求解复杂多目标优化问题MOEA/D-GEP算法

针对复杂多目标优化问题,提出一种基于演化建模的MOEA/D（基于分解的多目标遗传算法）求解算法（MOEA/D-GEP）.该算法利用MOEA/D算法思想分解多目标优化问题,对分解后得到的可行解用基于模拟退火的GEP算法建模,从中选取预测值较好的点进入下一次真实适应值的计算.采用国际公认的ZDT,DTLZ等测试函数进行实验验证,并与MOEA/D-EGO演化多目标优化算法进行了比较.实验结果表明：该算法在IGD性能指标上有较好的表现,说明将演化建模技术引入MOEA/D算法提高了种群个体分布模型的精度,降低了求解复杂多目标优化问题的计算成本.     

LSMOEA/2s:一种基于变量两阶段分组的多目标进化算法

大规模多目标优化问题(Large-Scale Multi-objective Optimization Problem, LSMOP)固有的性质给多目标进化算法(Multi-Objective Evolutionary Algorithm, MOEA)带来挑战。目前大多数大规模多目标进化算法(Large-Scale Multi-Objective Evolutionary Algorithm, LSMOEA)需要耗费较多的计算资源对大规模决策变量进行分组,使得用于优化问题解的计算资源相对不足,影响了算法效率和解题性能。基于此,本研究提出一种基于变量两阶段分组的多目标进化算法(Large-Scale Multi-Objective Evolutionary Algorithm adopting two-stage variable grouping, LSMOEA/2s)。新算法首先利用基于变量组的相关性检测方法快速识别独立变量,然后利用高频次随机分组方法将非独立变量划分成若干子组,最后利用MOEA/D算法优化所有的独立变量和非独立变量子组。将所提算法与当前4种代表性算法(MOEA/D、...     

大规模多目标进化优化算法研究进展

现实中存在许多大规模多目标优化问题（Large-scale Multi-objective Optimization Problem,LSMOP）,它们对传统的多目标进化算法（Multi-objective Evolutionary Algorithm,MOEA）提出了挑战,有关LSMOP的研究已成为多目标优化领域的研究热点之一。本文系统分析了近年来提出的各种大规模多目标进化优化算法（Large-scale Multi-objective Optimization Evolutionary Algorithm,LSMOEA）,根据这些算法的主要思想和技术特点将它们粗略地分成4种类型,即基于协同进化（Cooperative Coevolution,CC）、基于决策变量分析、基于问题重构以及其他方法,并对今后LSMOP的研究方向提出建议,以期将LSMOP的研究引向深入。     

多目标优化的进化优化算法

进化优化算法具有全局优化能力,可以一次性求解多个非劣解。近年来,此类方法已经成为求解多目标优化问题一个重要的研究方向。本文分析了进化优化算法的关键步骤,介绍了几种代表性的多目标进化优化算法,并指出了值得进一步研究的相关问题。     

MOEA/ICD:一种基于适应度指标ICD的高维多目标进化算法

已有的基于参考点(参考向量)或标量化效用函数的多目标进化算法(Multi-Objective Evolutionary Algorithm, MOEA)在求解高维多目标优化问题(Many-objective Optimization Problems, MaOPs)时存在不足。基于此,本文提出一种动态度量解个体收敛性与多样性综合性能的适应度指标(Fitness indicator considering convergence and diversity of individual adaptively,I_CD),该指标随进化过程的推进而自适应地调整种群个体的收敛性和多样性所占比例,即初期I_CD强调收敛性而后期侧重多样性,以平衡高维多目标种群的收敛性和多样性,并获得高质量的解集。进一步地,将I_CD嵌入NSGA-Ⅱ算法框架,设计一种基于I_CD的高维多目标进化算法(Many-Objective Evolutionary Algorithm Based on I_CD, MOEA/I<...     

基于记忆策略的动态分解约束多目标进化算法

针对现有面向多目标优化问题的约束处理方法存在求解效率不足,基于分解策略的多目标进化算法受到约束限制导致求解性能低的问题,提出一种基于记忆策略的动态分解约束多目标进化算法.本文首先引入具有记忆功能的归档集,改进基于短暂忽略非容许解的约束处理方法,提高算法的求解鲁棒性.然后结合基于分解的多目标进化算法,设计一种动态分配搜索...     

多目标优化量子进化算法及其在PID控制器中的应用

目前量子进化算法主要应用于单目标优化问题.本文结合量子进化算法和经典多目标优化算法中常用的非支配排序技术,提出一种解决多目标优化问题的多目标优化量子进化算法(Multi-objective Optimization Quantum Evolutionary Algorithm,MOQEA),并将其应用于PID控制器参数整定.经过实验证明,无论是解的质量还是解的分布均匀性,MOQEA都优于经典多目标优化算法NSGA-II.     

遗传进化算法在船舶初步设计中的应用

在船舶初步设计中,船体主尺度的选择将影响船舶寿命期内的使用性和经济性,问题的研究可归结为多目标非线性规则,在探讨遗传算法（ＧＡ）机理的基础上,提出了优化设计方法－－遗传进化算法（ＧＥＡ）,解决了ＧＡ中品质计算模块的重复调用和子代品质波动的问题,提高了优化算法中寻求全局最优解的效率。文中将ＧＥＡ应用于２３．６万ｔ巨型油船的主尺度优选,同时给出应用正交优化设计方法的优化结果,应用结果表明：ＧＥＡ是一种     

多目标优化的微分进化算法

将微分进化算法的应用范围从求解无约束单目标优化推广到求解一般情形的多目标优化。与传统优化算法及一般的进化算法相比,该算法特点在于直接将约束条件以及多目标性结合到进化算子中。算例表明,该算法是有效的。     

动态多目标优化进化算法研究综述

动态多目标优化进化算法主要研究如何利用进化计算方法求解动态多目标优化问题,其已成为进化计算领城一个新的研究课题.本文首先介绍了动态优化问题的分类,然后描述了动态多目标优化问题的基本概念、数学表述,最后在当前对动态多目标优化进化算法的基本原理、设计目标、研究现状及性能度量讨论的基础上,提出了对动态多目标优化问题需进一步研究的关键问题.     

一种提高多目标进化算法搜索鲁棒最优解效率的方法

提出将拉丁超立方体抽样用于计算有效目标函数,有效地提高多目标进化算法求解鲁棒最优解的效果;同时提出一种自适应抽样技术,使求解效果和效率都得到了较大的提高.通过与已有方法的对比实验,研究结果表明;本文所提出的方法求解效果好,效率较高.     

多目标优化的微分进化算法

将微分进化算法的应用范围从求解无约束单目标优化推广到求解一般情形的多目标优化.与传统优化算法及一般的进化算法相比,该算法特点在于直接将约束条件以及多目标性结合到进化算子中.算例表明,该算法是有效的.     

目标空间分割多目标进化算法研究综述

进化算法具有求解多目标优化问题的优点。本文首先对多目标优化问题进行了描述;然后讨论了目前几种主要的基于进化算法的多目标优化方法;最后介绍了基于目标空间分割的多目标进化算法的研究现状以及面临的问题。     

改进分解进化算法的飞行器动态火力分配

为解决飞行器在一次性投放火力有限的情况下,如何动态分配多波次火力问题。将目标价值、目标威胁与火力分配相联系,建立动态火力分配多目标优化模型(DWTA)。在DWTA模型下包括数个子火力分配模型(SWTA),下一波次的SWTA由上一波次SWTA的打击效果作为输入来进行更新。改进了混合共轭梯度法的多目标分解进化算法(MOEA/D),提出加入高斯扰动来生成初始搜索点集合,并运用共轭梯度法进行搜索。运用算法对模型进行求解,仿真实验表明,算法在保留MOEA/D算法优点的同时,相比传统MOEA/D算法求解模型用时22s,改进MOEA/D算法仅用14s,提高了算法的收敛速度,并完成了对多波次火力的动态分配。     

基于进化算法的多目标生产排序研究进展

利用多目标进化算法求解复杂生产排序问题是近10 a来发展迅速的研究方向.首先调查了国内外采用进化算法求解多目标生产作业排序的研究现状,分别对3类不同策略的多目标进化算法设计思想进行分析,在总结各类方法优劣的基础上,给出了进一步研究的趋势展望.     

无人机多任务区侦察时间分配模型与应用

为了合理分配无人机对多个任务区的侦察时间,提出了一种包含问题建模、求解和方案决策的无人机多任务区侦察时间分配方法。首先,建立了包含侦察收益和侦察风险两目标的无人机多任务区侦察时间分配模型,该模型属于带约束多目标优化问题;其次,提出了一种改进的基于分解的约束多目标进化算法,该算法具有简单、灵活、无参等特点,可有效求解;最后,利用优劣解距离法从非支配解集中选择最优方案。选择了6种约束多目标进化算法,在3个不同雷达强度指数条件下进行对比实验。Hypervolume指标说明约束多目标进化算法在求解该问题时优于其他算法。实验结果表明：提出的方法在求解无人机多任务区侦察时间分配优化问题中能够实现快速准确决策。     

差分进化算法在多目标路径规划中的应用

针对差分进化算法其算法思想简明、实现方便而得到了国际进化计算研究领域的认可,多目标问题中,由于各目标之间经常是相互制约的,因此优化难度相当大。带时间窗的多目标物流配送车辆路径优化的多约束性使得它很难应用进化算法进行优化。为了解决这个问题,本文通过变异操作算子改进,成功将改进的差分进化算法应用于该问题。数值仿真实验结果表明:这种改进的差分进化算法得到了较稳定的非支配解集,实现了客户间的路径优化。     

一种用于多目标优化的克隆选择算法

多目标进化算法的研究目标是使算法种群快速收敛并均匀分布于问题的Pareto最优前沿面.为此,在比较与分析已有多目标进化算法的基础上,借鉴免疫系统中的克隆选择原理,提出了一种用于多目标优化的克隆选择算法.该方法只对部分当前所得到的Pareto最优解进行进化操作,并选用一种简单的多样性保护机制来保证Pareto最优解具有良好的分布特征.'实验结果表明该方法能够很好地达到Pareto最优前沿面,较好地保持解的多样性,并且具有很快的收敛速度.     

基于微分进化算法的多目标交会策略

采用微分进化算法研究了考虑J2摄动影响的多目标远程最优交会问题。首先,采用虚拟目标点摄动修正策略,提出了考虑J2摄动影响的远程交会轨迹求解方法。然后,建立了多目标远程最优交会的性能指标函数,采用微分进化算法,对燃料最优与任务时间最优的多目标远程交会进行了寻优计算,得到了相应的优化结果和多目标最优交会策略。研究工作可用于多目标在轨服务和拦截任务的远程交会策略制定和和轨道设计。     

基于T-S模型方法的非线性随机时滞金融系统的多目标优化

主要研究了不确定随机时滞金融系统的多目标H_2/H_∞的投资策略问题,多目标H_2/H_∞投资策略能够使得投资成本和投资风险尽可能达到最小.通过运用T-S模糊方法将多目标模糊投资策略问题转化为线性矩阵不等式(Linear Matrix Inequality,简写为LMI)约束的多目标优化问题(Multiobjective Optimization Problem,简写为MOP).另外,基于线性矩阵不等式的多目标进化算法(Multiobjective Evolution Algorithm,简写为MOEA)寻找多目标优化问题的Pareto最优解,最后投资者可以根据他们自己的喜好选择一个互惠策略.