一种改进的RBF神经网络多目标优化算法

针对RBF网络训练中的多目标优化问题,提出了一种基于Pareto方法的改进的非支配排序遗传算法INSGA(Improved Non-dominated Sorting Genetic Algorithm).通过对某企业的订单数据进行预测的实验结果表明,它可以有效地解决以训练误差和测试误差为优化准则的RBF网络的参数确定问题,验证了改进的NSGA算法与RBF网络结合的可行性.     

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。     

遗传算法在多目标运输问题的应用

运输问题有特殊的数据结构——运输树，应用基于支撑树的遗传算法求解多目标运输问题，介绍了能表示运输问题所有基解的节点编码方法及对节点编码的交配与变异规则，给出了染色体转换成运输树的可行性准则。     

多目标优化的进化优化算法

进化优化算法具有全局优化能力,可以一次性求解多个非劣解。近年来,此类方法已经成为求解多目标优化问题一个重要的研究方向。本文分析了进化优化算法的关键步骤,介绍了几种代表性的多目标进化优化算法,并指出了值得进一步研究的相关问题。     

油料调度保障问题的多目标优化方法

【目的】研究油料保障活动中的调度保障问题。【方法】综合多方面因素，构建了以调度效率最大化、系统调度成本最小化以及系统调度时间最小化为目标函数的多目标优化模型。【结果】利用多目标优化的主要目标法等标量化方法将问题转化为单目标优化模型，分析该模型解的性质并提出相应的遗传算法进行求解。【结论】提出的多目标优化方法能够在保障调度效率的同时获得相应较低的系统成本和相应较短的系统调度时间，可为油料调度保障问题提供决策参考。     

基于生态捕食模型的多目标优化问题求解算法

根据种群生态学中的捕食模型，将多个目标的权值对应到生态系统的种群规模，利用生态捕食模型的动态周期性变化特性，提出了一种新的进化多目标优化算法．该算法通过生态捕食模型来动态调整各个目标的权值，无需人为指定，从而减少了对问题知识的依赖，快速找到非劣解集．文中给出了权值调整策略的参数选择标准，并选择几个比较困难的多目标函数优化问题做了实验．实验结果表明了新方法的有效性．     

遗传算法在多目标运输问题的应用

运输问题有特殊的数据结构———运输树,应用基于支撑树的遗传算法求解多目标运输问题,介绍了能表示运输问题所有基解的节点编码方法及对节点编码的交配与变异规则,给出了染色体转换成运输树的可行性准则.     

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。     

一种用于多目标优化的克隆选择算法

多目标进化算法的研究目标是使算法种群快速收敛并均匀分布于问题的Pareto最优前沿面.为此,在比较与分析已有多目标进化算法的基础上,借鉴免疫系统中的克隆选择原理,提出了一种用于多目标优化的克隆选择算法.该方法只对部分当前所得到的Pareto最优解进行进化操作,并选用一种简单的多样性保护机制来保证Pareto最优解具有良好的分布特征.'实验结果表明该方法能够很好地达到Pareto最优前沿面,较好地保持解的多样性,并且具有很快的收敛速度.     

松约束模型运输问题的一种解法

文中以紧约束模型运输问题的最优解为基础,给出了一种解具有一次终止性的求解松约束模型运输问题最优解的计算方法。     

改进ST-GA遗传算法在多目标运输问题中的应用

在解决多目标运输优化问题的基于生成树的遗传算法（st-GA）中融入了NSGA-Ⅱ算法,提出了一种新的生成树遗传算法（NSST-GA）,新算法利用NSGA-Ⅱ中的策略来保持解群体的分布性和多样性,采用精英保留和擂台法来进行遗传选择,算例结果表明新算法提高了收敛速度,防止了早熟收敛,较好的保持了种群多样性和算法的稳定性．     

基于多目标优化的炼钢-连铸生产智能调度模型与算法

针对现有数学规划模型和算法对设备冲突欠缺直接、有效的处理方法问题,应用多目标优化的基本思想,建立了新的炼钢-连铸生产智能调度模型,将炼钢-连铸生产调度问题转化为具有两个目标的多目标优化问题,其中,第1个目标为最小化全厂完工时间与所有炉次等待时间,第2个目标由不能消解的设备冲突时间转换得到,这样利用多目标优化方法的先天优势来克服传统方法的不足,并设计了基于多目标进化算法NSGA-Ⅱ的求解算法;此外,针对设备冲突困境,还提出了一种基于等待时间松弛的冲突消解方法,通过迭代松弛调整炉次的等待时间长度完全消解设备冲突。在国内某大型转炉炼钢厂的应用实践表明了所提模型和算法的有效性。     

解多目标优化问题的新粒子群存档算法

通过把Pareto优与粒子群优化(PSO)算法相结合,利用给出的粒子的序值定义对粒子群中的粒子进行分离存档,给出了一种求解多目标优化问题的新粒子群存档算法。为了提高算法的全局收敛性,对PSO算法中的惯性因子ω执行自适应调节。数据实验比较表明该算法能找到问题数量更多、分布更广、更均匀的Pareto最优解。     

基于模糊优化的多目标投资组合选择模型研究

将模糊集合的概念引入投资组合模型中，并将多目标投资组合模型中的收益、方差和偏度三个目标模糊化，用逻辑隶属函数作为新的目标函数．针对该模糊多目标投资组合模型，提出了一个动态遗传算法，算例给出了该模型的一个实例的最优解，并进一步解释了模糊尺度随决定逻辑隶属函数形状的参数的变化而反向变化的规律．     

需求区间型运输问题的模糊优化模型

为解决需求区间型运输问题,将弹性需求区间转化为三角模糊数,建立该问题的模糊优化模型;根据运输问题的特点,将模糊优化模型转化为两个等价的运输问题,给出模糊最优判决λ＊的一个定理,并给出此类运输问题的一种简便求解方法;最后,通过实例验证方法的有效性.     

遗传算法在多目标优化问题中的应用策略

遗传算法针对多目标优化问题,在适应度函数的选择、为防止遗传漂移和维持种群多样性等方面采用了相应的策略.在两杆构架优化的实例中,根据关系算子进行Pareto最优性排序,计算个体的适应度;引入分享机制以避免遗传漂移现象,保持种群的多样性;从种群池中独立保持Pareto解,使得最优解成为实际上的满意解.     

需求区间型运输问题的模糊优化模型

为解决需求区间型运输问题,将弹性需求区间转化为三角模糊数,建立该问题的模糊优化模型;根据运输问题的特点,将模糊优化模型转化为两个等价的运输问题,给出模糊最优判决λ＊的一个定理,并给出此类运输问题的一种简便求解方法;最后,通过实例验证方法的有效性.     

A new definition and calculation model for evolutionary multi-objective optimization

We present a new definition (Evolving Solutions) for Multi-objective Optimization Problem (MOP) to answer the basic question (what’s multi-objective optimal solution?) and advance an asynchronous evolutionary model (MINT Model) to solve MOPs. The new theory is based on our understanding of the natural evolution and the analysis of the difference between natural evolution and MOP, thus it is not only different from the Converting Optimization but also different from Pareto Optimization. Some tests prove that our new theory may conquer disadvantages of the upper two methods to some extent.     

分布式Q学习多目标函数优化策略

将分布式Q学习算法与Pareto排序法相结合,提出了一种利用强化学习算法解决多目标优化问题的策略。该策略充分利用Q学习语句式的奖赏机制来描述问题的多重目标函数,并结合一般的Pareto排序法,在有限的迭代过程后输出可以充分接近于Pareto前沿的非支配解集。与其他智能搜索算法相比,该策略具有结构简单、无需先验知识、参数设置少的特点。测试函数优化问题验证了算法的有效性,为智能算法解决多目标优化问题提供了一种新思路。