解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

QoS动态变化的服务选择算法

由于现代战争的快节奏和异常激烈,在面向服务的军事综合电子信息系统中候选服务的服务质量往往随时间快速变化,有时还有服务的加入和退出,现有组合服务选择方法很难应对这种场景. 提出了一种基于危险理论的动态约束多目标免疫克隆算法（DCMOICADT）用于QoS动态变化的服务选择. 首先将基于QoS的军事信息服务选择问题建模为带QoS约束的动态多目标组合优化问题,接着采用基于危险理论的动态约束多目标免疫克隆算法同时优化多个目标函数,最终产生一组满足约束条件的Pareto最优解服务组合集. 对比实验结果表明,DCMOICADT设计了环境感知因式用于描述QoS动态变化,使用Pareto-占优集和有益不可行解协同的免疫进化方案,能根据当前环境的变化快速且自适应地调整各免疫操作,所得最优解集具有较好的多样性和较强的逼近性,能有效解决QoS 动态变化的军事信息服务选择问题.     

解决约束优化问题的一种改进PSO研究

为有效求解约束优化问题,提出一种改进粒子群算法（ICPSO）。该算法在处理约束时不引入惩罚因子,而是根据目标函数值和粒子违背约束奈件程度。并根据种群中介体的可行性,采用三种不同的交叉操作对粒子自身最优位置进行操作,同时对全局最优粒子采取变异操作以产生新的学习样本,引导种群的飞行,提升种群跳曲局部最优解的能力。最后,引入一种混合粒子速度更新策略,提升种群向最优解飞行的概率。标准测试函数的仿真结果表明ICPSO是可行的,有效的。     

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。     

基于粒子群优化算法的稀疏信号盲分离

把粒子群优化算法应用于稀疏信号盲分离中,采用基于粒子群优化算法的聚类算法来估计混合矩阵;然后利用粒子群优化算法在求解具有线性约束优化问题时,只需在初始化时粒子满足线性约束条件,无须做其它处理的特点来求解稀疏源信号,从而给出了一种基于粒子群优化算法的稀疏信号盲分离算法。该算法计算量小,精度较高。仿真结果表明该算法是有效的,具有良好的分离性能。     

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.     

基于传热增广模型的轨迹优化与防热结构分析

在考虑飞行器结构温度约束的轨迹设计问题中,采用一般约束热流密度的轨迹优化模型存在反复迭代、不能考虑轨迹、传热之间耦合关系等缺点.针对这些问题,提出一种传热增广的轨迹优化模型.利用空间差分将传热方程转化为一阶微分方程组,与运动方程组成传热增广的系统状态方程,从而能在轨迹优化中对结构温度直接进行约束.算例仿真说明了基于增广...     

基于活跃集迭代法的支持向量机快速增量学习算法

介绍了一种新的支持向量机（SVM），其优化问题的对偶问题为具有简单界约束的凸二次规划问题：探讨了将活跃集迭代法运用于这种SVM的学习算法以及初始活跃集的选取问题；针对增量学习和大规模学习问题，提出了基于活跃集迭代法的SVM快速增量学习算法；实验验证了算法的有效性。     

基于规则导向的柔性作业车间多目标动态调度算法

设计了一种具有柔性资源约束的多目标集成优化方法,建立了包括最小完工时间、最小生产成本、最大设备利用率、最大交货满意度和最优人工分配在内的多目标组合优化模型;为降低模型的复杂度,抑制组合优化模型的状态爆炸效应,采用规则导向的资源调度思想,通过调整规则概率使概率大的规则被优先选中,从而"推动"搜索过程向预期目标方向移动;采用改进的非支配排序遗传算法—NSGA-Ⅱ获得不同规则概率值的Pareto解集,并结合动态规划法求解最优人员分配方案;仿真对比与算例验证,本文算法可以有效解决柔性作业车间多目标调度优化问题.     

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.     

基于改进蚁群优化的多目标资源受限项目调度方法

多目标资源受限项目调度是一类典型的NP难组合优化问题,具有广泛的实际应用背景.本文提出了一种带局部搜索的改进蚁群优化算法用于求解多目标资源受限项目调度问题,优化指标为最小化项目工期和资源投资.首先,采用改进的蚁群优化算法获取Pareto解集;其次,通过基于带逻辑约束的Insert和Swap邻域搜索方法对已获得的非支配解进行局部搜索,进一步提高算法的性能;最后,基于PSPLIB国际标准测试集的数值仿真实验与现有最好的算法比较,验证了所提算法的有效性和高效性.     

基于序值与拥挤度的拟态物理学多目标算法

根据约束多目标优化问题的特点,在拟态物理学优化(aritificial physics optimization, APO)算法的基础上,将无约束多目标APO(multi objective APO, MOAPO)算法引入到约束多目标优化领域中。提出约束违反度的判断准则,并采取一种更为有效的约束处理技术,从而构造出一种解决约束多目标优化问题的基于序值与拥挤度的拟态物理学多目标优化(improved constrained rank multi objective aritificial physics optimization, ICRMOAPO)算法。在随机搜索过程中动态调整引力因子与惯性权重,增强了非劣解集的多样性。实验结果说明了该算法的有效性,通过与序值约束多目标APO(constrained rank multi objective APO, CRMOAPO)算法、非支配排序遗传(non dominated sorting genetic algorithm, NSGA)算法、多目标遗传(multi objective genetic algorithm, MOGA)算法的对比实验,表明了该算法具有较好的分布性能,为约束多目标优化问题的求解提供了一种新的思路与方法。     

连续体结构的模糊多目标拓扑优化设计方法研究

提出了连续体结构静力学和动力学多目标拓扑优化设计的模糊-目标规划方法。该方法利用目标规划方法将多目标优化问题转化为等效的单目标问题,并用模糊集理论中的非线性隶属函数来体现目标规划方法中目标函数期望值所具有的模糊性和不确定性。以结构静力学的刚度和动力学的特征值作为优化的两个目标函数,提出并建立了连续体结构拓扑优化设计的多目标优化模型。用移动渐进线方法(MMA)求解单目标优化问题,用序列线性规划方法(SLP)求解模糊-目标混合规划问题。通过典型的求解算例验证了所研究方法的有效性。     

非线性约束最短路问题的启发式算法

多约束QoS路由优化是当前网络研究中的一个重要课题,而受限最短路问题(RSP)是QoS路由的一个基本问题。它是NP-完全的,并有许多具有多项式时间和伪多项式时间的启发式求解算法。然而这些方法只能求解一些带有线性约束的RSP。对一些非线性的约束(比如丢失率约束)大都用数学方法转化成线性约束来求解,这增加了问题的复杂性。本文提出了一种新的具有伪多项式时间的启发式算法来求解这类带非线性约束的RSP。主要思想是将非线性约束作为检验条件来使用。当每得到一个解时,检查解是否满足非线性约束。如满足,则得到最终解;否则在原问题中添加一个线性约束。该新约束将去除已经找到的解,从而使原问题的解空间进一步缩小,直到得到最终解。仿真算例说明了算法的有效性。     

一类非线性两级规划问题的模拟退火求解

提出一种基于模拟退火算法求解一类非线性两级规划问题的方法。为了提高模拟退火算法处理上级约束的能力，在模拟退火算法中引入一个辅助优化问题，通过求解该辅助优化问题产生满足上级约束的试探点，避免了使用罚函数处理上级约束。数值计算结果表明，与使用罚函数处理上级约束的模拟退火算法相比，本文提出的方法不仅可以提高求得全局最优解的可靠性，而且可以减少模拟退火算法的迭代次数，提高计算效率.     

求解约束优化问题的改进粒子群算法

针对高维复杂约束优化问题,提出了一种基于平滑技术和一维搜索的粒子群算法(NPSO)。该算法使粒子的飞行无记忆性,结合平滑函数和一维搜索重新生成停止进化粒子的位置,增强了在最优点附近的局部搜索能力;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒,使微粒能快速的找到位于约束边界或附近的最优解;最后,为了扩大粒子的搜索范围,引进柯西变异算子。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

递进多目标遗传算法

在现有算法研究基础上,提出了一种递进多目标遗传算法,该方法每进化一定代数后以一定策略对群体进行重构,以提高算法对解空间的遍历性,从而较大程度上避免算法的早熟.该算法采用非劣解等级优先的选择方式复制后代,降低算法的时间复杂性;通过递进层次间对部分非劣解个体执行局部搜索,加快全局非劣解集的进化.采用递进算法与现有两种典型多目标遗传算法NSGA、MOGLS算法对一些典型优化问题进行对比分析,验证了算法求解多目标函数优化问题的有效性;通过调整算法递进层次与每层进化代数的参数设置,进一步研究了参数选取对算法性能的影响.     

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。     

Minimizing a linear fractional function subject to a system of sup-T equations with a continuous Archimedean triangular norm

This paper shows that the problem of minimizing a linear fractional function subject to a system of sup-T equations with a continuous Archimedean triangular norm T can be reduced to a 0-1 linear fractional optimization problem in polynomial time. Consequently, parametrization techniques, e.g., Dinkelbach’s algorithm, can be applied by solving a classical set covering problem in each iteration. Similar reduction can also be performed on the sup-T equation constrained optimization problems with an objective function being monotone in each variable separately. This method could be extended as well to the case in which the triangular norm is non-Archimedean. The work is supported by the National Science Foundation of the United States under Grant No. #DMI-0553310.     

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.