增加搜索能力的多目标进化算法

提出了一种增加搜索能力的多目标进化算法.该算法是针对如何收敛到真正的Pareto最优集进行处理的.在自适应变异步长进化策略的基础上,引入变异率的概念,使得该算法在进化前能进行全局搜索,而在进化后期进行局部调节,使得算法能够快速的收敛到真正的Pareto最优集.仿真实验表明该算法的有效性.     

一种改进的自适应差分进化算法

为了提高基本差分进化算法的寻优速度和寻优效能,提出了一种改进的自适应差分进化算法(ADE).在基本差分进化算法中引入了自适应变异算子,根据每个个体与最优个体适应度值的相互关系,自动地调节变异算子值,使之在进化初期较大,随着个体逐渐接近最优值,算子值逐渐变小,确保个体向最优值快速、稳定地逼近.在每一代变异、交叉和竞争之后,又增加了与随机新种群的竞争操作,使算法易于跳出局部最优点,以提高全局搜索能力.采用4个经典的测试函数对算法进行验证,结果显示:该算法的收敛速度与收敛精度在一定程度上优于基本差分进化算法,同时也优于基于代数进行自适应变异的差分进化算法.     

深度捕食二次梯度加速差分进化算法

针对标准差分进化算法自身存在的贪婪而易于早熟的问题,提出一种深度捕食二次梯度加速差分进化算法.混合算法首先把整个搜索空间作为整体进行广泛搜索,并预设一个梯度加速触发参数,对种群中较优的个体采用基于梯度加速的局部搜索,使算法能够快速收敛到全局最优值.同时为了保持种群的多样性,设计了一种差分变异算子.通过与已有的改进算法仿真对比可知:该算法能够有效地跳出局部极值,防止算法早熟,且收敛速度快.结合相关文献对深度捕食二次梯度加速差分进化算法的工程应用进行了仿真研究,仿真结果验证了该方法的可行性和有效性.     

一种求解约束优化问题的改进差分进化算法

针对原始差分进化算法在求解约束全局优化问题时存在陷入局部最优的缺陷,提出一种改进的差分进化算法.该算法在保留原始差分进化算法全局搜索能力的基础上,采用基于规则的方法进行约束处理和种群个体的比较及选择,并利用种群相似度和最优变异操作改善种群进行全局范围搜索的多样性,提高算法跳出局部最优的能力.数值实验表明,该算法稳定性较好,目标函数评价次数较少,收敛速度较快,全局寻优能力较强,不仅能有效求解连续变量约束优化问题,也适用于离散变量或混合变量优化问题.     

基于差分进化算法的神经网络优化设计

【目的】研究解决传统神经网络手动设计网络结构的局限性,并探究差分进化算法对神经网络优化的有效性。【方法】提出了一种基于差分进化算法的多层前馈神经网络的优化设计方案,用以同时完成神经网络的权值空间和网络结构空间的搜索,给出不同场景下的最优网络结构。该算法采用（1+1）-ES二元进化策略,使用一种新的网络结构交叉和变异方法,通过双种群结构共同进化及自适应变异率等策略加快网络结构的搜索以及算法的收敛。【结果】在预测、分类等问题中,基于差分进化算法的神经网络优化设计能够较好地搜索到最优的神经网络结构,并与传统的BP神经网络以及经典的预测分类算法进行比较,实验结果具有较强的鲁棒性。【结论】基于差分进化算法的神经网络优化设计是解决网络结构寻优问题的有效方法。     

基于DNA进化算法的车辆调度问题

在建立一种物流配送车辆调度模型的基础上,针对传统启发式算法对复杂问题搜索效率低、易陷入局部最优的缺点,构造了DNA进化算法求解该问题。将其在个体变异操作中进行了一些改进,避免陷入局部最优。车辆调度问题(V SP)属于组合优化NP难题。采用V SP问题进行测试,仿真结果表明:该算法简单可行,与其他算法相比较,不但有很好的求解性能,而且具有更快的收敛能力与搜索能力。     

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.     

基于正态变异的思维进化计算

将正态变异引入到思维进化计算中, 提出了一种新的基于正态变异的思维进化计算.在算法中采取了自适应策略.试验结果表明该算法具有高效的收敛速度, 并能收敛到全局最优点.与遗传算法(Genetic Algorithm, GA)和传统的思维进化计算(Mind Evolutionary Computation, MEC)进行比较分析, 该算法收敛速度更快, 收敛率更高.     

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。     

带有自适应变异和指数递增交叉算子的差分进化算法

针对基本差分进化算法的缺陷,融入指数递增交叉算子以增加算法的收敛速度.当算法陷入早熟后,对最优个体和随机选取的个体采用随机扰动的变异策略,帮助其跳出局部极值.数值仿真实验表明,该算法的收敛速度和精度都明显优于仅带有指数递增交叉算子的差分进化算法和仅带有随机扰动变异策略的差分进化算法.     

一种基于Kriging模型加点策略的多目标粒子群优化算法

针对工程问题中优化结果误差较大的不足, 提出一种基于Kriging模型的多目标粒子群优化算法. 先利用Kriging模型的响应信息对误差进行预测, 并将预测误差引入Pareto支配关系比较、 全局领导者和局部领导者的选取及变异机制的进行过程中, 再结合文中加点策略使优化过程在少量抽样的前提下快速准确地逼近Pareto前沿解集. 性能测试结果表明, 该算法可提高复杂系统模型的优化效率及准确性.     

一种基于Kriging模型加点策略的多目标粒子群优化算法

针对工程问题中优化结果误差较大的不足, 提出一种基于Kriging模型的多目标粒子群优化算法. 先利用Kriging模型的响应信息对误差进行预测, 并将预测误差引入Pareto支配关系比较、 全局领导者和局部领导者的选取及变异机制的进行过程中, 再结合文中加点策略使优化过程在少量抽样的前提下快速准确地逼近Pareto前沿解集. 性能测试结果表明, 该算法可提高复杂系统模型的优化效率及准确性.     

TFT-LCD制造cell阶段多目标绿色调度问题研究

针对薄膜晶体管液晶显示器(TFT-LCD)制造cell阶段的多目标绿色调度问题,构建了最小化最大完工时间、总能耗和总生产成本为目标的优化模型。采用基于机器和工序的两段式编码,使用在步长因子前加入动态系数的改进布谷鸟搜索算法,结合双元锦标赛和动态淘汰制,根据聚集距离法筛选Pareto最优解来获得Pareto最优解集,对TFT-LCD制造cell阶段多目标绿色调度问题进行求解。结果表明,改进布谷鸟搜索算法优于标准布谷鸟搜索算法和带精英策略的快速非支配排序遗传算法,可以提高TFT-LCD制造cell阶段多目标绿色调度问题的求解效率和质量。     

混合变量多目标优化设计的Pareto遗传算法实现

提出了一种用Ｐａｒｅｔｏ遗传算法来实施的带约束的多目标混合变量的优化方法。得到Ｐａｒｅｔｏ最优解集,决策者从中可选出满足设计需要的解。该算法包括６个基本算子：选择、变异、交叉、离散变量圆整算子、小生境、Ｐａｒｅｔｏ集合过滤器。建立了用于多目标优化的适应度函数,使用模糊罚函数法法将带约束的多目标优化问题转换为无约束优化问题,同时提出了处理混合变量多目标优化问题中离散变量的方法。最后用算例说明了该方法     

一种多值编码遗传算法的缺失基因复现方法

与二值编码遗传算法相比,基因缺失问题对多值编码遗传算法的全局搜索性能影响比较大.提出一种缺失基因复现和存活的变异方法,即根据字符集中的字符在种群中的缺失作为预选变异基因集,然后对待变异个体集进行预变异;选择高适应度个体的对应变异基因和基因位,使其在原待变异个体集中扩散.将该方法应用到多重选择背包问题的遗传算法中,通过仿真实验验证了该方法的有效性.     

均匀邻域对位的自适应差分进化算法

针对对位差分进化算法依然存在探索能力差和早熟收敛问题,提出一种基于均匀邻域对位的自适应差分进化算法.该算法在对位点所在局部邻域作适应性的小幅均匀变异操作,用以扩大对位点的搜索区域,从而提高跳出局部陷阱的概率;在对位点均匀变异操作中,变异步长利用当前群体中所有个体在每一维度的最大最小值的差距作自适应的调节,通过实时利用群...     

一种基于ELECTRE法的多目标优化进化算法

将多目标属性决策方法中的ELECTRE法引入到多目标优化进化算法中,提出了一种新的多目标优化算法.采用辅助群体来存储进化过程中的非劣个体,并且采用与SPEA-Ⅱ相同的适应值分配策略来保证解的良好分布性.此外,构造出一种新的超序关系对个体进行排序,证明了该超序关系比Pareto优劣关系弱,利用此超序关系,能增强进化过程中的选择压,加快收敛速度.数据实验结果表明,该算法能很好地收敛到Pareto最优,有效地保持解的多样性.     

重用抗体优良片断的免疫进化算法

基于克隆选择原理与算法,通过分析具体现象阐述了改进克隆选择算法的思想来源,设计了挖掘抗体中优秀决定基因并生成记忆集、封装优秀决定基片段、用变异抗体群中亲和度高的抗体按概率替换记忆抗体群中低亲和度抗体的方法,获得了重用抗体优良片断的克隆选择算法.借鉴强度Pareto进化算法的进化框架,提出了重用抗体优良片断的免疫进化算法.该算法通过克隆选择替代选择、交叉、重组等遗传操作.在一组0/1背包问题上的测试结果表明,所提出的算法可以有效保持种群多样性,获得较高质量的Pareto非劣解集.
     

关于多目标演化算法的策略分析

基于Pareto排序算法的多目标演化算法是多目标演化算法所采用的重要方法,本文叙述了多目标演化算法(MOEAs)的有关概念,在分析已有算法的一些性能和特征的基础上,结合演化算法的有关概念,重点基于Pareto排序算法分析了影响多目标演化算法性能的两大方面:求解过程中解集合的多样性、均匀性分布的保持与维护以及解的收敛性,分析了MOEAs设计中需要注意的策略问题以及今后研究的重点.     

改进差分进化算法在系统可靠性问题中的应用

分析了经典差分进化算法的寻优特点,提出一种扩展变量维数的自适应差分进化算法.该算法将变异率作为解向量的一维分量,随其他分量一起参与算法进化的全过程,使算法参数更好地适应算法进化各阶段的要求,提高了算法性能.将改进后的算法应用到系统可靠性问题中,针对3种典型的可靠性问题进行了仿真实验.结果表明,所提出的算法与其他算法相比具有很好的寻优效果.