基于表现型共享的多目标粒子群算法研究

在多目标粒子群算法中,粒子的飞行由自身的最优位置和指导粒子决定,如何定义适应度选出合适的指导粒子,指导搜索过程向全局Pareto最优区域飞行,并保持种群在最优前端的多样性是算法的关键问题.针对上述问题,构造了同时考虑粒子的Pareto占优情况和目标空间邻近密集度的表现型共享适应度函数,在此基础上提出一个基于表现型共享的多目标粒子群优化算法(MOPSO).为了验证算法的有效性,采用占优等级指标来分析近似解集的占优情况,并采用EPS、HYP和R2指标来衡量解集的分布情况.实验结果表明,算法具有较强的全局搜索能力,能在较小的计算代价下获得较好的Pareto前端近似.     

基于燃料比最优的高炉喷煤设定值多目标优化

为了降低高炉炼铁的能耗,节约成本,将高炉炼铁过程信息、专家经验与智能模型相结合,提出基于燃料比最优的高炉喷煤设定值多目标优化方案。以燃料比最优为优化目标,炉温预测指标为约束条件,喷煤量为决策变量,采用基于K-均值聚类的径向基神经网络建立多目标优化模型,并通过基于NSGA-Ⅱ算法的多目标优化方法,获取尽可能使多个目标同时达到最优的Pareto最优解。结果表明,该优化方案可以在保证炉温良好的前提下,决策出使燃料比达到最优的喷煤设定值,大大降低能耗,节约成本。不仅为高炉实际生产提供操作指导,也为高炉冶炼的优化运行奠定了基础。     

基于多目标量子粒子群算法的环境/经济调度

针对传统的粒子群优化算法在求解环境/经济调度中存在控制参数多和局部搜索精度低等问题,提出一种基于多目标量子粒子群优化算法的环境/经济调度问题的求解方法.该算法利用具有量子行为特性的粒子搜索解空间,引入改变作用区间的变异算子增强全局搜索能力,并采用基于粒子多样性的方法更新全局最优的领导粒子.仿真结果表明,该算法是有效的,所求Pareto解集能逼近真实的Pareto解集且具有良好的分布性.     

一种基于Pareto关联度支配的多目标粒子群优化算法

为提高多目标优化算法的收敛性和多样性,提出一种基于Pareto关联度支配的多目标粒子群优化算法(MOPSO-PCD)。该算法在严格遵守传统Pareto支配规则基础上,将灰色关联分析方法融入非劣支配解的进化过程,设计了一种新颖的Pareto关联度支配规则。该支配规则作用于全局最优粒子的选择过程,具有关联度最大的全局最优粒子将引领粒子群体向着真实Pareto前沿不断逼近。同时,将该支配规则应用于外部档案中非劣支配解的维护过程,可减少或避免最终解集多样性的损失,从而维护好外部档案中非劣解的分布过程。仿真实验表明,与被比较算法在ZDT和DTLZ等系列测试函数相比,MOPSO-PCD能够获得更好的Pareto最优前沿分布特性和较快的收敛效率。     

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Maximin的动态种群多目标粒子群算法

针对粒子群优化算法在处理多目标函数优化问题的过程中,往往会出现局部收敛现象,在MOPSO算法基础上提出了一种新的多目标粒子群优化算法.该算法在运行过程中采用动态调整粒子群种群数目的方式使粒子摆脱局部最优解对其的吸引;同时为了克服粒子种群多样性降低带来的影响,将粒子的相对适应度方差引入到Maximin计算公式中.然后基于Pareto最优的概念,利用方差Maximin策略来评价最优解,并保存在可变的外部精英集中,以保证结果的分布性良好.最后,该方法在仿真中取得了良好效果,可以更广泛地应用到复杂工业多目标优化领域中.     

求解环境经济调度问题的多目标差分粒子群优化算法

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电力系统环境经济调度问题。算法通过对Pareto最优解集的差分演化来增加Pareto最优解的多样性;通过循环拥挤距离来控制归档集中非劣解的分布,以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赌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因子的动态变化可增强算法的全局搜索能力。对电力系统环境经济负荷分配模型进行仿真,并与文献中的其他算法进行了比较。结果表明,改进的算法能够在保持Pareto最优解多样性的同时具有较好的收敛性能。     

基于概率感知模型和量子粒子群算法的移动节点部署

为了解决监测区域的传感器节点部署问题,设计了一种基于概率感知模型和量子粒子群算法的移动节点部署方法。首先,在 传 统 概 率 感 知 模 型 中 加 入 节 点 剩 余 能 量 因 素 进 而 得 到 改 进 的 概 率 感 知 模 型 * ,然后基于改进的概率感知模型设计了多目标优化的节点部署模型,在优化模型中考虑了网络覆盖率和能量因素。最后定义了基于量子粒子群算法来获得节点的最优位置对应的Pareto最优解的优化算法(即将粒子编码为节点部署方案,采用最小化网络能耗和最大化网络覆盖率为粒子的Pareto目标,引导粒子在可行解空间不断更新位置寻求最优解)。仿真实验结果表明:文中方法能正确地实现监测区域的传感器节点部署,能实现较为均匀的网络覆盖,与其他方法相比,具有较高的网络覆盖率和较长的网络生命周期,具有较大的优越性。(注：*处代表公式)
     

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。     

多目标非支配邻近免疫粒子群算法

针对PSO算法求解多目标优化问题时易陷入局部最优解的问题,采用非支配邻近免疫算子来对粒子群的外部档案进行维护和变异操作,有效提高了Pareto解的多样性,从而提出一种多目标非支配邻近免疫粒子群算法(NICPSO)。采用动态加权法选择全局最优粒子,提高全局搜索能力;当粒子群趋于早熟时,采用优势邻域认知的个体极值更新策略;同时将学习因子表示为惯性权重的非线性函数,有效提高算法的统一性。通过ZDT1—ZDT4及ZDT6基准测试函数验证,该算法有效的提高了优化解的收敛性和多样性,与其他多目标进化算法和多目标粒子群优化算法相比,具有较好的性能。     

一种求解多目标旅行商问题的混合进化算法

许多科学与工程优化问题往往需要转化为多目标旅行商问题进行求解,由于目标函数之间的冲突性,使得这类问题不存在能够优化所有目标函数的唯一最优解,而是存在一个Pareto最优解集或者Pareto Front。为了获得一个高质量的Pareto最优解集,提出了一种基于蚁群优化和差分进化的混合多目标进化算法。在提出的算法中,一方面采纳分解机制利用蚁群优化算子实现对Pareto最优解的开发,另一方面采纳拥挤度概念利用差分进化算子实现对Pareto Front的探索。通过对一组标准测试算例的仿真实验,结果表明所提出的算法比现有的算法能够获得分布性和收敛性更优的Pareto解集。     

粒子群算法在多目标优化中的应用综述

粒子群优化算法是一种基于群体智能的全局随机寻优算法。它通过粒子搜寻自身的个体最优解和粒子群体的全局最优解来完成更新优化。粒子群算法在很多领域得到了广泛的应用。本文主要论述了多目标PSO约束优化的基本思想、实现情况,并展望了PSO算法在多目标优化中的未来发展方向。     

基于概率感知模型和量子粒子群算法的移动节点部署

为了解决监测区域的传感器节点部署问题,设计了一种基于概率感知模型和量子粒子群算法的移动节点部署方法。首先,在传统概率感知模型中加入节点剩余能量因素进而得到改进的概率感知模型C（S_i,p）{=0,ifd（S_i,p）≥r—r_e E_ir/E_i0-e-λσ,if d（S_i,p）≤r＋r_e 1,ifr—r_e≤d（S_i,p）≤r＋r_e,然后基于改进的概率感知模型设计了多目标优化的节点部署模型,在优化模型中考虑了网络覆盖率和能量因素。最后定义了基于量子粒子群算法来获得节点的最优位置对应的Pareto最优解的优化算法（即将粒子编码为节点部署方案,采用最小化网络能耗和最大化网络覆盖率为粒子的Pareto目标,引导粒子在可行解空间不断更新位置寻求最优解）。仿真实验结果表明：文中方法能正确地实现监测区域的传感器节点部署,能实现较为均匀的网络覆盖,与其他方法相比,具有较高的网络覆盖率和较长的网络生命周期,具有较大的优越性。     

基于优势排序数的多目标多式联运方案优化

针对带服务时间窗的多式联运方案优化问题,考虑运输总成本和运输过程中不准点导致的延误总时间两个目标,建立了多时间窗多目标多式联运数学模型,引入基于分目标的优势排序数和总优势排序数概念,证明了优势排序数的若干重要性质,依据总优势排序数的性质构建适应度函数,设计了一种基于优势排序数及寻求Pareto最优解的多目标离散粒子群算法,案例结果表明了模型和算法的可行性和有效性,算法给出的Pareto最优解也从实践角度证明了总优势排序数的性质.     

基于在线归档技术的多目标粒子群算法

提出一种基于在线归档技术的新型多目标粒子群优化算法. 使用外部集归档,在归档粒子中采用适应值共享技术选出全局最优位置,使得种群多样性得以维持;在粒子群的进化过程中,使用在线归档策略,将归档的粒子合理地引入下一代的种群,淘汰原种群中的不良粒子,从而保证进化过程中种群的优良性. 用Zitzler的两个多目标测试函数评价算法的性能. 结果表明,该算法能快速收敛到Pareto非劣最优目标域,并且解集沿着Pareto非劣最优目标域有很好的扩展性.     

电力系统多目标无功优化研究

在传统无功优化模型的基础上,引入了静态电压稳定性指标,建立了综合考虑系统有功网损最小、静态电压稳定裕度最大和电压水平最好的多目标无功优化模型.基于Pareto最优概念的改进多目标粒子群算法应用到多目标无功优化的求解中,对IEEE30节点统进行了仿真计算.优化结果表明,该模型在实现系统经济运行的同时也增强了电网的电压稳定同时求得的一组最优解能够为优化方法的决策提供更多的有效参考,具有实际意义.     

利用基于精英策略的粒子群算法求解多目标规划问题

本文提出了一种求解多目标规划问题的精英粒子群算法.该算法利用精英策略存储每一代Pareto最优解,同时提出了一种最优粒子的选取策略用以克服粒子陷入局部最优的缺点.最后,通过数值实验验证算法的可行性和有效性.     

区间多目标粒子群优化算法及其应用

提出了一种区间多目标粒子群优化(IMOPSO)算法,用于解决多目标下区间变量的优化问题.基于区间可信度定义两个区间解的占优关系,通过归一化方法和区间拥挤度距离对Pareto最优解排序,并设立归档机制,利用外部存储器保存Pareto最优解集.针对有界误差系统的建模问题,提出了基于IMOPSO算法训练区间神经网络(INN)模型参数的建模方法,解决了误差界已知和误差界未知两种情况下的有界误差系统建模问题.最后,以一阶不确定系统为例,利用所提算法进行了建模仿真,验证了建模方法的有效性.     

一种基于 Pareto 云隶属度的 MOPSO 算法

为定量解决非支配解排序问题,并兼顾多目标粒子群优化算法（multi-objective particle swarm optimization,MOPSO）的收敛性和多样性,提出了一种基于 Pareto 云隶属度的 MOPSO 算法。利用 Logistic 混沌映射优化种群的初始空间分布并融合布谷鸟搜索（cuckoo search,CS）指导粒子跳出局部陷阱,以增强算法的全局寻优能力。首次提出云向量评价 Pareto 最优解集方法,采用云隶属度评价准则对粒子适应度值进行量化评价。依据云隶属度选取个体最优和群体最优,平衡全局开发与开采,进而实现外部档案维护。测试函数集 ZDT 的实验结果表明,改进算法在收敛性和多样性方面较 MOPSO 和 NSGA-Ⅱ有一定优势。     

基于密集距离的多目标粒子群优化算法

设计出基于密集距离的多目标粒子群优化算法(CMPSO),该算法根据密集距离大小按轮盘赌方式为每个粒子从外部档案选取全局最好位置并采用基于密集距离的方法对外部档案进行维护.将算法应用于3个复杂的测试实例,并与强度Pareto进化算法2等算法进行比较,计算结果表明CMPSO具有良好的连续优化能力.