基于偏好的多目标粒子群优化的结晶器预测控制

针对结晶器出口温度和液位控制问题,提出了一种基于改进的偏好多目标粒子群优化的非线性预测控制算法（IMPSO-NPC）。改进的偏好多目标粒子群优化算法（IP-MPSO）将参考点偏好算法和参考区域偏好算法融合在一起,在参考点和参考区移动过程中动态调整参考区,控制解集的偏好范围。另外,为了选取粒子群全局最优粒子,提出一种球扇占优的策略,提高了粒子群的搜索能力。将改进算法应用于结晶器的控制过程,仿真结果证明了其有效性和可行性。     

群体决策中集成两类偏好信息的多目标粒子群优化方法

根据多个决策者给出关于目标的两类偏好信息-参考点和目标优先次序,建立了一个能集成这两种偏好的多目标粒子群优化算法.该算法首先分别按距离和目标值对解进行排序、赋予偏好值,然后将它们组合得到集成偏好值,并用集成偏好值引导粒子向群体偏好的Pareto前沿收敛,最后运用ε- 排斥思想实现解在Pareto边界分布的均匀性.仿真结果表明该算法有效.     

基于参考点的时变参数不可测对象PID控制器优化设计

针对参数时变,且含有多个目标函数的PID控制器设计,提出了一种基于参考点的时变参数不可测动态多目标优化遗传算法.该算法在常规动态多目标优化遗传算法基础上,加入了参考点及局部搜索和种群更新机制,以实现对不同环境及环境不可测情况下PID控制器参数的优化,用典型测试函数将该算法与DNSGA2-A算法进行比较,验证了算法的有效性.在PID控制器设计部分,首先建立PID控制器时变动态多目标优化模型,将多目标PID控制器设计问题转化为动态多目标优化问题;然后建立参考点,定义基于参考点占优帕累托支配关系,通过局部搜索和种群更新机制对种群进行处理,优化PID参数;最后将该方法应用于柴油机优化问题实例,将误差和方差作为优化目标,对PID控制器的3个参数进行优化,验证了方法的有效性.     

基于自适应混合粒子群算法的协同多目标攻击空战决策

针对协同多目标攻击过程中的空战决策问题,建立了协同多目标攻击空战决策的多目标优化数学模型,提出了一种新的自适应混合粒子群优化算法,并将其应用于协同多目标攻击空战决策问题.该算法利用种群多样性信息对惯性权重进行非线性调整,并结合遗传算法的思想,提出了对粒子进行交叉和变异操作来完成粒子更新的方法.仿真结果表明,该算法具有较高的局部求解精度和全局搜索能力,是一种求解协同多目标攻击空战决策问题的有效算法.     

求解大规模多目标问题的改进粒子群算法

针对大规模多目标优化问题,提出了一种基于分解的改进粒子群算法。该方法将分解策略与社会学习粒子群优化算法相结合引入到个体的学习过程中,针对每个个体及其邻域个体,计算其沿权重向量方向与参考点之间的距离以及与权重向量之间的距离并对它们进行排序,个体通过学习离参考点近的任意个体以及离权重向量近的所有个体实现位置的更新。在5个ZDT测试函数上进行了500维和1000维的测试对比,结果表明本文所提的算法具有较好的收敛性以及分布均匀性。     

两阶段混合引导的偏好多目标优化算法

在偏好多目标优化问题求解中,基于偏好点引导方式的优化算法性能易受偏好点具体位置的影响,且不能控制偏好解集大小;而基于偏好区域引导方式的优化算法虽然能控制偏好解集规模,但算法初期收敛效率不够高。针对此问题,提出一种两阶段混合引导的偏好多目标优化算法。算法初期采取偏好点的引导方式,同时引入偏好界限动态调整策略,使得种群快速收敛到偏好区域附近。迭代一定次数后,采用偏好向量引导方式指导算法搜索,达到控制偏好解集范围的目的。与几种经典的偏好优化算法进行实验对比分析,结果表明,所提算法性能不受偏好点位置影响,得到的偏好解集能很好地表征决策者的偏好信息,并且控制了偏好解集范围,便于决策者的最终决策。     

一种基于多条件约束的路由优化启发式算法

主要研究了2个问题：其一是在网络中寻找一条从源节点到目的节点的路径，该路径满足总长度不大于预设值且总耗费也不大于预设值；其二是在满足总长度和总耗费均不超过各自预设值的条件下，寻找一条优化路径，使得决策者满意其总长度和总耗费．文中首先提出了一个交互式算法来求解后一个问题，该算法利用一个多目标整数规划模型来求解长度和耗费优化的路径．该算法引入目标参考点，在算法的每一次交互步骤中，让决策者通过调整目标参考点来寻找满意解，并压缩了目标搜索空间．然后提出了一个启发式算法来综合解决以上提出的问题，并在文中给出了该算法的完整描述．最后给出了一个仿真实例来验证文中提出的2个算法．     

一种有向传感器网络改进粒子群覆盖增强算法

优化传感器网络覆盖对于合理分配网络的空间资源、更好地完成信息感知和采集任务、提高网络的生存能力都具有重要的意义.在分析传感器节点有向感知模型的基础上,提出了一种有向传感器网络改进粒子群覆盖增强算法.该算法针对随机部署有向传感器网络,以网络区域覆盖率为优化目标,采用改进的多步式位置可选择更新粒子群优化算法,通过调整传感器...     

基于粒子群优化算法的协同空战导弹目标分配

为了取得协同空战的最佳攻击效果,在协同攻击的过程中进行导弹-目标最优分配是一种有效的解决方法。首先运用作战效能和运筹学理论建立多目标协同攻击的导弹-目标最优分配模型,其次在分析基本粒子群优化算法特点的基础之上提出了一种改进粒子群优化算法,其中的主要改进有3点:惯性权自适应调整、粒子速度与位置自动更新以及优化策略改进。然后将该改进粒子群优化算法应用于协同空战导弹-目标最优分配问题的迭代求解。仿真结果表明所采取的改进策略加快了算法的收敛速度,提高了粒子的局部求解精度与全局寻优能力,并且与基本粒子群算法、遗传算法相比较,该改进粒子群优化算法能够更加快速、有效地求出多目标协同攻击的导弹-目标分配最优解。     

基于Maximin的动态种群多目标粒子群算法

针对粒子群优化算法在处理多目标函数优化问题的过程中,往往会出现局部收敛现象,在MOPSO算法基础上提出了一种新的多目标粒子群优化算法.该算法在运行过程中采用动态调整粒子群种群数目的方式使粒子摆脱局部最优解对其的吸引;同时为了克服粒子种群多样性降低带来的影响,将粒子的相对适应度方差引入到Maximin计算公式中.然后基于Pareto最优的概念,利用方差Maximin策略来评价最优解,并保存在可变的外部精英集中,以保证结果的分布性良好.最后,该方法在仿真中取得了良好效果,可以更广泛地应用到复杂工业多目标优化领域中.     

一种有向传感器网络改进粒子群覆盖增强算法

优化传感器网络覆盖对于合理分配网络的空间资源、更好地完成信息感知和采集任务、提高网络的生存能力都具有重要的意义。在分析传感器节点有向感知模型的基础上,提出了一种有向传感器网络改进粒子群覆盖增强算法。该算法针对随机部署有向传感器网络,以网络区域覆盖率为优化目标,采用改进的多步式位置可选择更新粒子群优化算法,通过调整传感器节点的主感方向,减少网络感知重叠区和感知盲区,实现覆盖增强。仿真实验表明,该算法简单、高效,优于传统的覆盖增强算法。     

自适应插值飞蛾扑火优化的多特征粒子滤波车辆跟踪算法

针对现有飞蛾扑火优化算法精度低、全局搜索能力差的问题,提出一种自适应插值飞蛾扑火优化算法,并将其嵌入多特征粒子滤波中优化,构建自适应插值飞蛾扑火优化的多特征粒子滤波车辆跟踪算法.首先,在飞蛾的位置更新机制中加入自适应权值,改善所提算法的全局搜索能力.其次,采用改进的插值飞蛾扑火优化算法对采样过程进行优化,结合多特征自适应融合优化粒子滤波车辆跟踪算法,根据最新观测信息不断调整粒子分布,使低权值层粒子向权值较高的区域移动,增强粒子质量,避免样本退化.实验结果表明,本文算法能够有效降低状态预测所需的样本粒子数,提高算法的跟踪性能,在车辆目标发生遮挡、光照、姿态及尺度变化等干扰下仍然能够准确、稳定地跟踪目标车辆.     

基于搜索空间自适应分割的多目标粒子群优化算法

提出一种基于搜索空间自适应分割的多目标粒子群优化算法, 根据粒子的搜索能力和规模与子搜索空间的体积呈多维标准正态分布变换, 精细分割搜索空间, 向划分出的子搜索空间分布粒子实现优化, 分割在迭代时持续进行, 直至获得最优解集. 实验结果表明: 该方法解决了多目标粒子群优化算法易陷入局部极值的问题; 在反向世代距离性能指标上, 该算法与一些典型的多目标粒子群优化算法相比, 其种群多样性和解的收敛性优势显著.     

基于约束骨干粒子群算法的化工过程动态多目标优化

大多数化工过程是动态过程,需同时优化多个目标,从而带来复杂的约束多目标动态优化问题。因此提出了一种动态约束多目标骨干粒子群算法,即采用一种新型约束处理方法,结合Pareto支配和ε约束支配技术的双档集机制;针对约束优化问题寻优难度更大,更易陷入局部最优的特点,采用局部搜索和混合变异策略,并自适应调整搜索步长,提高算法的探索和开发能力;采用分段线性函数参数化方法,构建一种动态约束多目标粒优化算法,并将其用于解决间歇反应器的动态多目标优化问题。测试实验表明:与NSGA-II和自适应差分进化算法(SADE-εCD)比较,该算法具有更优秀的收敛性与分布性;应用到化工过程多目标动态优化问题实例进行比较表明,多目标骨干粒子群算法在约束多目标动态优化问题的求解中表现出更好的应用前景。     

一种改进的自适应粒子群优化算法

针对粒子群优化算法中出现对大规模问题搜索失败,分析了粒子群优化算法的收敛性,指出了粒子速度与搜索失败的关系,提出了一种根据速度信息自适应调整参数的粒子群优化算法,该算法在满足收敛性的条件下,搜索过程中粒子根据理想的速度自适应调整参数进行搜索。修改后的算法经过大量测试函数上的模拟实验验证,并与其他算法进行了比较。实验结果表明,该算法能克服基本PSO算法在求解高维、多峰等复杂非线性优化问题时易陷入局部最优和不收敛等搜索失败的问题。     

一种新的求解多目标问题的分组粒子群优化算法

用粒子群优化算法求解多目标问题容易陷入局部最优,为此本文提出了一种分组粒子群多目标优化算法。该算法将决策空间分成Q个子空间,每个子空间随机的分配N个粒子,这Q个粒子群分别在各自的空间进行独立搜索。为保证每个种群的搜索多样性和遍历性,用混沌序列对各组粒子位置进行初始化,同时对各组进行基于聚集距离的粒子择优进化。由典型多目标函数的优化实验结果表明,经过适当的分组,该算法能迅速逼近非劣最优解集,效果令人满意。     

基于改进CMOPSO挠性卫星姿态机动路径优化

针对挠性卫星姿态快速机动快速稳定控制中的路径优化问题,研究了一种基于云多目标粒子群算法(CMOPSO)的姿态机动路径优化方法.为了解决云多目标粒子群算法寻优初期可能出现粒子陷入局部最优的问题,提出了一种随迭代次数呈反正切函数变化调整惯性权重的改进云多目标粒子群算法.针对挠性卫星大角度姿态机动问题,考虑挠性卫星姿态机动过程中角加速度和角速度的限制,建立了姿态机动路径参数的多目标优化模型,并采用改进的CMOPSO进行优化.仿真结果验证了所提改进的云多目标粒子群算法在挠性卫星姿态快速机动快速稳定控制中的有效性.     

一种离散型多目标粒子群优化算法

为获得更好的非劣前端,提出一种离散型多目标粒子群优化算法。该算法根据离散型多目标优化问题的特点,将种群分成多个子种群,在各个子种群中利用表现型共享的适应度函数选择每个子种群的最优粒子。通过多个最优粒子的引导,使整个种群分布更均匀,避免陷入局部最优,保证了解的多样性。实验表明了该算法的有效性。     

基于粒子群优化的最小属性约简算法

将最小属性约简问题转化为一个基于粒子群优化算法求解的多目标优化问题.引入基于表现型共享的适应度评价函数以提高多目标搜索算法的性能,对基本粒子群优化算法的位置更新公式进行修正使其能够有效应用于最小属性约简问题,并提出了一种用于求解该问题的二进制多目标粒子群优化算法.实验表明,本算法是有效的,并能一次运算获得多个最小属性约简.     

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。