,然后利用L1范数进行图像融合,进而提升图像恢复的鲁棒性,但其收敛速度并不理想。为了实现算法的快速收敛,通过对下降算法的搜索梯度方向改善的探究,出了基于共轭梯度下降法(conjugate gradient descent, CGD)的图像恢复算法。在此基础上对CGD图像恢复算法进行改进,利用前后估计的值之间的差信息来优化迭代时的搜索方向,也就是在后面这次搜索梯度上面加前1次和前2次估计值的差,以此增大搜索梯度值,进一步缩短迭代到最小值的时间。仿真结果表明,所提出的改进算法比基于最速梯度下降法(batch gradient descent, BGD)的图像恢复算法的收敛速度更快。     

一种新线性搜索下的混合共轭梯度法

共轭梯度法是求解大规模无约束问题的一种有效方法，文章针对算法的优劣主要依赖于步长因子和搜索方向的特点，结合共轭梯度法的共轭性质，在HS方法和DY方法的基础上，提出了一种混合共轭梯度法，并证明了全局收敛性。