基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

混合递进多目标进化算法及其在flow shop 排序中的应用

提出一种混合递进多目标进化算法(HEMEA):通过在进化搜索过程中引入递进模式的精英保留、群体重构以及可变邻域非劣解局部搜索策略,增强了算法的求解效率.将算法应用于一系列标准双目标flow shop算例及一个典型三目标flow shop问题,研究结果验证了算法的有效性.     

基于自适应进化粒子群算法的多目标优化方法

提出一种自适应进化粒子群优化算法(AEPSO),以提高多目标优化 PSO算法的性能.AEPSO算法把非支配排序技术、自适应惯性权重和特殊的变异操作引入到PSO算法中,来提高算法的全局搜索能力和粒子的多样性.与常用的整体加权方法来处理多目标优化问题不同,AEPSO算法采用非劣解排序来引导粒子的飞行,以改进算法的收敛性,同时采用特殊的变异操作防止早熟收敛并增加优化解的多样性.所提算法的有效性经过四种代表性benchmark函数进行验证,并与几种典型同类型算法进行比较.该算法已成功地用于合金材料的多目标优化设计.实验结果表明AEPSO算法能够较好地兼顾收敛精度与优化解的多样性,满足多目标优化设计的要求.     

多目标0—1规划问题的遗传算法

根据遗传算法的特点，提出了以排列为基础，以求出全部非劣解为目的的定义适应性值的方法，以便使其有能力求解多目标优化问题，并分析研究了算法进行到一定程度以后收敛于一个非劣解的原因和解决策略。     

基于对位学习的多目标遗传算法

为了加强非劣排序遗传算法的搜索能力、加快其收敛速度,将对位学习与非劣排序遗传算法相结合,提出了一种用于解决多目标优化问题,基于对位学习的多目标遗传算法,并应用双目标、三目标的测试函数对该算法进行了验证.结果表明,基于对位学习的多目标遗传算法具有较好的收敛性和分布性.     

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。     

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.     

武器装备体系组合规划的高维多目标优化决策

针对武器装备体系组合规划问题中存在多类相互冲突的高维多目标问题(目标数 ≥ 5),提出了一种三阶段的集成优化决策方法. 首先运用目的规划技术将高维多目标问题转换为一般多目标优化模型(目标数 ≤ 3); 然后提出一种多目标差分进化算法,用于搜索属于决策者关心区间的非劣解集; 最后提出基于预测优化的理想点算法,可生成精确满足决策者偏好的最佳折衷解. 通过某侦察装备体系组合规划示例,证明了各算法模块的优势和该方法的整体有效性,可为武器装备发展和顶层规划提供决策支持.     

基于层次粒子群算法的非线性双层规划问题求解策略

在交通与物流网络系统规划中的许多决策问题可以归结为双层规划模型, 这类问题大多属于非凸优化问题. 现有算法要么难以获得全局最优解, 要么在解决大规模问题时存在算法复杂度及计算效率问题. 本文基于 进化博弈及多目标优化非支配排序的思想设计了层次粒子群算法, 通过两个粒子群算法的交互迭代来模拟 决策者之间的博弈寻优过程, 从而获得使各方利益最大化的双层规划问题的最优解. 最后通过测试函数验 证算法的有效性.     

基于Pareto的双群体多目标微分进化算法

针对多目标优化问题微分进化是一种简单、快速且具有鲁棒性的进化算法.提出一种基于Pareto的双群体多目标微分进化算法(DEPDP),DEPDP与传统微分进化区别在于:个体的变异操作和选择方式.DEPDP的变异过程类似于粒子群优化的粒子速度更新操作,即包括可行解个体,也有不可行解个体的参与;在个体的选择过程中,组合修正后的不可行解介体和可行解个体,并采用—种特殊的“非劣排序和等级选择过程”确定出新一代种群.仿真实验表明:相比其他比较算法,DEPDP获得的Pareto最优解有着良好的多样性均匀分布特点,接近真实的Pareto前沿,收敛性也较好.     

多目标优化设计中的Pareto遗传算法

遗传算法的随机性和隐含并行性,使它能同时搜索到多个局部最优解并获得最优解集。为了发挥遗传算法群体搜索的优势,提高多目标优化设计效率和灵活性,在自适应遗传算法的基础上引入群体排序技术、小生境技术和Pareto解集过滤器,建立了一种适用于多目标优化设计的Pareto遗传算法。以Pareto前沿面的形式给出优化设计的Pareto最优解集,供设计者按设计意愿选择最优的设计结果。采用Pareto遗传算法进行跨声速翼型的多目标优化设计,设计结果表明,Pareto遗传算法是十分有效的,完全可以用来进行多目标优化设计。     

基于混合生物地理学优化的多目标优化算法

提出一种基于混合生物地理学优化算法的多目标进化算法(multi-objective optimization based on hybrid biogeography based optimization, MOBBO)。针对生物地理学优化算法(biogeography based optimization, BBO)自身的机制,建立适用于BBO的多目标进化模型。在模型中,结合栖息地个体间的Pareto支配关系对栖息地适应度指数进行了重新定义;为了保持栖息地种群的分布性,提出一种新的基于动态距离矩阵的分布性保持机制;同时,根据多目标优化的特点,提出了新的自适应迁入迁出率确定方式,动态迁移策略及分段logistic混沌变异策略。通过对测试函数ZDT和DTLZ的仿真实验表明,与现有多种多目标优化算法相比,MOBBO在解集的收敛性和分布的均匀性上均有明显改善,能够有效且高效地进行复杂多目标优化问题的求解。     

A ε-indicator-based shuffled frog leaping algorithm for many-objective optimization problems

Many-objective optimization problems take challenges to multi-objective evolutionary algorithms.A number of nondominated solutions in population cause a difficult selection towards the Pareto front.To tackle this issue,a series of indicatorbased multi-objective evolutionary algorithms(MOEAs)have been proposed to guide the evolution progress and shown promising performance.This paper proposes an indicator-based manyobjective evolutionary algorithm calledε-indicator-based shuffled frog leaping algorithm(ε-MaOSFLA),which adopts the shuffled frog leaping algorithm as an evolutionary strategy and a simple and effectiveε-indicator as a fitness assignment scheme to press the population towards the Pareto front.Compared with four stateof-the-art MOEAs on several standard test problems with up to 50 objectives,the experimental results show thatε-MaOSFLA outperforms the competitors.     

基于双种群协同进化的QoS全局最优

针对服务质量（quality of service, QoS）全局最优Web服务选择问题,提出了一种双种群协同进化QoS全局最优Web服务选择算法。算法在多目标离散粒子群算法基础上设计一种双种群协同进化框架以同步进行非支配排序和精英粒子保留,并定义了一种新的离散粒子位置更新算子。同时为保证粒子的多样性和算法的全局收敛能力,算法采用基于距离的粒子多样性度量算子、基于适应值排序的粒子选择算法和基于轮盘赌的全局最优解选择策略。仿真实验结果表明该算法能同时优化多个目标,并得到一组满足约束的Pareto最优解,且具有较好的性能和鲁棒性,解集的质量和分布也优于非支配排序遗传（nondominated sorting genetic algorithm,NSGA）算法的改进算法NSGA-Ⅱ,能有效解决QoS全局最优的Web服务选择问题。     

基于多目标进化算法混合框架的MOEA/D算法

针对混合多目标进化算法中如何设计全局搜索算法和局部搜索策略结合机制的难点问题以及提高多目标进化算法的求解性能,基于反馈控制思想,提出了一种系统化、模块化的全局优化与局部搜索相结合的混合MOEA/D算法,算法中设计了一种基于拥挤熵的种群多样性度量方法;提出了基于简化二次逼近的局部搜索策略,以及针对MOEA/D的种群多样性增强策略。数值实验表明所提算法具有良好性能,可以兼顾算法求解的多样性和收敛性,所提混合框架可有效提升现有多目标进化算法的求解性能。     

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。     

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘睹法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度...     

基于蚁群算法的施工项目工期-成本优化

工期-成本优化是施工项目计划的一个重要方面.它从实质上属于一类多目标优化问题.结合近年来提出的一种新的进化算法-蚁群算法(ACO),尝试对工期成本问题(TCTP)进行求解.通过与改进自适应权重方法(MAWA)的结合,ACO算法不仅可以找到最优解,还可以得到问题的帕雷托前沿.通过一个算例验证了算法的有效性,并和枚举法和遗传算法的计算结果进行了比较.结果表明蚁群算法对于工期成本优化问题的求解是十分适用的.