面向多目标优化问题的基于Species的遗传算法

为了能够快速准确地获得多目标优化问题的一组非支配解,提出了一种基于Species的多目标遗传算法.该算法采用Tchebycheff方法构建一定数量的子问题,进而基于Species机制构造多种群实现了对多个子问题的并行求解.这种采用多个体对一个最优解的搜索方式提高了算法的探索能力和开发能力.最后,对一组标准测试函数进行仿真实验,结果表明所提出的算法能够快速准确地获得一定数量的非支配解.     

二层多目标决策问题的等价变换及其全局优化

针对求解一类二层多目标决策问题,首先将其转化为等价的单目标决策问题,然后利用遗传算法优化的反演性和混沌优化方法的遍历性,并结合精确不可微罚函数求解非线性约束优化问题,提出了求解此类问题的混沌遗传算法.该方法能够有效改善遗传算法的局部搜索能力和搜索精度,求解精度和可靠性较高.实际算例表明是可行、有效算法.     

求解约束优化问题的一种新的进化算法

分析了现有的约束优化进化算法的一些不足之处，提出了一种处理约束优化问题的新算法。新算法将多目标优化思想与全局搜索和局部搜索机制有机地结合起来；在全局搜索过程中，作为一种小生态遗传算法，排挤操作利用Pareto优劣关系比较个体并接受具有相似性的父代个体和予代个体中的优胜者；在局部搜索过程中，首先对局部群体中的个体赋予Pareto强度，然后根据Pareto强度选择个体。通过一个复杂高维多峰测试函数验证了新算法的有效性。     

多目标优化问题的研究

针对传统方法求解多目标优化问题的局限性,应用一种新的算法求解。遗传算法从问题解的串集开始搜索,覆盖面大,可以同时处理群体中的多个个体,利于全局择优,减少陷入局部最优的风险,而最小生成树具有过程简单清晰、适用性广泛的特点,结合两者的优点,构造了基于生成树的遗传算法。首先通过加权目标规划法求出最优解,然后通过遗传算法和基于生成树的遗传算法求解,结果表明,对于小规模的多目标优化问题,两种算法都可以求出最优解,在求解时间方面,基于生成树的遗传算法比遗传算法更优越。     

基于RHC的航班进港排序多局部搜索GA优化算法

为解决航班进港排序难以应对动态环境下航班信息变化的问题,首先建立了一种基于滚动时域控制的机场进港航班动态排序优化模型,并将存储时域上的航班进港优化序列作为后继时域航班排序的启发信息;然后提出了一种基于滚动时域控制的多局部搜索遗传算法对问题求解,给出了一种以存储的航班优化信息为基础的种群初始化策略;针对遗传算法易陷入局部最优的不足以及单一局部搜索难以取得很好收敛效果与满意解的现状,提出的多局部搜索遗传算法,在不同时期采用不同的局部搜索策略,其中定向局部搜索根据个体、基准个体的基因结构和适应性调整最大搜索速度;最后,大量仿真实验结果证明了所提模型与算法的有效性以及算法的稳定性,并由实验结果得出了航班排序问题的相关特性结论.     

一类二层多目标规划的混沌遗传优化算法及其应用

针对求解一类二层多目标规划问题,首先将其转化为等价的单目标规划问题,然后利用遗传算法优化的反演性和混沌优化方法的遍历性,并结合精确罚函数求解非线性约束优化问题,提出了求解此类问题的混沌遗传算法.该方法能够有效改善遗传算法的局部搜索能力和搜索精度,求解精度和可靠性较高.实际算例表明,算法是有效可行的.     

改进的多目标遗传算法在无人机机翼结构优化中的应用

现有的多目标遗传算法往往只能求得整个非劣曲线的一部分,同时局部搜索能力差,收敛速度较慢。为了解决这些问题,提出了一种改进算法,该算法将非劣分层遗传算法(NSGA)与向量评估遗传算法(VEGA)的优点结合起来,并且提供了一个利用往代信息构造搜索方向的局部搜索算子,有效扩展了非劣曲线的范围,加快了收敛速度。以某无人机机翼结构的多目标优化问题为例,证明本文改进算法可以较为快速地获得一个分布均匀的非劣解集。     

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。     

利用改进的遗传算法求解非线性方程组

提出一种改进的求解非线性方程组的浮点遗传算法,算法通过把非线性方程组的求解问题转化为约束优化问题,然后将局部搜索信息引入遗传算法,通过改进的变异算子不断调整搜索区域,最终搜索到含有最优解的区域,再利用局部搜索信息提高解的精度.数值实验结果表明,改进后的浮点遗传算法具有较好的全局优化能力和局部搜索能力,且提高了求解的速度和解的精度.     

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.     

一种离散型多目标粒子群优化算法

为获得更好的非劣前端,提出一种离散型多目标粒子群优化算法。该算法根据离散型多目标优化问题的特点,将种群分成多个子种群,在各个子种群中利用表现型共享的适应度函数选择每个子种群的最优粒子。通过多个最优粒子的引导,使整个种群分布更均匀,避免陷入局部最优,保证了解的多样性。实验表明了该算法的有效性。     

新型混沌粒子群算法在TSP中的应用

针对旅行商问题,提出一种结合混沌优化和粒子群算法的新型混沌离散粒子群方法(CIPSO)。新算法根据此类组合优化问题解的固有地形特征,利用混沌运动的遍历性、随机性等特点进行求解,其基本思想是在求解过程中对粒子进行混沌扰动避免陷入局部最优,并引入群体间粒子的交叉作用来提高寻优效率。通过与遗传算法、蚁群算法和模拟退火算法等比较以及不同TSP问题的仿真实验发现,该方法是一种能进行有效优化的新方法。     

Multi-objective Particle Swarm Optimization Algorithm Based on Performance and Reliability of Discrete System Resources Configuration

Considering research on multi-objective optimization for reliability and performance suffering cost constraints in digital circuits,an improved multi-objective optimization algorithm based on performance and reliability was proposed to solve the problem of discrete system resources configuration in this paper. This algorithm used the particle-swarm optimization( PSO) to evaluate the tradeoffs configuration of the system resources between reliability and performance and proved the feasibility through the simulation.Finally, the information of resources configuration from optimization algorithm was used to effectively guide the system design so as to mitigate soft errors caused by single event effect( SEE).     

基于混沌粒子群算法的高速旅客列车优化调度

列车优化调度是一个大规模、复杂的、具有非线性离散变量和多约束的多目标数学优化问题.在优化过程中,考虑了特快旅客列车中途离开时间和整个运行时间等因素.首次将粒子群优化(particle swarmoptimization,PSO)技术引入列车优化调度,克服了传统优化方法易陷入局部最优和维数灾难等弊端.通过一个工程实例验证了该算法的可行性和有效性.同时,与现存的列车优化调度方法相比,粒子群优化方法的搜索时间短而且优化结果更接近最优解.     

用粒子群算法求解迷宫问题

针对传统算法求解迷宫问题存在效率较低的问题,提出了用粒子群算法求解迷宫问题的方法。重新设计了粒子的编码和定义了粒子的适应度值,成功实现了问题到算法的建模。针对不同类型的迷宫问题进行了实验,结果表明:算法具有较好的性能和效率。     

交叉粒子群算法及其在天线设计中的应用

目的 为了求解解析性质差的复杂优化问题,提出了一种新的交叉粒子群算法.方法 该算法将全局邻域粒子群算法与局部邻域粒子群算法交叉使用,并采用适应度距离比确定局部邻域粒子群算法的速度更新策略.结果 提高了粒子群算法粒子的搜索能力.结论 该算法用来解决六边形阵列天线问题,取得了满意的效果.     

船体双层底结构优化的粒子群优化算法

为优化船体双层底结构,在适于求解连续变量的标准粒子群优化算法(PSO)基础上,提出一种离散变量PSO算法,并利用标准PSO算法和离散变量PSO算法分别对测试函数和某大型油船双层底结构优化设计问题进行求解,该双层底结构的响应分析计算采用正交异性板计算模型实现.研究了不同取值的惯性权重和学习因子对优化结果的影响.通过对计算结果的对比分析,得出该离散变量PSO算法应用于船体板架结构优化设计时,其惯性权重和学习因子的最佳取值范围.     

基于粒子群优化的文本图像倾斜检测

提出一种基于粒子群优化算法和小波变换的无限制文本倾斜检查方法.首先对扫描的文本图像进行小波变换,然后利用小波变换的水平细节子带提取反映图像倾斜的特征,作为粒子群优化算法的适应度函数.最后利用粒子群优化算法在-90°到90°区间进行搜索,得到准确的倾斜角度.由于采用了小波变换,一方面降低了PSO搜索的计算量,又能更好地反映倾斜特征.实验结果表明,该方法能快速准确地检测出各类文本图像的倾斜角度,并具有很好的适应性,不受语言、字体、字号和非文本图形等因素的影响.最后还讨论了粒子数目、迭代次数和适应度函数对算法性能的影响.     

Optimization of the Occlusion Strategy in Visual Tracking

Interference and anti-interference are two opposite and important issues in visual tracking.Occlusion interference can disguise the features of a target and can also be used as an effective benchmark to determine whether a tracking algorithm is reliable.In this paper,we proposed an inner Particle Swarm Optimization(PSO)algorithm to locate the optimal occlusion strategy under different tracking conditions and to identify the most effective occlusion positions and direction of movement to allow a target to evade tracking.This algorithm improved the standard PSO process in three ways.First,it introduced a death process,which greatly reduced the time cost of optimization.Second,it used statistical data to determine the fitness value of the particles so that the fitness more accurately described the tracking.Third,the algorithm could avoid being trapped in local optima,as the fitness changes with time.Experimental results showed that this algorithm was able to identify a global optimal occlusion strategy that can disturb the tracking machine with 86.8%probability over more than 10 000 tracking processes.In addition,it reduced the time cost by approximately 80%,compared with conventional PSO algorithms.     

离散粒子群优化算法研究综述

粒子群优化(PSO)算法最初是基于连续空间的优化,然而现实世界中许多问题是离散的,近年来其离散化策略和方法受到广泛的关注.本文简要介绍PSO算法的工作原理和粒子更新机制、算法参数的分析与设置,详细介绍PSO算法的三种常见离散化策略的机理及其粒子更新机制,阐述离散PSO算法的应用成果,最后对其未来的研究方向进行展望.