求解多目标二层规划的多目标进化算法

提出了一个求解多目标二层规划问题的多目标进化算法.用传统优化算法求解下层规划中用权向量线性加权后得到的单目标问题,而对上层的多目标规划问题则采用基于NSGA-II的选择机制的多目标进化算法求解.数值试验表明所提出的算法是有效的.     

用多目标进化算法求解二层规划双目标模型

传统单目标二层规划模型得到的最优解往往无法使上下级双方都满意.为此,通过在上层规划中同时考虑下级的目标函数,建立了原问题的上层为双目标规划的一个新模型.上下级可通过协商在该模型的Pareto-最优解集中找到双方满意解.对此模型设计了求解的多目标进化算法,用传统优化算法求解下层规划的单目标问题,而对上层的双目标规划问题则采用基于NSGA-Ⅱ的多目标进化算法求解.数值试验表明我们所提出的算法是有效的.     

基于佳点集的约束优化进化算法

结合数论中佳点集理论和多目标优化技术,提出了一种求解约束优化问题的新算法.该算法首先把约束优化问题转化为两个目标的多目标优化问题;接着结合佳点集理论重新设计了交叉算子,新的交叉算子能够生成具有代表性的子代个体以更好地搜索空间;采用BGA变异算子增加子代个体的多样性;最后根据当前子代群体的进化信息,利用联赛选择算子或Pareto优超关系选择优胜个体进入下代群体,通过4个标准测试函数验证了算法的有效性.     

卫星编队构形多冲量调整优化研究

建立了卫星编队多冲量构形调整的优化模型,给出了期望构形约束的表达和处理方式。在约束处理方式和优化方法的不同组合下,对两个示例问题进行了多次优化求解和对比分析。结果表明:传统优化方法不能有效搜索复杂多冲量构形最优调整问题的最优解,而进化算法在期望构形约束满足精度上存在不足;先基于进化算法作全局搜索、再利用传统优化方法提高解的局部最优性是很好的方法,能够获得燃料最优性和约束满足精度都很高的解;对于期望构形约束的处理,传统优化适宜采用最终时刻状态偏差方式,而进化优化采用全周期最大状态偏差方式较好。     

多目标进化计算收敛到Pareto最优解集的证明

多目标优化方法经历了一个从确定性搜索算法到随机搜索算法的过程 ,本质上仍是单目标优化的目标组合方法到真正意义上的向量优化方法的过程 ,至今仍在不断地发展中 ,但仍有大量未解决的问题。对多目标进化计算的研究是近年来求解多目标优化问题的重点 ,但目前仍未能证明多目标进化计算的收敛性 ,同时 ,单目标进化计算的收敛性结论不一定能推广到多目标的情况。对该问题进行了探讨 ,提出并证明了三个定理 ,并且算例说明了该理论的正确性。     

基于层次遗传算法的非线性双层规划问题求解策略

双层规划是解决层次决策问题的运筹学工具。当前基于传统的优化思想已经提出了很多算法解决搜索空间已知的双层规划问题。但在双层规划领域仍然存在许多问题无法利用现有算法求解。本文基于进化博弈和多目标优化非支配排序的思想,设计了层次遗传算法并利用其求解非线性双层规划问题。最后通过测试函数验证算法的有效性。     

多目标网络相异路径的Pareto解及其遗传算法

网络相异路径一般是多目标约束路径问题,具有重要应用价值.然而,由于问题的难解性,总是利用妥协思想将其转换为单目标问题求解.本文建立了双目标相异路径的一种优化模型,给出了模型求解过程中伪理想点的概念,提出了基于小生境共享竞争复制算子的遗传算法,该算法可求解多目标优化问题的 Pareto 解集.最后,给出了一个计算分析实例.     

采用非固定多段映射罚函数的非线性约束优化差分进化算法

采用非固定多段映射罚函数法处理问题的约束条件,提出了一种用改进差分进化算法求解非线性约束优化问题的新方法.结合差分进化算法两种不同变异方式的特点,引入模拟退火策略,使算法在搜索的初始阶段有较强的全局搜索能力,而在后阶段有较强的局部搜索能力,以提高算法的全局收敛性和收敛速率.用几个典型Benchmarks函数进行了测试,实验结果表明,该方法全局搜索能力强,鲁棒性好,精度高,收敛速度快,是一种求解非线性约束优化问题的有效方法.     

基于知识进化算法的半导体供应链协同计划

研究了单晶圆厂、多针测厂、多封装厂、多终测厂的半导体供应链协同计划问题,建立了该问题的数学模型,提出了用于求解上述问题的知识进化算法方案。对典型算例进行了仿真并与粒子群算法进行了比较,结果表明了半导体供应链协同计划模型及算法的有效性,同时也表明了知识进化算法取得了比粒子群算法更好的优化效果。     

基于自适应多种群策略的混合多目标优化算法

为了能够快速准确地获得多目标优化问题的一组具有较好质量和分布性的非支配解,提出了一种自适应多种群混合多目标优化算法.该算法将多目标优化问题分解为多个单目标子问题,在每次迭代时,根据种群在目标空间和解空间的分布情况为多个子问题分别构造子种群,并采用粒子群优化算法对子问题最优解实施搜索,利用差分进化算法对外部档案实施进化.通过对标准测试函数仿真实验,并与经典的及类似策略的多目标优化算法进行比较,结果表明所提出的算法能够利用较少的估值次数获得较好质量和分布性的非支配解集.     

成像卫星协同任务规划模型与算法

作为一类重要的对地观测卫星,成像卫星多星组网协同工作可提高处理复杂任务的能力,其中的任务规划属于多时间窗口、多优化目标和多约束条件的组合优化问题。针对任务协同规划技术,主要完成两项工作：第一,建立协同规划模型,引入了元任务间的3类协同作用关系,并进一步考虑了风险控制的要素;第二,在阐述引入启发式信息的遗传禁忌选择的求解算法基础上,提出算法协同进化模型求解技术。最后,利用卫星工具箱（satellite tool kit, STK）提供仿真数据,评价几种典型的求解算法,并验证了本文算法在收敛速度和鲁棒性上的有效性。     

基于遗传-蚁群融合算法的干扰资源分配方法

针对多部干扰机协同干扰多部雷达的干扰资源分配问题，提出一种基于遗传-蚁群融合算法的干扰资源分配算法。首先采用综合集成赋权法结合逼近理想解排序法(technique for order preference by similarity to an ideal solution, TOPSIS)对目标雷达进行威胁评估，然后建立干扰资源多约束优化分配模型，最后采用遗传-蚁群融合算法对模型进行求解。融合算法利用遗传算法快速寻找出若干组优化解，将这些优化解用于调整蚁群算法中初始信息素的分布，利用蚁群算法对问题进一步优化，从而找到最优解，提升了算法的求解精度和求解时间。仿真结果表明，融合算法的性能在收敛速度和寻优准确性等方面相较于其他算法都有了较大提升。     

多智能体量子多目标进化算法及其在EELD问题中的应用

环境经济负荷分配问题是电力系统中重要的多目标优化问题。求解多目标优化问题的关键在于找到尽可能多的Pareto最优解。在基于量子进化理论,智能体的竞争、学习能力和生物的进化策略的基础上,提出了一种用于求解多目标优化问题的量子编码的多智能体进化算法。该方法将智能体分布在多智能体网络环境中,智能体之间通过量子进化来生成问题的可行解。将该算法应用于经济环境负荷分配的两目标(燃料成本和NOx排放)与三目标(燃料成本,NOx排放和SO2排放)优化问题,通过与经典多目标优化算法进行比较,表明了该算法的有效性。     

协同微粒群算法及其在炼钢生产调度中的应用

给出了炼钢生产调度问题的最优炉次0-1数学规划模型.结合0-1空间优化问题的特点,通过逻辑运算将基本微粒群算法的进化搜索限定在0-1空间,并针对0-1整数规划的约束条件,提出一种协同微粒群算法CPSO.即分别构造两个微粒群,一个以目标函数的最小化为目标,另一个以满足约束条件为目标,同时,两个群体间进行信息交换,协同完成0-1整数规划的求解.该方法已成功应用于炼钢生产调度问题中最优炉次的求解.     

可持续多式联运网络设计的多目标优化模型及算法

在回顾可持续运输网络相关文献的基础上提出一个可持续多式联运网络设计的多目标优化模型,该模型以可持续运输的时间、费用和CO2排放三个维度作为模型的优化目标。针对模型复杂的问题,在优化分解模型的基础上,设计了单目标遗传算法和多目标遗传算法NSGA-II联合求解的方式求解该多目标优化问题,并且通过算例验证了算法的有效性。结果显示在适当分解模型的基础上,采用单目标和多目标算法联立的方法能够得到复杂联运问题的多目标非支配解。     

求解DRS多目标优化问题的新颖ε-支配进化算法

首先分析ORS(dominance resistant solutions)多目标优化问题的特点,证明基于Pareto-支配关系的多目标优化问题算法求解该类问题很难收敛.然后,提出一种新的基于ε-支配关系的进化算法-ε-支配进化算法(EDMOEA),给出该算法框架和详细流程.最后,将ε-支配进化算法和NSGA-Ⅱ算法应用于求解一组典型的DRS多目标优化问题和常用的多目标优化测试问题,基于算法的收敛性和Pareto最优解集分布性进行评价和比较分析,表明ε-支配进化算法的有效性.     

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。     

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。     

基于改进差分进化算法的跨平台武器目标分配方法

现代战争中,跨平台武器单元的协同利用,是合同编队体系的重要内容,作战方式也正由平台级协同向着能力要素级协同转变,这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级,以毁伤概率与成本消耗为优化目标,面向多种来袭目标的编队防空场景,提出了跨平台武器目标分配算法。同时,基于混沌映射提出了混沌种群重构(chaotic population reconstruction, CPR)机制,并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive, JADE)算法提出了CPR-JADE算法,利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上,实现了对模型的高效求解。最后,通过在多种数据规模下与其他进化优化算法的仿真对比试验分析,验证了所提方法的正确性与有效性。     

下层为多目标的两人两层决策问题的模型及优化方法

本文针对上层为单目标,下层为多目标的两人两层决策问题,建立了它的数学模型和决策机制,然后将其转化为单层的非凸优化问题。采用外部逼近算法求解此非凸优化问题的全局最优解,这为两层决策问题提供了一种求解的途径,同时为该类问题的决策支持系统的研究是有意义的。