基于线性标量化方法的多目标优化牛顿算法

【目的】为了研究更高效地求解多目标优化问题,得到更有效的Pareto前沿面。【方法】通过对目标函数的二次近似及近似形式的线性加权标量化构造了新的搜索方向,提出了一类新的牛顿算法。进一步考虑了Pareto面的均匀性的优化,利用个体聚集密度来衡量Pareto面的均匀程度,从而在上述新的牛顿算法基础上提出了改善Pareto面均匀程度的算法步骤。【结果】在目标函数二阶连续可导且局部强凸的假设条件下证明了新的牛顿算法可以超线性收敛到Pareto弱有效解;在目标函数具有二阶连续偏导数且Lipschitz连续条件下证明了该算法可以局部二次收敛到Pareto弱有效解。【结论】基于线性标量化方法的多目标优化牛顿算法在迭代次数以及Pareto前沿面均匀性具有一定优越性。     

鲁棒多目标优化问题的约束标量化方法

【目的】研究带约束多目标优化问题的鲁棒有效解和鲁棒弱有效解的标量化性质。【方法】利用K?bis等人提出的鲁棒标量化方法将带约束的确定性多目标优化问题推广到鲁棒多目标优化问题,在此基础上建立了多目标优化问题的鲁棒有效解和鲁棒弱有效解的标量化结果,并利用具体例子对主要结果进行解释。【结果】将带约束的确定性多目标优化问题推广到鲁棒多目标优化问题,引入了一类带鲁棒松弛和剩余约束的标量化问题,得到了鲁棒标量化问题的有效解和弱有效解的标量化结果。【结论】得到的结果是对最近的一些研究工作的改进与推广。     

多目标优化问题统一解的加权Tchebycheff标量化

【目的】研究多目标优化问题(C,ε)-型、E-型统一解的标量化性质。【方法】首先,利用Bowman等人提出的加权Tchebycheff标量化方法建立多目标优化问题(C,ε)-弱有效解和E-弱有效解的标量化结果。进一步,建立基于加权Tchebycheff标量化方法多目标优化问题(C,ε)-有效解和E-有效解的标量化结果。【结果】通过调整标量化模型参数范围得到了多目标优化问题(C,ε)-（弱）有效解、E-（弱）有效解的一些加权Tchebycheff标量化结果。【结论】得到的标量化结果是一些已有工作的推广,并为求解多目标优化问题的算法设计提供了理论基础。     

具有范数结构多目标优化问题的近似方法及应用

【目的】研究了一类特殊的具有范数结构的多目标优化问题,并应用于解决实际问题。【方法】针对这类多目标优化问题的求解,基于标量化思想,在适当假设条件下提出了一种近似方法。【结果】可以通过调整几类参数的取值范围获得多目标优化问题的Pareto解。【结论】利用具有范数结构的多目标优化模型和本文提出的近似求解方法于绩效管理中基础工作量的设置和电厂发电机的分配问题。     

基于Benson标量化方法的多目标优化问题解集刻画

【目的】基于Benson标量化方法研究多目标优化问题有效解集和真有效解集空性的刻画。【方法】利用标量化方法和稠密性结果研究多目标优化问题有效解集和真有效解集的空性刻画。【结果】首先得出了自然锥序下Benson标量化问题无界的等价刻画，并在此基础上给出了多目标优化问题有效解集和真有效解集为空集的必要条件。其次得到了字典序下有效解集和Borwein真有效解集为空集的条件，同时对假设条件进行举例说明。最后给出了一般锥序下Benson标量化问题无界的必要条件，以及多目标优化问题有效解和Benson标量化问题最优解的关系。【结论】针对凸和非凸多目标优化问题给出解集的空性刻画。     

一类基于混合遗传算法的多目标优化方法

提出一类求多目标Pareto解的快速算法，该算法将个体各分目标的最大值作为适应度函数，采用混合遗传算法，通过求解种群适应度极小值的方法来获得Pareto边界不同方向上的最优解，并在种群进化过程中采用了一些加速收敛的改进方法，通过典型算例的仿真验证了其有效性．     

多目标优化问题近似解的组合标量化

【目的】研究多目标优化问题近似解的标量化性质。【方法】利用一类组合标量化方法、co-radiant集和改进集等建立多目标优化问题近似解的组合标量化。【结果】得到了多目标优化问题ε-有效解、(C,ε)-有效解、E-有效解、(C,ε)-弱有效解、E-弱有效解的组合标量化结果。【结论】得到的标量化结果为设计多目标优化问题近似解的求解算法提供了理论基础。     

多目标优化问题近似解的一类组合标量化方法

根据多目标优化问题近似解的定义,对它的性质进行讨论;借助Ehrgott和Ruzika基于传统的标量化方法结合剩余变量提出的一类改进的ε-约束法组合标量化模型对多目标优化问题的近似解性质进行了研究;建立了多目标优化问题的近似有效解与标量化问题的最优解之间的关系,得到了近似真有效解与对应标量优化问题最优解的等价关系,并提出反例对部分结论进行了解释说明,指出若不满足所给定的条件,其结论不一定成立;所提出的主要结果是对一些已有标量化结果的改进与推广,为设计和求解多目标优化问题近似解的最优算法提供理论与方法基础。     

多目标优化问题的非单调对角最速下降算法

【目的】为了更高效的求解多目标优化问题,得到更有效的Pareto前沿面。【方法】通过引入非单调Armijo准则,得到新的步长搜索方式,进而提出了多目标优化问题的非单调对角最速下降算法。【结果】在目标函数无凸性、梯度Lipschitz连续性和下有界假设下,证明了算法产生序列的每个聚点均是多目标优化问题的Pareto弱有效解,并在适当条件下证明了算法的次线性收敛性。【结论】数值实验表明提出的算法目标函数值的平均值更小。     

一类多目标优化弱有效解的判定方法

给出一种目标函数是线性函数、 约束函数是非线性函数的一类特殊多目标优化问题弱有效子集的简易判定方法, P个目标的弱有效解可以利用某两个单目标函数组成的双目标优化问题进行判定, 并给出了此类多目标优化问题的判别准则.     

一种自适应量化的分布式次梯度方法

[目的]考虑了网络通讯受宽带限制,提出 了 一种自适应通讯量化的分布式次梯度方法来求解分布式凸优化问题.[方法]首先设计了 自适应量化方法,其次提出了有向网络下的分布式优化次梯度算法.[结果]得到了当 目标函数为凸函数和强凸函数时该算法的收敛率.[结论]数值例子表明所提算法能有效降低通讯成本,并能适用于更一般的非平衡有向通讯网络.     

基于多目标遗传模拟退火算法的方向调制

为实现对自由空间中任意期望方向的物理层安全通信,提出了一种运用多目标函数遗传模拟退火算法的方向调制方法.文中建立以通信信号误码性能和星座图畸变程度为指标的2个遗传目标函数,并结合模拟退火算法以避免遗传算法易陷入局部最优,使得发射信号在合法用户方向与期望星座图相同,而窃听用户方向上星座图产生极大程度的畸变.仿真结果表明:所提方向调制方法与现有基于遗传算法、粒子群算法、多目标遗传算法方向调制方法相比,具有更窄的误码率波束宽度,所提出的多目标方向调制物理层安全通信信号具有更强的防窃听性能.     

基于新型Memetic算法的多目标优化

为了更好地解决多目标优化问题,提出一种求解多目标优化问题的新型memetic算法。该算法利用微粒子群算法的全局搜索能力和同步启发式局部搜索相结合进行局部微
调;利用基于模糊全局极值的概念处理种群中过早出现收敛以及解多样性保持等问题。通过进一步检测得出新算法的特点并展示其在多目标优化问题上的独立性和综合效应。同时应用新型算法对IEEE14节点标准电网进行无功优化计算。结果证明,该新型memetic算法具有很好的寻优能力,验证了该算法的有效性及科学性。     

基于SFCM自适应矢量量化码本训练方法

自适应矢量量化在语音信号处理中有广泛地应用,提出了一种基于SFCM算法的自适应矢量量化码本的训练方法,其特点是通过模糊聚类方法,重新调整训练样本与码字之间的隶属度,达到最小编码失真,使码本更适合新说话人,且计算简单·实验结果表明,可以使编码平均失真下降·     

基于多目标遗传算法的路径规划

研究三维地形中的路径规划问题.针对三维地形中路径涉及的因素多,将多目标优化的思想引入路径规划.提出一种基于多目标遗传算法的路径规划方法,设计了优化路径的遗传算法实现方案.使用大范围初始化种群的方法,设计了适合于路径规划的遗传算子.实验证明,该算法能综合考虑多种因素,并能同时提供不同特点的多条路径供决策者选择.     

基于颜色差异的色彩量化算法

在色彩量化问题中,对颜色层次感和关键细节的处理是一个困难的问题.如果保留颜色层次感,就会失去关键细节,反之亦然.针对该问题提出了一种新颖的基于颜色差异(Color-Difference,CD)的颜色量化算法.该算法即可以保留颜色层次感,又可以保留关键细节.     

一种新的基于分裂法的矢量量化算法

提出了一种新的适合于矢量量化技术的码书设计算法，它的主要思想是依据等误差准则和分区域收敛性质，对满足迭代终止条件的质心区域进行标记，以后不再对已标记区域进行迭代，每一步迭代执行基于分裂码字的改进LBG算法。该算法简单，能极大地提高训练速度，并得到较低的失真，而且不适合于并行计算。理论分析和实验结果表明本文提出的算法是有效的并优于其它算法。     

基于分方向选择搜索的多目标进化算法

Pareto 解空间为分区域连续时,基于极大极小策略和确定权重的多目标进化算法在进化的每一代都会在无最优解的区域搜索解点.为解决此问题,文中提出了一种新的判断机制,根据每个权重在不同方向上选取的解点集来判断权重对应的Pareto有效解区域是否存在最优解点,并以此来调整搜索的区域;为了避免算法陷入局部收敛和种群早熟,提出...     

基于代理辅助选择策略的多目标进化算法

【目的】在目标函数评估昂贵的情形下,为目标空间维度较高的多目标优化问题提供一种有效的解决方案。【方法】在基于分解的多目标进化算法的基础上,采用种群聚类的办法对决策空间中的种群进行聚类,确定后代点的生成邻域。在生成后代的过程中,首先扩大遗传算法中父代样本点的选择范围,然后利用径向基函数对生成的候选点种群进行筛选,并选择值最好的候选点作为后代,进而更新种群。【结果】得到了解决具有高维目标空间的昂贵多目标进化算法。【结论】就具有高维目标空间的测试问题而言,本文提出的算法与多目标邻域回归优化算法相比有很大优势。