一种求解多目标数值优化问题的实值量子演化算法

基于多目标优化原理和量子计算原理,提出了一种求解多目标数值优化问题的实值量子演化算法. 该算法除保留求解单目标优化问题的实值量子演化算法的特点外,还有三个主要特征:首先,根据多目标优化特点,使用多目标密度比较算子对种群进行排序和筛选;其次,应用非均匀变异算子保持解的收敛性和提高局部搜索能力;再次,使用多样性保持算子来保持解的多样性. 实验中使用多目标优化测试集并且同NSGA-II算法相比较,结果表明了算法的有效性.     

一种求解多目标优化问题的混合演化算法

提出了一种混合演化算法求解多目标优化问题.演化算法是解决多目标优化问题的有效方法,在全局优化问题中具有很好的鲁棒性,但其局部搜索性能有待改善.Hooke and Jeeves方法是一经典的局部搜索算法,将其与演化算法结合求解多目标优化问题,提高了解的收敛质量,因而从整体上提高了算法的性能,并且测试结果也说明了该算法的可行性.     

混沌演化算法求解动态优化问题

提出了一种结合混沌序列的演化算法——混沌演化算法,将其用于处理动态优化问题,并对动态多峰benchmark优化问题进行了数值实验,实验结果表明:混沌演化算法在处理动态优化问题时是有效的.     

多目标优化量子免疫算法求解基站选址问题

为了解决带容量约束WCDMA网络的基站选址问题,提出了一个基于多目标优化量子免疫算法的基站选址优化方案.设计了基站选址问题的数学模型,给出了多目标优化量子免疫算法框架,并进行了实验验证.实验结果表明：算法方案能以较小的基站建设代价满足覆盖要求,具有较好应用价值.     

一种求解多目标优化问题的协同演化算法

提出了一种求解多目标优化问题的协同演化算法.新算法改进了Kwee-Bo的协同演化的思想,将混合策略演化规划用于协同演化过程中,混合策略指导算法有效搜索过程,两个种群协同优化目标函数.标准测试函数的数值实验验证了新算法的有效性.     

基于演化算法的实因式分解

针对线性定常闭环系统特征方程的求根问题，提出了一种基于演化算法的实因式分解法。该法先将实因式分解问题转化为数值优化问题，再用基于混合杂交与间歇变异的演化算法求解该优化问题。数值实验结果表明了所提方法的有效性。     

演化求解高维函数优化问题的独立编码策略

在用演化算法解高维函数优化问题时，一般采用传统的二进制整体编码策略。本将函数的自变量独立分组，分别进行编码和演化操作，以突破传统二进制整体编码策略的束缚，将这种分组编码策略称为独立编码策略，同时，讨论了独立编码串行实现的灵活性，提出了一个基于变量分组的并行演化计算模型，大量的数值实验结果表明，在问题求解的精确度和求解速度方面，独立编码策略都优于传统的二进制整体编码策略。     

差异演化算法求解多选择背包问题

多选择背包问题是典型的NP难题,文中建立了多选择背包问题的数学模型,设计了差异演化算法对其进行求解。通过对其它文献中实例的仿真试验和结果对比,表明了算法求解多选择背包问题的可行性和有效性。     

一种多项指标全提升的多目标优化演化算法

针对当前大部分多目标优化演化算法设计复杂、耗时巨大,以及取得的近似Pareto前沿点不够多、分布不均匀、覆盖不完整等问题,提出了一种新的基于粒子群和几何Pareto选择算法的多目标优化PSGPS算法.经过5个测试问题的实验结果表明:该算法使用较低的时间消耗,就能在前沿点个数、前沿点分布均匀性、覆盖完整度等性能指标上都优于当前流行的NSGA2,SPEA2和PESA等多目标优化演化算法.     

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.     

一种改进的非支配排序遗传算法INSGA

为克服非支配排序遗传算法（NSGA）存在的计算复杂度高，未采用精英策略以及需要特别指定共享半径等特点，介绍一种改进的算法INSGA，克服了上述缺点，并通过实验验证，在几个给定的函数优化问题上都取得了比较好的结果。     

求解复杂约束优化问题的演化多目标算法

在分析了传统的求解带约束的单目标优化问题存在的问题的基础上,利用多目标优化算法的框架,把单目标优化问题中的软性约束化为新增的目标,把原问题化为一个多目标优化问题,然后利用演化多目标优化算法求解转化后的问题,分析了该方法处理约束的优势,并给出了初步实验结果.     

一类特殊的动态多目标优化问题及其进化算法

给出了一类定义在离散时间(环境)空间上、自变量的维数随环境可发生改变的一类动态多目标优化问题(DDMOP)的新解法.该方法把DDMOP转化成了两个目标的动态多目标优化问题,在一种环境变化判断规则下提出了解DDMOP的一种新进化算法(DDMOEA).计算机仿真表明,新算法能有效跟踪并求出DDMOP在不同环境下数量较多、质量较好且分布均匀的Pareto最优解.     

一种改进的求解多目标优化问题的进化算法

针对多目标优化问题,传统进化算法维护种群多样性的方法主要依赖于共享函数,但其小生境半径难以进行有效地设置。该文提出一种改进的求解多目标优化问题的进化算法,新算法引入了近邻函数准则(NFC),将其用于选择过程,可以从种群中选择出较好的个体,并确保种群的多样性。此外,新算法中融入了一种基于近邻函数准则的Pareto候选集的维护方法,利用这种方法可以有效地维护候选解集中个体的多样性。对所提出的算法,从时间和空间复杂度进行了理论分析。对一组典型优化问题的测试表明:该文提出的算法具有较高的搜索性能,解集分布的多样性与收敛性均较理想。     

一种新颖的多目标优化算法

粒子群算法的特性使得其在解决多目标优化问题时具有很强的竞争性,提出了一种结合小生境思想和在线归档策略的多目标粒子群优化算法,该算法能够在进化过程中保持优良种群。通过3个测试函数来评价算法性能并将算法与NSGA-II做比较,结果表明提出的算法的时间耗费明显小于NSGA-II算法且解集沿着Pareto非劣最优目标域有很好的扩展性。     

基于模糊逻辑的多目标优化问题遗传算法求解探讨

基于群体搜索的遗传算法求解多目标优化问题具有独特的优势,鉴于决策者事先对于各目标的重要性一般只有模糊的认识,文中对各目标进行了模糊化处理,构造了适应值函数,提出了基于模糊逻辑的多目标优化问题遗传算法求解方案.     

一个基于遗传算法的TSP问题解决方案

介绍了遗传算法的基本思想、TSP问题及其应用.基于经典的遗传算法思想,在一个解决TSP问题方案的基础上提出了改进方案.从问题的解决中可以看到,利用遗传算法解决实际问题,主要依赖于问题的编码以及遗传操作算子.