改进的Pareto多目标协同优化策略

为了提高标准协同优化的收敛性并扩展其多目标优化能力,将Pareto多目标遗传算法用于协同优化的系统级优化,提出了一种改进的Pareto多目标协同优化策略（enhanced collaborative optimization using Pareto multi-objective genetic algorithm, ECO-PMGA）。为了保证非劣解集的Pareto最优性与均布性,提出了一种考虑拥挤度的非劣解逐级排序方法。ECO-PMGA采用2-范数形式的学科间一致性约束以提高学科级优化的效率。通过两个典型的优化算例对ECO-PMGA的数值稳定性与搜索Pareto非劣解集的能力进行了检验。研究结果表明,ECO-PMGA的收敛性与数值稳定性得以显著提高,而且ECO-PMGA具有良好的Pareto多目标优化能力。因此,ECO-PMGA在复杂耦合系统的多目标优化设计方面具有较高的实用价值。     

Shuffled frog leaping algorithm with non-dominated sorting for dynamic weapon-target assignment

The dynamic weapon target assignment(DWTA)problem is of great significance in modern air combat. However,DWTA is a highly complex constrained multi-objective combinatorial optimization problem. An improved elitist non-dominated sorting genetic algorithm-II(NSGA-II) called the non-dominated shuffled frog leaping algorithm(NSFLA) is proposed to maximize damage to enemy targets and minimize the self-threat in air combat constraints. In NSFLA, the shuffled frog leaping algorithm(SFLA) is introduced ...     

基于智能优化算法的T-S模糊模型辨识

将智能算法应用在T-S模糊模型的辨识方面,是模糊系统辨识的一种新途径。文中对几种智能优化算法,如遗传算法(genetic algorithm, GA)、粒子群(particle swarm optimization, PSO)算法、菌群优化(bacterial foraging optimization, BFO)算法等的优化原理和在模糊辨识方面的应用现状进行了综述和分析,并给出了它们在T-S模糊模型辨识中对参数进行优化的过程。最后将这些优化方法用于一非线性动态系统的建模,并对仿真结果进行了对比和详细的分析,为进一步了解这几种优化方法在模糊模型辨识参数优化方面的作用提供了仿真实验依据。     

基于DPSO的无等待混合流水车间调度方法

研究了无等待混合流水车间调度问题,调度目标为最小化工件的最大完成时间。针对问题中工件加工无等待特点,设计了分阶段实现的无等待算法,并将机器的能力约束嵌入到算法之中。在此基础上,首次应用离散粒子群优化算法对无等待混合流水车间调度问题进行了优化求解。通过仿真实验表明,离散粒子群算法的优化质量优于遗传算法及LTPT、STPT和FCFP三种启发式算法,同时验证了分阶段无等待算法的有效性。

Abstract：

A no-wait hybrid flow shop（NWHFS） scheduling problem was studied for the objective of minimizing makespan.For the no-wait constraint between two sequential operations of a job,not only the no-wait algorithm of grading was designed,but also the number restriction of machines was embedded into this algorithm.On this basis,the discrete particle swarm optimization（DPSO） algorithm was proposed for the first time to solve such problems.The last simulation experiments show the optimization qualities of DPSO are superior to those of the genetic algorithm（GA） and the heuristic algorithms of LTPT,STPT and FCFP,and demonstrate the effectiveness of the no-wait algorithm of grading as well.     

基于GSA的复杂产品关键质量特性识别

为了识别复杂产品关键质量特性(critical-to-quality characteristics,CTQs),提出基于遗传模拟退火算法(genetic simulated annealing algorithm, GSA)的特征选择算法。所提算法将遗传算法(genetic algorithm, GA)与模拟退火算法(simulated annealing algorithm, SA)结合,兼有不错局部搜索与全局搜索能力。提出一种综合适应度函数应用于所提算法,以同时优化CTQ集分类性能和所选质量特性数。算例结果表明,所提算法能有效过滤无关、冗余质量特性,识别关键质量特性;与Memetic算法和信息增益(information gain, IG)算法相比,所提算法在识别更少关键质量特性的同时,得到更高预测精度。     

基于改进NSGA-Ⅲ的多SGSW火力分配优化

在高维多目标优化中,基于参考点非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅲ, NSGA-Ⅲ)相比于其他多目标进化算法,具备较强的多样性保持能力,但收敛能力存在一定不足。因此引入遗传K均值(genetic K-means, GKM)聚类算法以提高NSGA-Ⅲ的收敛能力,提出基于NSGA-Ⅲ-GKM算法的多天基对地打击武器(space-to-ground strike weapon, SGSW)火力分配优化方法。首先,建立以转移时间最短、落地点速度最大和落地点侵彻角最大为优化目标的SGSW转移轨道优化模型,为后续优化目标的计算打下基础;其次,建立基于NSGA-Ⅲ-GKM算法的火力分配优化模型;最后,仿真结果表明, NSGA-Ⅲ-GKM算法相比于其他代表性多目标进化算法具备较好的多样性保持能力和收敛能力,总体性能较好,该方法能够更有效地解决多SGSW火力分配优化问题。     

基于改进NSGA-Ⅲ的多SGSW火力分配优化

在高维多目标优化中,基于参考点非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅲ, NSGA-Ⅲ)相比于其他多目标进化算法,具备较强的多样性保持能力,但收敛能力存在一定不足。因此引入遗传K均值(genetic K-means, GKM)聚类算法以提高NSGA-Ⅲ的收敛能力,提出基于NSGA-Ⅲ-GKM算法的多天基对地打击武器(space-to-ground strike weapon, SGSW)火力分配优化方法。首先,建立以转移时间最短、落地点速度最大和落地点侵彻角最大为优化目标的SGSW转移轨道优化模型,为后续优化目标的计算打下基础;其次,建立基于NSGA-Ⅲ-GKM算法的火力分配优化模型;最后,仿真结果表明, NSGA-Ⅲ-GKM算法相比于其他代表性多目标进化算法具备较好的多样性保持能力和收敛能力,总体性能较好,该方法能够更有效地解决多SGSW火力分配优化问题。     

基于多目标优化算法的多无人机协同航迹规划

多无人机协同航迹规划是无人机协同作战的关键技术之一。本文提出的一种针对多无人机协同航迹规划的多目标优化算法,即协同非支配排序进化算法(cooperated non dominated sorting genetic algorithms II,CO-NSGA II),针对多架无人机的航迹距离、安全性、时间以及空间的协同性进行规划。运用多目标优化算法,克服了传统航迹规划中需要为各目标函数取权值的不足,并且可以生成多组可供选择的解。同时引入协同进化策略,将各无人机的航迹规划视作子种群,各子种群间进行合作,子种群内采用非支配排序进化算法(non-dominated sorting genetic algorithms II,NSGA II)进行独立优化。考虑到各机间的协同约束,用时间空间协同系数替代传统算法中的“拥挤距离”参数。仿真结果表明通过本文算法能够有效实现多无人机协同航迹规划。     

基于聚类的新型多目标分布估计算法及其应用

为改善常见的多目标分布估计算法在求解多目标优化问题的过程中存在的不足,即:对问题的规则特性考虑不够,对种群中异常解的处理不当,种群多样性容易丢失,过多的计算开销用于构建最优概率模型,提出一种基于聚类的新型多目标分布估计算法(clustering based multi objective estimation of distribution algorithm, CEDA)。CEDA在每一代运用凝聚层次聚类算法发掘种群个体的邻近结构,基于此结构,为每个个体构建一个多元高斯模型逼近种群结构并抽样产生新个体。为了降低建模计算开销,邻近个体共享相同的协方差矩阵建立高斯模型。基于标准测试题的对比实验表明CEDA能够解决复杂的多目标优化问题。基于齿轮减速器优化设计的实际应用表明CEDA同样具有良好的实用性和优越性。     

高新技术企业创新资金配置风险预警的FOA-SVM模型及实证

为了提高创新资金的运营效率和为企业创新活动提供有效支撑,按照高新技术企业创新资金配置的生态化要求,从资金的来源、使用、偿还、收益分配四个维度进行风险分析并构建风险预警指标,给出创新资金配置的生态目标,将支持向量机二分类问题扩展到多分类并与果蝇优化算法结合构建风险预警的FOA-SVM (fruit fly optimization algorithm and support vector machines)模型,确定警度和警限,选取117家医药制造企业2016年数据进行模型验证并与GA-SVM (genetic algorithm and support vector machines)模型进行比较分析,研究表明,FOA-SVM模型分类准确率高而且对于高风险的误判率低,可以实现对高新技术企业创新资金配置风险的分类预警,为优化创新资金配置、防范与控制创新资金配置风险提供依据.     

基于模糊约束的军事物资配送多目标路径优化

针对带模糊时间窗口、模糊运输费用以及模糊运输风险的多目标军事物资运输问题,利用模糊期望理论,建立了带模糊约束问题的多目标运输路径优化模型,并利用改进的多目标量子遗传算法求解该模型,算法中采用量子比特编码,引入非支配排序和精英保留策略,防止算法陷入局部最优。仿真实验结果表明,建立的模型合理、算法有效,在军事物资配送问题中具有一定的实用价值,与传统的多目标遗传算法相比较,利用改进的多目标量子遗传算法求解该问题,收敛速度更快。     

解决约束优化问题的一种改进PSO研究

为有效求解约束优化问题,提出一种改进粒子群算法（ICPSO）。该算法在处理约束时不引入惩罚因子,而是根据目标函数值和粒子违背约束奈件程度。并根据种群中介体的可行性,采用三种不同的交叉操作对粒子自身最优位置进行操作,同时对全局最优粒子采取变异操作以产生新的学习样本,引导种群的飞行,提升种群跳曲局部最优解的能力。最后,引入一种混合粒子速度更新策略,提升种群向最优解飞行的概率。标准测试函数的仿真结果表明ICPSO是可行的,有效的。     

双目标优化问题的类电磁算法

为方便决策，双目标优化问题就是要从最优解集中求出一组分布均匀且数量多的Pareto最优解。针对这一特点，定义了种群的均匀度和序值，来度量种群中解的分布和质量，将双目标优化问题转化为以均匀度为目标函数，序值为约束条件的单目标优化问题；设计了双目标优化问题粒子的电荷和受力的计算公式，提出了一种新的类电磁算法求解问题。用标准的Benchmark函数进行了仿真实验，结果表明，新算法对双目标优化问题的求解是非常有效的。     

灰熵并行分析引导PSO求解多目标优化问题

提出采用灰熵并行分析法引导粒子群算法求解多目标优化问题。灰熵并行分析法综合灰色关联分析法与信息熵的特点,对数据序列计算灰关联系数,同时并行地对数据序列计算信息熵及熵值权重,将灰关联系数与熵值权重结合求得灰熵并行关联度。〖JP2〗通过粒子群算法对优化问题的多个目标构建与粒子数相同数量的目标值序列,计算每个序列的灰熵并行关联度值,利用该值作为算法适应度值的分配策略引导粒子进化。以10个典型作业车间调度问题为例进行实验,结果与差分进化算法及遗传算法进行比较,表明灰熵并行分析法可以有效引导各算法进化,使算法在收敛性和分布均匀性方面表现良好,且粒子群算法的优化结果要好于其他两种算法的结果。     

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。     

多执行模式资源受限工程调度问题的优化算法

近几年来,模拟退火（ＳＡ）和遗传算法（ＧＡ）等智能优化方法在求解组俣最优化问题显示出了较强的能力,许多文献报告了它们在这类问题上的应用,有些文献则报告了一些它们的混合算法,然而,定些算法对问题的求解效果因问题的结构不同而有限大差异,它们的成功必须充分结合问题本身的特点,本文针对多执行模式资源受限工程调度问题的特点,设计了一种ＳＡ／ＧＡ混合算法,利用被普遍应用的标准问题对该算法进行了测试,取得了令人满意的结果。     

能量有效的NOMA多用户-多信道匹配算法

针对非理想信道状态信息(channel state information, CSI)下面向海量用户的无线资源高效分配难题,通过引入非正交多址(non-orthogonal multiple access, NOMA)技术提出了一种能量有效的多用户-多信道匹配方案。首先,考虑用户中断概率约束,建立以最大化系统能量效率为目标的非理想CSI蜂窝下行NOMA系统信道和功率联合分配优化问题;然后,将建立的含概率约束的优化问题转化为非概率约束优化问题,并从中解耦出用户-信道匹配优化问题;最后,将面向能量效率的NOMA用户-信道匹配优化问题映射为婚姻匹配问题,进而提出一种高效低复杂度的双边匹配算法实现了多用户-多信道的动态匹配。仿真结果表明,提出的匹配算法性能优于传统匹配算法,能够提供更高的系统能效、实现更低的用户中断概率且收敛速度更快。     

能量有效的NOMA多用户-多信道匹配算法

针对非理想信道状态信息(channel state information, CSI)下面向海量用户的无线资源高效分配难题,通过引入非正交多址(non-orthogonal multiple access, NOMA)技术提出了一种能量有效的多用户-多信道匹配方案。首先,考虑用户中断概率约束,建立以最大化系统能量效率为目标的非理想CSI蜂窝下行NOMA系统信道和功率联合分配优化问题;然后,将建立的含概率约束的优化问题转化为非概率约束优化问题,并从中解耦出用户-信道匹配优化问题;最后,将面向能量效率的NOMA用户-信道匹配优化问题映射为婚姻匹配问题,进而提出一种高效低复杂度的双边匹配算法实现了多用户-多信道的动态匹配。仿真结果表明,提出的匹配算法性能优于传统匹配算法,能够提供更高的系统能效、实现更低的用户中断概率且收敛速度更快。     

一种求解资源约束条件下运输优化问题的启发式方法

介绍了一种求解资源约束条件下的大规模组合优化运输问题的启发式方法。由于现实生活中的运输系统的复杂性，与总运输时间相关的目标函数无法用解析方法给出，在这种条件下它需要通过仿真运行得到，同时运输资源(主要指道路和中转站等)的限制又增加了优化的难度，传统的求解这种瓶颈运输问题的网络流方法无法处理。本文介绍的启发式方法充分利用了仿真模型对于系统的直观描述特性，将资源约束的求解反馈到优化过程中，取得了较好的效果。