基于变量分组的大规模多目标优化算法

含有大规模决策变量的多目标优化问题,是当前多目标进化算法领域中的研究难点之一.针对此问题,提出一种基于变量分组的大规模多目标优化算法.该算法的贡献在于两个方面:1)提出一种新的决策变量分组方法,该方法通过随机采样与非支配排序,将决策变量分为收敛性变量和多样性变量; 2)在种群进化过程中,采用levy分布函数产生新个体,同时设计出适应于此分布函数的优化过程.以反向世代距离(inverted generational distance,IGD)作为评价指标,在标准测试集函数上进行实验,实验结果证明该算法在解决大规模多目标优化问题时是有效的.     

云进化算法在NoC互连测试中研究

提出了一种基于云进化算法的NoC互连测试方案.该方案利用云模型对物种进化统一建模,重点解决云模型对进化的表示和对进化的控制两个问题,结合NoC互连测试问题,在功耗限制条件下,建立基于云进化算法的互连测试模型,以获取最优测试矢量集;实验结果表明:该算法取得了较好的测试效果,有效提高了测试效率.     

一种基于Alopex和分布估计算法融合的进化算法及其在参数估计中的应用

构造了一种基于Alopex(Algorithm of pattern extraction)和分布估计算法(Estimation of distribution algorithm,EDA)相融合的进化算法EDA-Alopex.该算法将分布估计算法嵌入到一种基于Alopex的群智能进化算法(Alopex-based evolutionary algorithm,AEA)中,利用分布估计算法收敛速度快及与传统进化算法进化模式不同的特点来改进AEA算法.新算法综合了AEA算法搜索得到的个体间相关性信息和EDA搜索过程中得到的全局概率信息,能够更好地指导种群向有利的区域进化.仿真结果表明:EDA改进的EDA-Alopex算法搜索性能与AEA算法的搜索性能相比有较大提高,特别是其收敛速度与AEA算法相比有明显提高.     

结合变异机制和量子PSO的关联规则挖掘算法

针对数据集中的关联规则挖掘问题,提出一种基于改进量子粒子群优化(improved quantum particle swarm optimization,IQPSO)算法的关联规则挖掘方法。首先,将数据实例以量子比特形式表示,构建一个基于量子进化算法(quantum evolutionary algorithm,QEA)的关联规则挖掘基础框架。然后,在该基础框架上,采用新的量子角度更新公式,即使用QPSO代替QEA实现关联规则挖掘。最后,为了进一步提高QPSO算法的收敛性能,融入变异机制和动态惯性权重对其进行改进,加快其收敛速度和跳出局部最优的能力。在UCI和课程成绩数据集上的实验结果表明,提出的算法能够快速且有效地挖掘出关联规则,相比其他几种算法,挖掘到的关联规则价值更高。     

桁架结构多目标优化的微分演化算法

为了解决带有约束的桁架结构的多目标优化问题,本文采用了一种基于微分演化的多目标优化(DEMO)方法。DEMO方法采用多目标优化进化算法中Pareto和拥挤距离排序机制,并保留了DE算法的优点。为了验证DEMO算法的可行性和有效性,对经典桁架进行尺寸优化,并与其他优化方法进行了比较,数值结果表明DEMO算法性能比其他算法要好,其所得的解具有更好的多样性、均匀性和收敛性。     

辐射源信号模糊函数主脊切面特征优化

模糊函数主脊切面特征能较好地反映不同信号波形结构上的差异,但搜索表示信号的模糊函数主脊切面角度的计算量非常大,因此,如何快速精确地寻求这个角度成为一个亟需解决的问题.先将搜索模糊函数主脊切面转化成一个优化问题,考虑量子进化算法(quantum-inspired evolutionary algorithm,QEA)具有种群小、收敛速度较快、全局寻优能力强的特点,应用量子进化算法对这个问题进行寻优.实验结果表明,针对各种信号,算法在不降低参数估计精度的条件下,可以大大减少计算量.     

可重构流水线构形选择和作业调度集成优化

针对可混流生产同零件族多种零件的可重构流水线(RFL),以最小化生产周期总成本和最小化拖期惩罚为目标,建立了RFL构形选择和作业调度集成优化的混合整数多目标规划数学模型.采用LINGO软件进行案例计算验证了模型的正确性.随后,融合拥挤距离计算和外部Pareto解集档案构建技术提出了一种快速获取集成优化问题Pareto解集的多目标粒子群算法(Mo PSO).在Mo PSO中,采用实数和整数混合编码的粒子表征RFL的构形和调度方案,所设计的粒子编码/解码方法和更新机制可保证粒子所对应解的可行性.将Mo PSO与NSGA-Ⅱ算法应用于3个案例,通过案例计算对比验证了Mo PSO算法的有效性.计算结果表明,Mo PSO获取的非支配解的质量和计算效率均优于NSGA-Ⅱ.     

基于改进量子遗传算法的WSNs多路径路由研究

最优路径搜寻和能量优化是无线传感器网络(wireless sensor networks,WSNs)研究的两大关键性问题,基于簇结构的无线传感器网络模型,将改进的量子遗传算法引入WSNs网络层节能路由算法研究中,选取多条较优染色体代替一条最优染色体指导群体的进化;采用动态的量子旋转门调整策略,避免算法收敛于局部最优解;利用球面坐标角度对量子遗传算法编码,降低算法的复杂度;以路由所耗能量为优化目标,构造适应度函数。与基于传统遗传算法（genetic algorithm, GA）、标准量子遗传算法(quantum genetic algorithms, QGA)的多路径路由进行比较,实验表明,该算法比基于GA,QGA算法的多路径路由具有更低的网络能量消耗,更长的网络生存周期。     

改进的自适应多目标粒子群算法

边界处理和全局最优引导者选择操作对多目标粒子群算法的性能有重要影响,在考虑不同操作方法特征的基础上,提出了改进的自适应多目标粒子群(multiobjective particle swarm optimization,MOPSO)算法.当算法陷入局部最优时,启用交叉变异操作;当算法收敛性停滞时,轮换修剪边界处理和指数分布边界处理操作;当算法多样性停滞时,轮换反比于拥挤距离和反比于控制粒子数目的全局最优引导者概率选择操作.标准测试函数以及柔性交流输电系统(flexible AC transmission system,FACTS)装置优化配置问题的仿真结果验证了所提算法的有效性.     

基于粒子群优化的马氏距离模糊聚类算法

为解决传统模糊聚类迭代算法对初始化敏感,易陷入局部最优及处理高维数据时精度下降的问题,对基于马氏距离的模糊聚类算法(fuzzy c-means algorithm based on Mahalanobis distance,M-FCM)进行优化。将马氏距离代替欧氏距离,通过构造类内紧致度、类间分离度与类间清晰度结合的适应度函数,利用粒子群优化算法(particle swarm optimization,PSO)对马氏距离模糊聚类进行研究,提出了基于粒子群优化的马氏距离模糊聚类算法(Mahalanobis distance fuzzy clustering algorithm based on particle swarm optimization,DPSOM-FCM),并将此新算法与FCM(fuzzy c-means algorithm),M-FCM,PSO-FCM,IFPSOFCM(importance for fuzzy clustering algorithm based on particle swarm optimization)算法,在UCI(university of californiairvine)数据库的6个标准数据集上进行实验对比分析。结果表明,DPSOM-FCM算法具有算法收敛性和聚类有效性,并且聚类精确度优于其他算法,对高维数据的聚类识别能力强,即该算法具有全局优化作用。     

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。     

基于非支配排序的多目标拟态物理学优化算法

将非支配排序思想引入到多目标拟态物理学优化(Multi-objective artificial physics optimization,MOAPO)算法中,将拥挤距离体现到MOAPO算法的质量函数中,提出了一种新的MOAPO算法。采用六个经典的多目标优化问题的测试函数对本算法进行性能测试,并与MOPSO算法、NSGA2算法及既存的MOAPO算法进行比较分析,实验结果表明,该算法具有更好的分布性。     

MO_DE:一种结合多目标优化机制的DNA编码序列算法

针对现有DNA计算中存在的编码序列设计稳定性不足、可靠性不完善等问题,充分考虑基本编码问题,设计出一种基于多目标优化机制的DNA编码序列设计算法(MO_DE:multiobjective design algorithm)。在一定的约束条件下,该算法利用了多目标优化机制以及采取小种蚁群算法,将h-distance因子添加到单链DNA架构中,建立一种DNA序列公用方法。通过模拟实验表明,该算法与同类型算法相比,在计算效率、优化性方面具有一定优势。     

基于多目标混合进化算法的多台TCSC控制器协调设计

将多台可控串联补偿器(TCSC)之间的协调运行问题转化为多目标优化问题,详细介绍了一种基于进化规划和粒子群优的多目标混合进化算法(MOEPPSO),提出了基于MOEPPSO的协调控制器设计方法.采用多目标混合进化算法优化控制器参数,得到一组Pareto参数解集,为运行人员提供更丰富、准确的信息.在装有两台TCSC的IEEE典型四机两区域系统研究实例中,非线性时域仿真验证了所提方法的有效性.与单独设计控制器的方法相比较,所提方法能够更好地提高互联系统的稳定性.     

混合量子衍生进化规划算法及其在并行机拖期调度中的应用

针对并行机调度问题的求解,提出一种新的混合量子衍生进化规划算法(Hybrid Quan-tum-Inspired Evolutionary Programming,HQEP)。目标函数是最小化所有工件的拖期总和。HQEP将量子进化算法中的量子位、线性叠加态和量子旋转门的概念引入到进化规划算法中。定义了新的用于调度问题的量子旋转角,使个体向更好的解靠近。此外,针对并行机问题本身,改进了个体的编码方式和新的变异方法。为了验证算法的有效性和收敛性,将HQEP算法应用于同等并行机调度拖期问题的求解并加以不同规模的算例进行仿真实验。结果显示,即使在小种群情况下,所得解均优于进化规划求得的解。     

多目标优化量子进化算法及其在PID控制器中的应用

目前量子进化算法主要应用于单目标优化问题.本文结合量子进化算法和经典多目标优化算法中常用的非支配排序技术,提出一种解决多目标优化问题的多目标优化量子进化算法(Multi-objective Optimization Quantum Evolutionary Algorithm,MOQEA),并将其应用于PID控制器参数整定.经过实验证明,无论是解的质量还是解的分布均匀性,MOQEA都优于经典多目标优化算法NSGA-II.     

基于SPEA Ⅱ的双资源多目标车间调度模型

针对复杂制造业环境下实际作业车间受多种资源约束的问题,考虑工人综合素质及实际参与操作设备的人员数等因素所存在的差异性对工作效率的影响,建立了一种包含机器设备和操作工人2种约束资源的多目标车间调度模型,然后以完工时间最短、加工成本最低以及总拖期最小为目标,采用改进的强度帕累托进化算法(strength Pareto evolutionary algorithmⅡ,SPEAⅡ)求解该模型.仿真结果验证了该模型的正确性以及该文算法的可行性和有效性.     

面向智能生产车间的多AGV系统多目标调度优化

以具有多台自动导引车(AGV)的智能生产车间为对象,以完工时间、AGV数量以及惩罚成本的最小化作为优化目标,构建作业车间多目标调度优化模型.针对多目标调度优化模型的求解需求,提出一种自适应多目标遗传-差分进化算法(AMOGA-DE),采用多段式实数编码的染色体表征调度方案,利用遗传算法获得模型优化解,融合差分进化算法和外部Pareto解集档案构建技术以改进解的质量,引入自适应策略以提高算法的收敛速度,实现多约束条件下AGV系统的多目标调度优化.以一个具有多台AGV的智能制造车间为例进行案例分析,得到调度方案.将AMOGA-DE与NSGA-Ⅱ、SPEA2算法应用于3个不同规模问题,研究结果表明:AMOGA-DE算法具有更快的收敛速度,能得到更好的优化结果,在不同规模的算例上获得了分布均匀且具有较高质量的Pareto解集.     

NIQGA改进及基于可变角距离的新型量子进化算法

为了提高量子进化算法的执行效率,在NIQGA算法基础上,通过改进△θi和S(αi,βi)参数表提出了一种改进算法INIQGA.又通过引入量子比特间角距离定义,提出了一种基于可变角距离旋转的量子进化算法QEA-VAR,该算法采用旋转门操作进行种群进化时,依据当前染色体中量子比特|φ〉i与最优解对应基态| 0〉或| 1〉的...     

采用多目标差分进化的移动Ad Hoc网络节能路由算法

为了在节点的能量消耗和最优路由之间找到一个平衡,根据多目标差分进化算法原理,提出一种基于多目标差分进化的移动Ad Hoc网络节能路由算法.该算法把路由代价和网络生存时间作为2个优化目标,采用适应值变换的约束处理技术、非支配排序和拥挤距离技术进行优化.在优化过程中,提出适合差分进化算法的变异、交叉和选择策略.结果表明:该算法在网络生存时间和最优路由方面具有较好的优势,并保证了较高的包传递率.