基于改进人工蜂群算法的高维多目标优化

为了提高高维多目标优化算法的收敛性和分布性,提出基于改进人工蜂群算法的高维多目标优化算法。首先,利用一种改进的适应值评价方式定量比较高维多目标中个体的优劣;其次,改进人工蜂群算法,使种群迅速收敛于最优的非支配前沿;最后,建立新的分布性维护机制使所获得的非支配解分布均匀、覆盖整个最优前沿。研究结果表明:对于3~8个目标的DTLZ系列测试函数,与PISA算法等几种较流行的高维多目标算法相比,本文方法收敛性好,解集覆盖范围广且分布均匀.     

基于多种群的高维多目标混合进化算法

目的 基于多种群的高维多目标混合进化算法求解高维多目标优化问题.方法 使用K-means聚类将初始种群划分为若干个子种群,引入粒子群优化算法加快种群的收敛速度;引入遗传算法提高解的质量;引入差分进化算法维护种群的多样性.此外,提出基于角度选择的存档机制进行子种群间的信息交流,进一步增加了种群的多样性.结果 与结论 在DTLZ标准测试集函数上进行仿真实验,数值结果表明MaOEA MP在大多数测试实例上具有较好的收敛性与多样性.     

基于区域失衡子空间的领先NSGAII算法

针对传统进化算法求解多目标优化问题时存在计算量大、难以平衡收敛速度和种群分布均匀性的问题,本文提出了一种基于区域失衡子空间的领先NSGAII算法(NSGAII-URS).首先,基于NSGAII算法,结合局部搜索算法,在每次遗传过程中添加种群领先解解集,引导种群快速收敛;然后,将非支配解所在的目标空间均匀划分,提出稀疏子空间和空闲子空间的概念,通过基于稀疏度的局部搜索策略对失衡子空间优化,进一步提升种群分布的均匀性.我们将本文方法与其他5种先进的多目标进化算法比较,通过基准测试函数进行验证,并采用反世代距离(IGD)和超体积(HV)两个通用指标进行性能评价.实验结果表明,该算法在解的分布性和收敛性方面明显优于对比的其他多目标优化算法.     

一种新的全局排序高维多目标优化算法

针对传统高维多目标优化问题解决方法存在解集收敛性与解集分布均匀性缺陷的问题, 提出将全局排序方法与灰色关联分析两种方法相结合, 设计一种新的全局排序高维多目标优化算法. 通过设计最小函数值母序列和个体目标函数值子序列, 利用灰色关联分析法计算其关联度, 并结合个体目标适应度计算策略, 解决解集分布不均匀的问题. 该算法不仅可提高非支配个体的选择能力, 还具有良好的收敛性. 为测试该算法的性能, 选择3种经典多目标进化算法, 在标准测试函数集DTLZ{2,4,5,6}上进行对比实验. 实验结果表明, 该算法在解决高维多目标问题时, 其收敛性与解集分布均匀性均优于其他3种算法.     

基于两阶段参考点三层选择的多目标优化算法

为解决Pareto支配收敛速度慢、PBI聚合在不连续的Pareto前沿上分布性差及运行效率低的问题,基于两阶段参考点三层选择,提出了一种多目标优化算法(multi-objective evolutionary algorithm for two-stage reference point three-hierarchy selection,TT-MOEA).该算法首先提出两阶段参考点策略,算法前期设置较少的参考点,使种群快速收敛,提高运行效率;算法后期设置较多的参考点,改善种群的多样性.其次提出三层选择策略,第一层为了加速收敛采用有效的非支配(effective non-dominated sorting, ENS)选择;第二层综合考虑收敛性与多样性采用PBI(penalty-based boundary intersection)依次选择;第三层为了增加多样性采用小生境选择.5种标准测试函数的计算结果证明了本文算法的可行性与有效性.     

基于目标空间分区的稳态高维多目标进化算法

针对高维多目标优化中Pareto非劣候选解所占比例很大,常用的先考虑收敛性再考虑分布性的多目标进化算法面临选择压力衰减的问题,提出一种先考虑分布性再考虑收敛性的高维多目标进化算法——基于目标空间分区的稳态高维多目标进化算法(SS-OSP).该算法先采用目标空间分区策略将种群按照权重向量分为多个子空间,在每个子空间中按照分解方法中的聚合函数选择个体;然后,考虑到常规的PBI聚合函数的罚参数在进化过程中一直保持不变的情况,提出一种自适应PBI聚合函数;最后,仿真实验结果表明所提出的算法与其他三种算法相比,具有更好的收敛性和分布性.     

基于动态扩张角的广义Pareto支配优化算法

NSGA-Ⅱ算法在处理高维多目标问题时解集的区分度变得很差,对此,有学者提出了基于扩张角的广义Pareto支配优化算法(GPO-NSGA-Ⅱ),即通过改变扩张角来调整解的支配区域,从而调整解集的区分度,进化过程中扩张角保持恒定。本文在GPO-NSGA-Ⅱ算法的基础上提出了随着种群进化扩张角动态改变的广义Pareto支配优化算法(DGPO-NSGA-Ⅱ),通过动态调整种群进化过程中的扩张角来影响种群进化的选择压。扩张角的动态调整采用线性减小方式,即随着种群的进化将扩张角从初始扩张角线性减小为0。为保证获得一个较好的初始扩张角区间,对种群进化的不同扩张角进行了大量对比实验。将该算法与GPO-NSGA-Ⅱ、NSGA-Ⅱ在测试函数上进行对比实验,结果表明该算法能以更高的精度更快地收敛到理论前沿,个体分布也更均匀。     

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) .     

基于差分算法的异构移动节点分布优化策略

针对监测区域中目标非均匀分布的情况,提出一种解决异构移动无线传感网络环境中节点布局的差分优化策略.该策略以网络的有效覆盖率为优化目标,指导种群进化,加快算法收敛速度.仿真结果表明差分优化算法能快速有效地实现异构移动无线传感节点布局优化.与虚拟力算法相比,差分优化策略不仅网络覆盖率高,且收敛速度快,耗时少.     

基于演化多目标算法的混合流水作业调度优化

针对供应链网络优化领域中的混合流水作业调度问题提出了一种新的多目标演化优化算法。给出了这类问题的通用优化模型，在此基础上，提出了基于流程的矩阵基因编码方案，动态适应度分配机制，并引入小生境保优策略构造了算法过程，利用收敛进程参数分析了算法的收敛性能。性能分析和算例实验表明算法对于高维多目标优化问题是有效的，且能够以较快的速度收敛。     

动态参数调整的多策略差分进化算法

针对差分进化算法在处理函数优化问题时存在的收敛速度较慢和过早收敛的问题,提出了一种动态参数调整的多策略差分进化算法.先将种群随机分为3个独立的子种群,分别采用3种不同的变异策略来避免种群陷入局部最优,并通过动态参数调整机制提高算法的收敛性能.经过一定代数的进化后,将种群中的优秀个体进行择优保留.采用CEC2005的25个标准测试函数对算法进行仿真,实验结果表明,新算法能够有效避免过早收敛,具有较好的优化性能.     

桁架结构多目标优化的免疫克隆选择算法

为了解决带有约束的结构多目标优化问题,将免疫克隆选择算法应用于桁架结构的多目标优化设计中.根据免疫学基本原理,采用非支配邻域选择机制、比例克隆和精英策略,使算法很好地保持了所得解的多样性、均匀性和收敛性.在桁架结构优化的数学模型中,采用惩罚函数法处理违反约束的情况.为了验证所提算法的可行性和有效性,对经典桁架进行了优化,并与其它方法作比较,数值结果表明,该算法在收敛速度、时间消耗和求解质量上均具有一定的优势.     

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。     

基于模糊非支配排序遗传算法的多车型快速路交通拥堵和排放优化

以优化城市多车型快速路交通系统拥堵和排放为目标, 综合考虑了走行时间(total time spent, TTS)、走行距离(total travel distance, TTD)、匝道排队、尾气排放和燃油消耗这5个性能指标, 改进了多车型快速路宏观交通流模型Multi-class METANET和多车型排放模型Multi-class VT-macro. 提出了一个新的高维多目标优化算法——模糊非支配排序遗传算法(fuzzy non-dominated sorting genetic algorithm, FNSGA-Ⅲ), 对快速路的匝道汇入率和主路的可变限速(variable speed limit, VSL)值进行了优化, 实现了缓解主路和匝道交通拥堵以及节能减排的目标. 提出的FNSGA-Ⅲ算法, 基于自适应模糊推理系统(adaptive network-base fuzzy inference system, ANFIS), 对下一时刻高维多目标优化的超平面进行预测, 能够有效引导算法在迭代过程中的进化方向, 提高算法的收敛速度. 基于上海市广中路实际路网进行仿真实验. 结果表明, 与现有的单目标遗传算法和高维多目标NSGA-Ⅲ算法相比, FNSGA-Ⅲ算法结合改进的多车型宏观交通流模型, 可以更合理地设置期望速度与匝道控制策略, 更为有效地环缓解快速路的交通拥堵和排放.     

基于黄金正弦与重启机制的二进制樽海鞘算法

针对樽海鞘算法在解决优化问题时存在收敛速度慢，易陷入局部最优解等问题，提出一种基于黄金正弦与重启机制的二进制樽海鞘改进算法.利用佳点集策略进行种群初始化，提高种群多样性；使用黄金正弦算法对樽海鞘领导者位置进行二次更新，提升算法的收敛速度和精度；在追随者位置更新过程中引入重启机制，防止算法陷入局部最优.为验证改进算法的性能，选取8个经典基准函数进行仿真实验，通过标准差评估、Wilcoxon检验及收敛速度对比等方法进行对比分析，结果表明，与现有5种二进制群优化算法相比，改进算法的收敛速度和寻优精度均有明显提升.     

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.     

求解多目标数值优化问题的量子演化算法

为提高多目标数值优化问题解的收敛速度并保持解的多样性,基于多目标优化和量子计算原理,提出了一种量子演化算法.首先,根据多目标优化特点,使用多目标密度比较算子对量子种群进行排序和筛选;然后,应用非均匀变异算子对观测种群进行变异以保持解的收敛性并提高局部搜索的能力;最后,使用多样性保持算子对观测种群进行删减以保持解的多样性. 实验结果表明,与NSGA-II算法相比,文中算法具有更高的收敛速度和更好的种群多样性.     

融合简化粒子群的教与学优化算法

教与学优化算法(teaching-learning-based optimization algorithm,TLBO)是一种基于班级"教师阶段"和"学生阶段"的新型群智能优化算法.针对算法求解高维非线性复杂优化问题时精度较低的缺点,提出一种混合的教与学优化算法(HTLBO).首先,对"教师阶段"中的学生平均水平重新定义,并采用一种自适应策略根据粒子的适应度值对学习因子动态取值;然后,在迭代的过程中,根据适应度值将种群分成两个子种群,对于适应度值好的子种群采用改进的教与学优化算法(ATLBO)更新以增加种群的多样性,对于适应度值差的子种群采用简化粒子群算法(SPSO)以提升子种群的收敛性;最后,通过10个无约束优化问题进行对比测试实验,结果显示,HTLBO在探索性能和收敛速度方面优于TLBO等其他4种类型的算法.     

基于自适应网格混合机制的多目标粒子群算法

当粒子群算法(PSO)解决多目标优化问题时,由于PSO有较快的收敛效果,使得种群在寻优过程中多样性不足,易使算法早熟收敛.为有效设计多目标粒子群算法,提出基于自适应网格混合机制的多目标粒子群算法(ammmMOPSO).该算法采用自适应网格和混合机制的一种双重维护策略,以保证外部存档中的非劣解分布均匀,避免种群快速退化,...     

双种群协同下带混沌闪烁机制的萤火虫算法研究

针对萤火虫算法处理高非线性、多极值的复杂工程优化问题所存在的快速收敛与早熟、全局探索和局部探索之间的矛盾,提出了一种在双种群策略下具备混沌闪烁机制的萤火虫改进算法。首先,通过引入混沌闪烁因子ξ调制萤火虫运动状态,模拟萤火虫发光习性,能够在保持种群内个体自主动力性的前提下大幅提升算法的收敛速度;同时,使用双种群策略进行全局种群和局部种群的划分,保持种群间信息交互,有效平衡了算法全局探索和局部探索的能力,降低了陷入局部最优的风险。采用经典单模、多模测试函数集对算法进行测试,结果表明,在相同种群规模和迭代次数下,算法能够提高收敛速度,避免了局部最优,从而达到更好的寻优效果。部分测试函数收敛精度相比于其他算法,可得到5、6个数量级以上的提升,而且算法也能够在相对最少的函数评价次数内满足精度要求。