基于MPICH平台的多种群并行遗传算法

提出了一种基于集群系统的多种群并行遗传算法，在集群系统的软件开发环境MPICH上构建了多种群粗粒度并行遗传算法框架．采用全局迁移方式交换通信域中各子群体的个体信息，并通过模拟退火规则来确定迁移代频．利用该算法框架对一类优化问题——N维目标函数的最小值问题，给出了具体的实现方法．最后对该类问题的两个实例进行了测试，基于该实例的测试数据对论文提出的算法进行了性能分析．结果显示，算法具有线性加速比，而且解的精度随着并行进程数量的增多而提高．     

基于多目标进化算法的低轨区域通信星座优化设计

研究利用进化算法实现低轨区域通信星座的多目标优化设计。首先分析、确定低轨星座优化的轨道控制参数，然后将基于Pareto最优概念的多目标进化算法引入星座优化中。结合星座覆盖性能的评价准则，给出了一种利用非劣分层遗传算法(NSGA—Ⅱ)实现星座轨道控制参数优化的框架。最后对具体实例进行了优化仿真，结果表明，该方法可以获得一组分布合理的Pareto解，为星座方案决策提供了有力的支持。     

基于多种群免疫遗传算法的配电网网架规划

配电网网架规划是一个复杂的组合优化问题,传统的优化方法往往难以解决此类问题.提出一种多种群的免疫遗传算法进行配电网网架优化规划,采用多个种群针对优化目标的不同方面进行优化搜索.在遗传进化过程中,借鉴生物免疫机制对每个种群的染色体进行免疫算子操作,种群之间通过优秀个体转移进行交互,有效防止了种群退化,提高了种群的多样性和遗传算法的全局寻优能力.以网络年费用最小为优化目标建立配电网网架规划的数学模型,利用多种群免疫遗传算法求得优化解,通过具体实例验证了该算法的有效性.     

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.     

基于改进的二代非支配排序遗传算法对电子变压器多目标优化

本文在对多目标、多变量优化方法研究的基础上,提出了改进的二代非支配排序遗传算法。在该算法中,通过增加种群多样性和提高个体竞争力,有效地减少了早熟收敛现象的发生,同时,通过种群分割操作,大大减少了交叉运算的计算量。依据这一改进算法,建立了三维优化模型,对电子变压器进行了多目标优化设计,获得了电子变压器优化设计参数,使其体积更小、效率更高,更容易找到全局最优解。与非支配排序遗传算法(NSGA)和二代非支配排序遗传算法(NSGA-Ⅱ)相比,改进的二代非支配排序遗传算法在电子变压器优化设计方面具有明显的优势。最后,依据优化结果,制作了一台磁芯材料为超微晶合金的高频变压器,温度校核结果表明了此优化方法的可行性。     

约束差分免疫克隆算法及其在汽油调合优化中的应用

针对约束多目标优化问题,提出了一种新型的约束多目标优化算法。该算法采用了一种新型约束处理方式,先通过约束违反门限截取种群再依据约束与目标函数值针对不同情况实现对个体的优劣划分。本算法将差分进化与免疫克隆机制相融合,既利用了差分进化从全局角度进行搜索的特点,又利用了免疫克隆机制从优秀个体出发进行局部再寻优搜索的优点,扩大了算法搜索的广度与深度。测试结果表明该算法相比快速非支配排序遗传算法(NSGA-II)具有非常优秀的收敛性与分布性。将提出的算法应用于实际的汽油调合优化中,进一步验证了算法的有效性,可有效减少成本,提高产品质量。     

一种基于自适应搜索的多模态多目标优化算法

为了解决目前基于分解的多模态多目标优化算法存在种群搜索能力不足，子种群中存在无用解和距离度量不具有普适性等问题，提出了一种基于自适应搜索的多模态多目标优化算法MOEA/D-AS.首先，该方法通过减少平均子种群的个体数量，进而增加参考向量的数量.其次，根据子种群当前状态自适应分配子种群的个体数量.最后，使用引入了局部种群信息的清除距离作为维护子种群的依据.将提出的算法与4种算法在2019年CEC多模态多目标测试问题和大规模多模态多目标测试问题上进行对比实验，实验结果表明，提出的算法可以有效解决多模态多目标优化问题.     

一种改进的多目标人工蜂群算法

由于基本多目标人工蜂群算法存在着种群盲目搜索、算法开发能力有限等缺点,在利用人工蜂群算法求解多目标优化问题时,提出了一种改进的人工蜂群算法.通过在算法中引入自适应搜索机制和变异机制等操作,使得种群个体可以有针对性地进行更新,同时也大大提高了种群个体的多样性.最后利用几种多目标的测试函数对改进前后的多目标人工蜂群算法的性能进行测试,结果表明:改进后多目标人工蜂群算法具有良好的算法收敛性和均匀性.     

多目标优化-改进遗传算法路径规划模型

优化智能算法进行路径规划可以有效缓解用户出行拥堵问题，为此，设计了多目标优化-改进遗传算法(multi-objective-improved genetic algorithm, M-IGA)组合模型。采用Dijkstra算法改进种群初始化策略，完全规避了断路和环路，提高了初始种群质量；设计基于邻接矩阵的深度优先遍历交叉策略、邻接限制半随机变异策略，兼顾算法全局搜索和局部寻优能力，解决了种群多样性降低、过早收敛的问题。同时，在设计适应度函数时，引入个体用户偏好权重系数，综合考虑了平均行驶时间、交叉口延误、道路拥挤状况、道路等级4种因素来进行多目标优化，为用户寻找符合个体期望的最优路径。研究结果表明，所提出模型相比于蚁群算法路径寻优效率提高了54.322 0%;相比于单目标路径寻优，最优路径综合代价降低了23.609 1%,有效避开了拥堵及交叉口多的路段。     

基于全寿命抗震性能的近海桥梁结构多目标优化设计方法

投资-效益准则是基于结构性能抗震设计的重要原则,它所追求的设计目标是在结构的初始造价与地震损失期望之间达到一种和谐的优化平衡,使结构在全寿命周期内总费用最小.在以上的单目标优化模型基础上,提出了考虑结构初始造价、损伤期望、检查和维护费用、拆除费用及残余价值和环境污染费用的多目标全寿命优化设计模型.基于所提出的多目标优化设计模型,应用精英保留非劣排序遗传算法,建立了以截面尺寸、纵筋和箍筋的配筋率为决策变量的近海桥梁结构全寿命抗震性能多目标优化设计模型,并给出了优化设计流程及具体实现.结果表明:得到的非劣解在目标空间分布均匀,算法收敛性和鲁棒性较好.     

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。     

多种群蚁群遗传算法在车间调度中的研究应用

蚁群算法和遗传算法都属于仿生型优化算法,是解决调度问题的强有力的工具。本文针对多目标车间调度问题提出了一种多种群蚁群算法和遗传算法想结合的算法,算法的第一部分用多种群蚁群算法求得各个目标函数的最优解,第二部分把求得的解作为遗传算法的初始种群求得多目标问题的Pareto最优解。仿真结果,该算法有较好的有效性、稳定性和订单适应能力。     

一种基于免疫原理的多种群 DNA 遗传算法

针对单种群遗传算法易陷入局部最优、多样性丧失快等问题,提出一种基于免疫原理的多种群DNA遗传算法。在多种群协同进化的基础上,将DNA计算思想引入到编码和遗传操作算子的设计中,通过模拟生物机体的免疫机制对遗传进化过程中个体的产生和选择过程进行自适应调控,并利用优良个体的迁移实现种群间信息交流。最后,通过函数优化实验测试算法的性能。仿真结果表明,算法在发掘全局最优个体、局部搜索能力方面表现优越。     

利用改进的遗传算法求解约束优化问题

利用一种改进的浮点数编码的遗传算法求解约束优化问题,算法包括三个方面的改进,一方面,通过改进的变异算子保证种群多样性;另一方面,用改进的终止准则和周期性的利用一种局部搜索算法改进种群最优个体的函数值,从而加快算法的收敛性;利用改进的遗传算法测试了两个优化问题并与算法C-SOMGA和DONLP2的测试结果进行比较,测试结果表明改进的遗传算法在平均值和标准差方面明显优于算法C-SOMGA和DONLP2。     

基于多种群的高维多目标混合进化算法

目的 基于多种群的高维多目标混合进化算法求解高维多目标优化问题.方法 使用K-means聚类将初始种群划分为若干个子种群,引入粒子群优化算法加快种群的收敛速度;引入遗传算法提高解的质量;引入差分进化算法维护种群的多样性.此外,提出基于角度选择的存档机制进行子种群间的信息交流,进一步增加了种群的多样性.结果 与结论 在DTLZ标准测试集函数上进行仿真实验,数值结果表明MaOEA MP在大多数测试实例上具有较好的收敛性与多样性.     

基于全排序与混沌多样性的高维目标进化算法

当前大部分多目标进化算法采用Pareto排序为种群个体指定适应度值;然而随着优化目标个数增加,种群中非支配个体的比例越来越大,造成上述算法的搜索能力迅速下降。针对高维(4个以上)目标优化问题,提出了一种全排序方法;该排序方法与Pareto排序具有一致性,并且能够对非支配解进行比较;因此基于全排序的多目标进化算法不受目标个数增加的影响。为了提高算法的优化效果,设计了一个混沌映射算子,用来周期性地初始化种群,以保证种群的多样性与均匀分布。最后,采用标准测试问题对所提算法与著名的非支配快速排序遗传算法(NSGA2)进行了实验比较。结果表明在高维目标优化问题中,所提算法无论在收敛精度,还是算法运行效率上都高于NSGA2算法。     

基于遗传算法的静电反馈式微传感器多目标优化

讨论了一种新型梳齿式静电反馈微加速度计的多目标参数优化问题，从耦合静电场能量关系出发，建立了系统的动态模型．在此基础上，以灵敏度、分辨率和动态响应为优化目标，通过目标规划法，构建了系统的多目标优化模型．利用遗传算法进行优化求解，并与序列二次规划法的优化解进行了对比分析，研究结果表明，这2种算法均能成功地求解优化问题，但遗传算法可得到设计者更为满意的多目标有效解．研究工作为进一步利用遗传算法的随机性和潜在并行性进行系统的Pareto多目标优化提供了基础．     

多目标遗传算法在甲醇合成优化中的应用

针对甲醇合成优化中的多个目标函数 ,对多目标遗传算法进行了改进 ,引进了多个体交叉算子和种群间的变异算子 ,使用多目标权重因子解决了适应度函数的构造问题 ,不仅提高了算法本身的运行速度 ,而且在处理实际的多目标优化时 ,提供了较好的灵活度 ,在指导实际生产中表现出了良好的性能。     

面向多目标优化问题的基于Species的遗传算法

为了能够快速准确地获得多目标优化问题的一组非支配解,提出了一种基于Species的多目标遗传算法.该算法采用Tchebycheff方法构建一定数量的子问题,进而基于Species机制构造多种群实现了对多个子问题的并行求解.这种采用多个体对一个最优解的搜索方式提高了算法的探索能力和开发能力.最后,对一组标准测试函数进行仿真实验,结果表明所提出的算法能够快速准确地获得一定数量的非支配解.     

具有反向学习的多目标元胞遗传算法的空间桁架结构优化设计

为了解决具有多约束的桁架结构问题,提出一种具有反向学习的多目标元胞遗传算法应用于空间桁架结构多目标优化设计中。根据分析元胞遗传算法特点,引入一种反向学习策略、差分进化策略和约束处理技术。通过标准测试函数对比分析,算法能很好地保持Pareto解集的收敛性和均匀性。针对空间桁架结构优化的数学模型,采用实数编码和个体修正方法,将该算法对72杆空间桁架优化问题进行求解,并与MOCell的优化结果进行比较。结果表明,新算法获得的Pareto解集更加均匀,极端点值域更宽广,具有一定的工程实用性。