多目标服务工作流混合粒子群调度算法

针对NP难的服务工作流时间一费用优化问题,提出多目标混合粒子群算法(HMOPSO)来优化工作流调度问题.HMOPSO算法包括:初始种群生成、适应值分配、种群多样性保持、外部种群和极值选择.通过分析服务工作流的特征,构建有效的粒子结构使之离散化;通过设定单目标最优初始解,优化初始种群;通过引入外部种群和基于小生境技术的网格方法,获得分布均匀的Pareto最优解集.实验结果表明,HMOPSO具有更快的收敛速度和更好的寻优能力,并且在不同特征的问题实例上获得了数量众多、分布均匀、有较高质量的Pareto最优解集.     

基于分布估计算法的建筑结构设计优化

建立了以质量最小为目标的建筑结构优化数学模型,解决具有应力约束和截面尺寸约束的离散变量结构优化问题.通过统计方法构建个体空间分布概率模型,随后依据此模型随机抽样生成新的群体,实现群体的进化.仿真结果表明分布估计算法求解建筑结构优化设计问题是可靠有效的,搜索能力更强,收敛性能更佳,为解决建筑结构优化问题提供科学的参考.     

局部搜索灰狼优化算法求解武器-目标分配问题

武器—目标分配（Weapon Target Assignment, WTA）问题是根据武器对来袭目标毁伤概率的不同,合理确定待打击目标的武器分配方案,以达到尽可能少的武器对来袭目标毁伤程度最大化的目的,是作战指挥决策领域的重要研究内容。在构建WTA问题模型的基础上,针对传统灰狼优化（Grey Wolf Optimization, GWO）算法局部开发能力不足等问题,采取了一种精英保留及免疫变异局部搜索策略。改进灰狼优化算法（Improved Grey Wolf Optimization, IGWO）首先在灰狼种群中选择部分优质精英个体,然后通过随机点变异和受体编辑两种免疫局部搜索策略对精英个体进一步寻优,从而改善传统GWO算法过早收敛和易陷入局部最优的缺点。针对3种不同规模的武器—目标分配问题,将IGWO与交叉熵算法、传统GWO算法进行了对比,计算结果显示IGWO算法所求适应度值的分位数均明显高于对比算法,进而验证了IGWO算法的有效性。     

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.     

用于RFID网络规划的含Expansion关系的多目标云优化算法（英文）

给出了一个含有Expansion关系的多目标云优化算法,并用于求解RFID网络规划问题.该算法的思想源自于云模型,利用云模型理论估计优化过程的优势解区域和生成新解.在优化过程中,算法利用获得的信息建立优势解区域的云模型,并用反向云生成算法计算该云模型的3个数字特征.在此基础上,依据这3个数字特征,用正向云生成算法产生当前代的子代种群.为了引导寻优过程,Expansion关系被用于比较最好的一些个体,并对当前代种群和当前代子种群的并集用Expansion关系进行排序;之后,依据这个排序结果从中选择一些最好的个体组成下一代种群.该算法与其它一些算法就一组基准函数进行了模拟测试比较,并用于求解一个模拟RFID网络规划问题,代距准则(GD)和多样性(Δ)用于评价算法的性能,模拟结果显示该算法是有效的.     

基于聚集密度的约束多目标进化算法

对基于群体聚类的约束多目标进化算法进行了改进,引入了聚集密度以度量群体中个体间的关系,保持种群的多样性。其基本思想为:首先将初始群体按多判据聚类方法分为适应度值不同的四类,然后计算类内群体中个体的聚集密度,根据适应度值和聚集密度定义一个偏序集,最后采用比例选择原则依次从偏序集中选择个体,更新精英集。通过数值实验用量化指标研究了改进算法的收敛性和分布性,结果表明:改进算法的收敛性与常规约束多目标进化算法相当,但分布性有了明显的提高。     

一种基于ELECTRE法的多目标优化进化算法

将多目标属性决策方法中的ELECTRE法引入到多目标优化进化算法中,提出了一种新的多目标优化算法.采用辅助群体来存储进化过程中的非劣个体,并且采用与SPEA-Ⅱ相同的适应值分配策略来保证解的良好分布性.此外,构造出一种新的超序关系对个体进行排序,证明了该超序关系比Pareto优劣关系弱,利用此超序关系,能增强进化过程中的选择压,加快收敛速度.数据实验结果表明,该算法能很好地收敛到Pareto最优,有效地保持解的多样性.     

基于分层环境选择策略的约束多目标优化算法

针对约束多目标优化问题(CMOPs)难以平衡约束条件和目标函数的不足,提出一种基于分层环境选择策略的约束多目标优化算法(CMOEA-HES).CMOEA-HES首先采用模拟二项式交叉(SBX)和差分进化(DE)算子分别产生各自的子代种群;然后通过第一层环境选择策略从两个子代种群中选出收敛性和多样性较好的个体;接着采用第二层环境选择机制在父代种群和第一层环境选择策略选出的个体中进行选择,在多样性和收敛性的基础上选出可行性较好的个体;最后将选出的个体作为下一代进化的种群．为验证CMOEA-HES的性能,将其与5种先进的约束多目标优化算法在两组典型的测试集上进行仿真计算,实验结果表明：CMOEA-HES在求解约束多目标优化问题上更具有竞争力．     

用于 RFID 网络规划的含 Expansion 关系的多目标云优化算法

给出了一个含有Expansion关系的多目标云优化算法,并用于求解RFID网络规划问题。该算法的思想源自于云模型,利用云模型理论估计优化过程的优势解区域和生成新解。在优化过程中,算法利用获得的信息建立优势解区域的云模型,并用反向云生成算法计算该云模型的3个数字特征。在此基础上,依据这3个数字特征,用正向云生成算法产生当前代的子代种群。为了引导寻优过程,Expansion关系被用于比较最好的一些个体,并对当前代种群和当前代子种群的并集用Expansion关系进行排序;之后,依据这个排序结果从中选择一些最好的个体组成下一代种群。该算法与其它一些算法就一组基准函数进行了模拟测试比较,并用于求解一个模拟RFID网络规划问题,代距准则（ GD）和多样性（Δ）用于评价算法的性能,模拟结果显示该算法是有效的。     

基于自适应网络与动态拥挤距离的多目标粒子群算法及应用

针对传统方法不易收敛到真实Pareto前端和解的多样性较差的问题,提出了一种基于自适应网络和动态拥挤距离的多目标粒子群优化算法。该算法能在外部种群的数量超过种群规模时,将目标函数空间均匀地划分为间隔相同的网格,统计每个网格中粒子的数量进而估计粒子的密度,限制外部档案的规模;然后引入粒子的方差信息,设计了基于动态拥挤距离的算法,避免了一次性淘汰所有拥挤距离小的个体而使解的分布性变差的问题,提高了解的多样性。函数优化实验及该算法在成品油调和经济效益问题中的应用都验证了改进后的算法具有很好的效果。