基于多目标进化算法混合框架的MOEA/D算法

针对混合多目标进化算法中如何设计全局搜索算法和局部搜索策略结合机制的难点问题以及提高多目标进化算法的求解性能,基于反馈控制思想,提出了一种系统化、模块化的全局优化与局部搜索相结合的混合MOEA/D算法,算法中设计了一种基于拥挤熵的种群多样性度量方法;提出了基于简化二次逼近的局部搜索策略,以及针对MOEA/D的种群多样性增强策略。数值实验表明所提算法具有良好性能,可以兼顾算法求解的多样性和收敛性,所提混合框架可有效提升现有多目标进化算法的求解性能。     

基于城市道路限行的多能源多车型车辆路径优化

针对日益严峻的城市汽车尾气污染问题和日趋严格的城市限行措施,本文首次将城市分区域、分车型等限行因素引入到车辆路径问题,并以碳排放、运输等费用总成本最小为目标,构建了基于城市道路限行的多能源多车型混合车辆路径优化模型.针对模型的NP难特性,本文提出了一种变邻域搜索算法(VNS-TR)求解该模型.最后,通过算例和基准测试集验证了模型及算法的有效性.     

施工网络进度计划的多目标优化

通过对施工网络进度计划的研究 ,提出一种新的评价准则——工程质量 ,并建立了网络计划的数学模型 .同时综合前人已研究出的各种优化方法 ,得出网络计划的多目标优化模型 .由于各优化目标之间的矛盾性 ,用多目标决策理论可以科学客观地优化网络计划.     

基于多目标优化决策的飞机维护计划研究

将多目标优化和偏好规划引入到飞机维护研究中.先分析了优化飞机维护安排的关键因素,并用离散事件模型表示,然后利用多目标优化获得非支配解.最后,采用多属性决策模型支持维护决策者从非支配解中选择优先的非支配解.目标函数以及偏好的不确定性用区间表示,采用偏好规划进行求解.仿真表明该方法可以提供一种有效的方法建立、更新和改善维护计划.     

基于遗传算法的多类人力资源计划最优决策

研究了人力资源计划中的多类工作、多类员工的多阶段人力计划招聘解聘多目标最优决策问题，其中高级员工拥有多项技能可以临时替代低级员工相应的低级别工作，且工作效率可以不同，相关的人力费用包括各阶段招聘解聘的固定费用、可变费用及工资费用等，并采用多个目标的最优决策，其中人力费用最小为首要目标，后两个目标考虑剩余劳动力．利用改进的遗传算法NNGA（non-natural genetic algorithm），给出了此类问题的通用解决方案．     

基于邻域搜索的成品油多舱多目标配送路径优化算法研究

针对成品油配送中多车型,多车舱的优化调度难题,综合考虑路径安排,舱位指派及车辆指派等决策.以配送成本最小,路径风险最小以及油品准时送达为目标,建立了成品油配送多目标路径优化模型.基于邻域搜索的基本思想,提出求解成品油配送多目标路径优化问题的MOVNS算法框架,并结合不同的可行解运行策略和比较准则,衍生出三类MOVNS算法(MOVNS-1、MOVNS-2、MOVNS-3).采用12组算例进行数值实验,结果表明,三种算法均能有效的求解配送模型,提升成品油多舱配送问题的解决效率;且MOVNS-2算法具有较强的局部搜索能力,MOVNS-3算法容易跳出局部最优:同时,考虑节点关联性的可行解构造策略和并行邻域搜索策略能够增强算法的寻优能力.     

一种改进遗传算法及在多目标优化中的应用

基本遗传算法在求解大规模多目标优化问题时会出现早熟和搜索效率低等问题。针对这些问题,对基本遗传算法引入了邻域操作、自适应策略和混沌优化等多种改进策略,研究设计了一种有机结合各种改进策略的改进遗传算法流程。应用实例的仿真试验表明改进算法可行,且在求解大规模多目标优化问题时较基本遗传算法具有精度和速度优势。     

考虑多运输方式的供应链生产计划多目标模型

描述了考虑多运输方式的分布式多工厂、多分销商的供应生产计划,以实现最小化提前／拖期惩罚费用、生产成本、产品运输费用三者的总额以及最小化供应链的活动时间为目标建立了多目标优化模型,通过模型转换和利用加权和法求解多目标规划得到了其生产计划调度方案。计算结果说明了模型的有效性和可行性。     

基于MOEA/D-ARMS的无人机在线航迹规划

无人机(unmanned aerial vehicle, UAV)在线航迹规划是UAV协同控制关键技术之一, 在线航迹规划问题本质上是一种动态多目标优化问题。为了求解该问题, 提出了一种基于自适应应答机制选择的动态多目标进化算法(multi-objective evolutionary algorithon based on decomposition-adaptive reaction mechanism selection, MOEA/D-ARMS)。多种应答机制构成应答机制池, 以应答机制最近一次的整体表现赋予应答机制一定的奖励, 并采用基于概率的方法从应答机制池中选择应答机制。MOEA/D-ARMS分别在静态环境情况、突发威胁情况、突变威胁情况和偏好改变情况下进行仿真实验。仿真结果表明, MOEA/D-ARMS可有效求解UAV在线航迹规划问题。     

基于D优化的多应力加速退化试验设计

针对多数产品受到多种应力影响的情况,研究恒定应力和步进应力两种施加方式下多应力加速退化试验优化设计方法。以随机过程对产品性能退化建模,分析试验剖面,对恒定应力加速退化试验,采用均匀设计和均匀正交设计理论确定应力的组合方式;对步进应力加速退化试验,各应力均采用步进方式。基于D优化方法,以模型参数估计方差最小为目标,以试验费用为约束,建立优化模型,给出最优的各应力水平,各应力水平下的样本分配、试验时间分配和监测间隔。最后给出应用该方法的仿真算例。     

基于差分进化邻域自适应的大规模多目标算法

对于大规模决策变量给求解大规模多目标优化问题带来的难以收敛及解集分布不均匀问题,通过分析变量特征将其分类再分别优化是当前较为有效的求解方法,但存在变量分类不够准确、变量处理不够有针对性等不足。对此,提出一种基于差分进化邻域自适应策略的大规模多目标优化算法。首先,通过分析扰动解的支配关系将混合变量分为多样性变量和收敛性变量,使变量分类更为准确。其次,通过对收敛性变量主成分分析降噪,降低计算成本,并设计种群的交替进化策略及差分进化的邻域自适应更新操作以提升种群进化过程中的收敛性。实验结果表明,所提算法在收敛速度和解集的分布均匀性上表现出良好的性能。     

多邻域改进粒子群算法

为了改进标准粒子群算法的性能,提出了多邻域改进粒子群算法。算法提出了一种较为简单的多邻域拓扑方案,对速度惯性权重的更新策略进行了改进,引入了速度和搜索区间限制算法。经过对经典测试函数的计算测试,算法表现出良好的复杂问题求解能力。最后,针对多目标优化问题,给出了多目标应用在粒子群算法中的处理方法,并对经典的5维优化和Golinski 减速器设计问题进行了求解,通过数据比对,证明了算法性能远优于现有的一些算法。     

利用遗传算法实现进度计划的多目标优化

提出进度计划多目标优化的改进数学模型，利用遗传算法和VBA宏语言编制程序在Ms Project98下对模型进行求解，并给出一个时间／费用折中的计算实例，计算结果以及对比研究表明，这种方法是可行和有效的。     

基于改进ESE算法的多目标优化试验设计方法

超立方试验设计是试验设计领域的热点问题。传统的拉丁超立方试验设计优化算法以试验点间正交属性度量准则或均匀性度量准则为单一优化目标,以单一优化准则求得的试验设计并不能确保其他的优化准则最优。以正交度量准则和均匀性度量准则为优化目标,提出基于改进ESE算法的多目标优化试验设计方法。算例测试证明,与已有算法相比,本文提出的新算法能得到更优的试验设计。     

基于目标满意度的交互式多目标决策改进方法

以目标满意度函数为基础，以欧式距离构造系统总体协调度函数，提出一种改进的交互式多目标决策方法。该方法不但能充分体现决策者的主观愿望并实现决策者与系统间的信息交换，而且避免了在多目标向单目标转换时各单项目标或各目标满意度权重系数经验给定的不足。应用分析表明该方法有效可行，便于实际操作。     

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘睹法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度...     

基于多目标遗传算法的高层建筑概念设计优化

在高层建筑方案概念设计阶段,同时考虑了建筑、结构、设备等多种因素,并运用多目标遗传算法及MATLAB编程,对高层建筑概念设计进行优化.算法中的随机变权重因子可以更好地体现不同决策的侧重倾向,从而更好地符合实际需要.以高层办公建筑为例,提出了具体的方法和实施步骤,所得结果可为工程设计人员提供有益的借鉴.     

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.     

基于改进狼群算法的柔性作业车间调度研究

将一种改进的狼群算法用于解决柔性作业车间多目标调度优化的难题。以工件的最大完工时间和机器能耗为优化目标建立了多目标柔性作业车间调度模型;针对传统狼群算法容易陷入局部最优的缺点提出了一种改进的狼群算法,通过对狼群算法智能行为的改进,从工序和机器2个层面设计个体编码,引入POX (precedence operation crossover)交叉操作,保证解的合法性,提高算法的全局搜索能力;通过对2个车间实例的对比实验来验证改进狼群算法的有效性。实验结果表明,提出的改进狼群算法不仅具有良好的全局搜索能力,寻优能力较其他算法也有所提升,能够为制造业提高生产效率提供新的解决思路。     

基于改进多目标粒子群算法的家庭用电时段优化

为解决家庭用电负荷的调度优化问题,综合考虑用电成本、满意度以及用户侧波动程度3个目标进行优化。提出改进自适应权重多目标粒子群算法(improved adaptive weighted multi-objective particle swarm optimization, IAW-MOPSO)求解模型,通过对粒子的适应度值分段更新惯性权重,均衡了粒子群算法的局部改良能力和全局搜索能力,在保证得到全局最优解的同时完成对家用电器的优化调度。结果表明:该优化策略降低了29%的电费,保障了高峰时期用电的稳定性,用户满意度明显增加,验证了所提模型的有效性以及算法的优越性。