一种多目标增量启发式搜索算法

提出一种多目标增量启发式搜索算法, 该算法结合启发式搜索与增量搜索的思想, 当多目标问题搜索图的状态格局发生改变时, 该算法并不是对变化后的问题进行完全重新求解, 而是部分利用了先前搜索保留的信息求解新问题的最优解集, 从而提高了问题求解的效率. 通过Gridworld标准测试问题上的实验测试, 验证了算法的效率.     

求解线性多目标规划的一种新方法

给出求解线性多目标规划问题弱有效解子集的一种新算 法. 在不同的条件下, 运用此算法得到了线性多目标规划的弱有效解子集, 并在得到的解子 集中再次进行寻优, 进而得到弱有效解集中决策者满意的较优解; 同时用VC++语言实现 了此算法, 并给出了具体算例.     

一个求解多目标非线性规划问题的交互式方法

本文给出一个求解多目标非线性规划问题的新的交互式方法，此法的主要特点是，通过与决策者的交互对话，来逐次缩小权向量空间，在对目标空间中的点作筛选后，得到决策者满意的解。     

一种多目标规划寻优方法

通过对多目标规划优先级分配传统方法及其不足之处的探讨,提出了一种可使得各个目标尽量达到最优的多目标规划优先级分配方法。该方法已应用于企业生产经营计划决策支持系统,取得了满意的效果。     

一类物资多目标规划的算法研究和评价模型

提出了一种多目标资源分配的启发式搜索算法和评价模型,通过初始的若干种物资在不同站点之间的几种可能的调配方案,确定邮不同的初始搜索矩阵,在此基础上进行搜索可以很大程度地减少全局最优解的范围,结果表明,利用提出的基于随机参数统计原理的评价模型便能很容易得出合适的方案解。     

基于遗传算法的多目标规划的求解

文章用遗传算法求解了一道数学建模竞赛题,并与其它算法进行了比较,体现了遗传算法解决多目标优化问题的优越性．     

求解多目标规划的一种模糊目标算法

本文在文献[1]的基础上,引入模糊数学思想,提出了一种全新的求解多目标规划算法．其不仅简化了文献[1]的算法过程,还解决了如何判断解的有效性问题．     

一种求解多目标优化问题的混合演化算法

提出了一种混合演化算法求解多目标优化问题.演化算法是解决多目标优化问题的有效方法,在全局优化问题中具有很好的鲁棒性,但其局部搜索性能有待改善.Hooke and Jeeves方法是一经典的局部搜索算法,将其与演化算法结合求解多目标优化问题,提高了解的收敛质量,因而从整体上提高了算法的性能,并且测试结果也说明了该算法的可行性.     

目标规划的典式和高维目标规划的求解

本文首先建立方便于计算机算法描述的目标的求解典式，然后提出了在微机上求解高维目标规划的两种算法－改进多阶段单纯形法和动态内存法，并对这两种算法的运行速度和解题能力作了比较和讨论。     

群体多目标规划联合锥弱有效解类的稳定性

对于群体多目标规划问题,得到了当其决策变量和目标序受扰动时它的联合锥弱有效解集在上半连续意义下的稳定性结果．此外,当扰动变量形成Baire空间时,分别证明了在Baire分类意义下变量扰动和序扰动的联合锥弱有效解集在连续意义下的稳定性．     

A new evolutionary algorithm for solving multi-objective optimization problems

Multi-objective optimization is a new focus of evolutionary computation research. This paper puts forward a new algorithm, which can not only converge quickly, but also keep diversity among population efficiently, in order to find the Pareto-optimal set. This new algorithm replaces the worst individual with a newly-created one by “multi-parent crossover”. so that the population could converge near the true Pareto-optimal solutions in the end. At the same time, this new algorithm adopts niching and fitness-sharing techniques to keep the population in a good distribution. Numerical experiments show that the algorithm is rather effective in solving some Benchmarks. No matter whether the Pareto front of problems is convex or non-convex, continuous or discontinuous, and the problems are with constraints or not, the program turns out to do well. Foundation item: Supported by the National Natural Science Foundation of China(60133010, 60073043, 70071042) Biography: Chen Wen-ping ( 1977-), female, Master candidate, research direction: evolutionary computation.     

求解二层多目标规划的新算法

研究多目标二层规划的一种算法,给出二层多目标决策问题数学模型的一种新解法,把线性加权和法、理想点法和Kuhn-Tucker条件结合起来,将二层多目标规划问题转化为单层单目标规划问题,使问题简单化,从而得到原问题的有效解。     

一类二层多目标规划的混沌遗传优化算法及其应用

针对求解一类二层多目标规划问题,首先将其转化为等价的单目标规划问题,然后利用遗传算法优化的反演性和混沌优化方法的遍历性,并结合精确罚函数求解非线性约束优化问题,提出了求解此类问题的混沌遗传算法.该方法能够有效改善遗传算法的局部搜索能力和搜索精度,求解精度和可靠性较高.实际算例表明,算法是有效可行的.     

一种求解多目标优化问题的有效算法

为突破求解多目标优化问题已有方法的局限,研究一种新的全局收敛算法,其中目标函数和约束条件均为一阶连续可微函数。该方法结合理想点法和调节熵原理将带约束多目标优化问题转变成无约束问题,构造函数的区间扩张和无解区域删除原则,建立了区间调节熵算法,并证明其收敛性。数值算例表明,该算法是有效、可靠的。     

一种解多目标优化问题的基于分解的人工蜂群算法

在处理多目标优化问题时,如何平衡所得解集的分布性与收敛性是一个困难又重要的工作。为此,提出了解决该问题的一种基于目标空间分解的人工蜂群算法(MOABC/D)。首先采用一组方向向量将目标空间分解成一系列的子区域,并在每一个子区域至少保留一个解来保持解的分布性,其次提出一个基于分解的选择策略和2个基于信息交换的搜索策略来提高人工蜂群算法的搜索能力,并采用一个基于高斯分布的搜索策略来增强人工蜂群算法的搜索效率。为验证所提算法的性能,与8种同类算法在10个测试问题上进行比较。结果表明,本文所提算法得到的解集具有更好的收敛性能和分布性能。     

一类灰色二层线性多目标规划问题及其算法

将下层带多目标函数的二层线性规划与灰色理论相结合,提出了一类灰色二层线性多目标规划问题,给出了该问题的数学模型和相关概念。在约束域为非空紧集的条件下,证明了漂移型灰色二层线性多目标规划问题的最优解一定可以在约束域的极点达到,并提出了一个基于k次最好法的求解算法,证明了该算法具有全局收敛性,算例分析验证了所提算法是有效的。     

求解非线性优化问题改进的进化规划算法

针对带有边界变量的非线性优化问题,提出了一种改进的进化规划算法.该算法首先把每个个体看作为带有不同质量的粒子,根据目标函数值定义个体的质量.基于聚类思想,选取一定数量的点,然后利用选取的点分别求出于每个点相对应的重心,以每个点与其重心的连线方向为变异方向.最后把该方法应用到几个典型数值例子中,并与基本进化算法进行比较,数值结果表明算法是可行的、有效的.     

求解约束优化问题的一种新的进化算法

分析了现有的约束优化进化算法的一些不足之处，提出了一种处理约束优化问题的新算法。新算法将多目标优化思想与全局搜索和局部搜索机制有机地结合起来；在全局搜索过程中，作为一种小生态遗传算法，排挤操作利用Pareto优劣关系比较个体并接受具有相似性的父代个体和予代个体中的优胜者；在局部搜索过程中，首先对局部群体中的个体赋予Pareto强度，然后根据Pareto强度选择个体。通过一个复杂高维多峰测试函数验证了新算法的有效性。     

一种求解最大二等分问题的分散搜索算法

最大二等分问题是图论中的一个NP困难问题.本研究提出一种基于分散搜索框架的启发式算法求解最大二等分问题.该分散搜索算法采用Kernighan-Lin算法作为局部搜索算法,利用解的质量和解之间的距离构造参考集,通过两个可行解构造新的可行解.利用一些标准测试例子测试算法,实验结果与现存算法所得结果比较,表明该算法是有效的.     

求解多目标优化问题的多智能体遗传算法

目的 在求解多目标优化问题时，总是希望获得尽可能多的Pareto解，且这些解能够较均匀地分布在目标空间的Pareto边界上。方法 通过引入智能体的概念，并将多个智能体组成的多智能体系统与经典遗传算法相结合，给出了一种求解多目标优化问题的多智能体遗传算法。结果 对每个智能体在其邻域内进行局部Pareto寻优操作，而不是在整个群体中进行Pareto寻优，从而保证了群体的多样性，并在一定程度上抑制了种群的早熟现象。结论 该方法能够找到问题的分布较均匀的Pareto最优解。