双目标优化问题的类电磁算法

为方便决策，双目标优化问题就是要从最优解集中求出一组分布均匀且数量多的Pareto最优解。针对这一特点，定义了种群的均匀度和序值，来度量种群中解的分布和质量，将双目标优化问题转化为以均匀度为目标函数，序值为约束条件的单目标优化问题；设计了双目标优化问题粒子的电荷和受力的计算公式，提出了一种新的类电磁算法求解问题。用标准的Benchmark函数进行了仿真实验，结果表明，新算法对双目标优化问题的求解是非常有效的。     

求解约束优化问题的改进粒子群算法

针对高维复杂约束优化问题,提出了一种基于平滑技术和一维搜索的粒子群算法(NPSO)。该算法使粒子的飞行无记忆性,结合平滑函数和一维搜索重新生成停止进化粒子的位置,增强了在最优点附近的局部搜索能力;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒,使微粒能快速的找到位于约束边界或附近的最优解;最后,为了扩大粒子的搜索范围,引进柯西变异算子。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

基于帕累托前沿关系求解约束多目标优化问题

为解决约束多目标优化问题中的平衡约束满足与目标函数优化以及可行域复杂等挑战,提出了基于不同帕累托前沿关系的分类搜索方法。提出一种双种群双阶段框架：进化一个辅助种群Pa和一个主种群Pm,并将进化过程分为学习阶段和搜索阶段。学习阶段,种群Pa向UPF(unconstrained Pareto front)进行搜索,而种群Pm向CPF(constrained Pareto front)进行搜索,旨在探索UPF与CPF之间的关系;完成学习后,对不同问题的UPF与CPF关系进行分类,以指导后续搜索策略;在搜索阶段,根据不同的分类关系,调整种群Pa的搜索策略,旨在使种群Pa为种群Pm提供更有效的辅助信息。基于此算法框架,对不同类型约束多目标优化问题的帕累托前沿关系进行了分类,实现了对CPF更有效的搜索。实验结果表明：所提算法与其他7种先进的约束多目标优化算法相比具有更显著的性能优势。通过学习与利用UPF与CPF的关系,能够选择更合适的搜索策略去应对具有不同特性的约束多目标优化问题,以获得更具优势的最终解集。     

基于改进PSO算法的复杂产品协同优化分配研究

研究网络制造环境中复杂产品关键部件生产任务的协同优化分配问题。以总费用最小为目标,对复杂产品关键部件的生产任务在联盟企业的优化分配进行了研究,提出了该问题的非线性数学规划模型。开发针对该问题的粒子群算法(PSO),该算法提出适用于"关键部件-联盟企业"关系的离散粒子编码方法。采用基于可行性规则的方法处理约束问题,避免了罚函数的选择,较好地改进了算法的搜索速度和收敛性能。以某企业重型燃机的协同制造为实例,进行仿真研究,仿真结果证明了模型与算法的有效性。     

分布式卫星系统协作任务分配模型及优化算法

面向未来分布式卫星系统(DSS)自主协作运行模式,对DSS任务优化分配问题进行了分析和建模.在此基础上给出任务组的概念,并利用集覆盖理论将任务分配问题转化为集覆盖问题.从而引入MAS理论中的合同网协议,以系统完成任务目标的总耗能最少为原则,加入限定卫星可回应子任务数的约束后,提出了一种基于合同网的严格启发式的优化算法对分配模型进行求解.同时,证明了算法搜索结果的上确界;分析了算法的收敛性和时间复杂度.该算法具有分布性,搜索空间缩减快,适合于中小规模的任务分配.     

基于佳点集的约束优化进化算法

结合数论中佳点集理论和多目标优化技术,提出了一种求解约束优化问题的新算法.该算法首先把约束优化问题转化为两个目标的多目标优化问题;接着结合佳点集理论重新设计了交叉算子,新的交叉算子能够生成具有代表性的子代个体以更好地搜索空间;采用BGA变异算子增加子代个体的多样性;最后根据当前子代群体的进化信息,利用联赛选择算子或Pareto优超关系选择优胜个体进入下代群体,通过4个标准测试函数验证了算法的有效性.     

基于协同memetic PSO算法的传感器目标分配问题求解

传感器目标分配问题是防空系统传感器管理的一项重要研究内容。对面向跟踪的防空系统传感器目标分配问题进行了研究,结合主客观分配原则,利用0-1整数规划模型对问题进行了建模,约束主要考虑传感器的跟踪能力和目标的被执行跟踪容量。构造了一种协同memetic 粒子群优化(particle swarm optimization, PSO)算法,分别采用PSO算法和邻域搜索算法作为全局搜索和局部搜索。为了在粒子位置矢量中反映出传感器组合,根据问题设计了一种特殊的粒子编码方法。最后通过仿真实验验证了算法的合理性和有效性。     

多机协同对地攻击目标分配算法

针对多机协同对地攻击目标分配问题及其特点,对二进制粒子群优化算法进行改进,提出了一种基于矩阵二进制粒子群优化算法的多机协同对地攻击目标分配算法。首先,通过攻击机机群在对地攻击过程中得到的毁伤收益与付出的生存力损耗建立了目标分配模型,然后根据该模型约束特点,建立问题解与分配矩阵即矩阵粒子之间的映射,最后根据粒子形式设计了新的位置更新方式。仿真结果说明,矩阵二进制粒子群算法能够快速地找到较优的目标分配方案,并保证解的有效性,满足问题的约束条件。     

集成粒子群优化算法在电网规划中的应用

电网规划是一个大规模、复杂的、具有非线性离散变量和多约束的多目标数学优化问题。在优化过程中,考虑了投资费用、可靠性和对环境的影响等三个因素。提出将模拟退火优化方法嵌入粒子群优化算法中,以此构建集成粒子群优化算法。在搜索过程中还加入变异操作来增加种群多样性,以避免早熟收敛。局部搜索增加了算法的开发能力,而变异操作提高了算法的探测能力。探测与开发能力的平衡,通过两个阈值来实现。通过对一220kv电力传输系统的实例研究表明,集成粒子群优化算法局部搜索能力有显著提高。     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

Multiobjective evolutionary algorithm for dynamic nonlinear constrained optimization problems

A new method to solve dynamic nonlinear constrained optimization problems (DNCOP) is proposed. First, the time (environment) variable period of DNCOP is divided into several equal subperiods. In each subperiod, the DNCOP is approximated by a static nonlinear constrained optimization problem (SNCOP). Second, for each SNCOP, inspired by the idea of multiobjective optimization, it is transformed into a static bi-objective optimization problem. As a result, the original DNCOP is approximately transformed into several static bi-objective optimization problems. Third, a new multiobjective evolutionary algorithm is proposed based on a new selection operator and an improved nonuniformity mutation operator. The simulation results indicate that the proposed algorithm is effective for DNCOP.     

一种求解带交易费的证券组合选择问题的线性规划方法

研究带交易费的最优证券组合问题 .交易费函数一般都假设为新的与已有的证券组合之差的 V函数 ,在某些假定下 ,带交易费的最优证券组合问题一般可以表示成一个不可微的双目标规划问题 .本文通过引进风险水平参数和变换等将不可微的双目标规划问题转化为一个线性规划问题 ,从而可以用单纯形算法等方法有效地求解带交易费的最优证券组合问题 .本文也给出了确定风险水平参数的一种方法 .     

考虑主体心理行为的双边匹配决策方法

针对基于完全序值信息的双边匹配问题,提出了一种考虑主体心理行为的决策方法。首先给出了考虑主体心理行为的双边匹配问题的描述。其次,以期望序值作为参照点,计算了序值相对于参照点的收益或损失。考虑到主体对待收益和损失的不同风险态度,依据交互式多准则决策(tomada de deciso interativa e multicritério, TODIM)思想计算每个主体针对另一方主体的感知价值。在此基础上,构建了求解该双边匹配问题的双目标优化模型,使用线性加权法将双目标优化模型转化为单目标优化模型,通过求解该单目标优化模型获得匹配结果。实例分析说明了所提方法的有效性。     

Multiobjective Imperialist Competitive Algorithm for Solving Nonlinear Constrained Optimization Problems

Nonlinear constrained optimization problem(NCOP) has been arisen in a diverse range of sciences such as portfolio, economic management, airspace engineering and intelligence system etc.In this paper, a new multiobjective imperialist competitive algorithm for solving NCOP is proposed.First, we review some existing excellent algorithms for solving NOCP; then, the nonlinear constrained optimization problem is transformed into a biobjective optimization problem. Second, in order to improve the diversity of evolution country swarm, and help the evolution country swarm to approach or land into the feasible region of the search space, three kinds of different methods of colony moving toward their relevant imperialist are given. Thirdly, the new operator for exchanging position of the imperialist and colony is given similar as a recombination operator in genetic algorithm to enrich the exploration and exploitation abilities of the proposed algorithm. Fourth, a local search method is also presented in order to accelerate the convergence speed. At last, the new approach is tested on thirteen well-known NP-hard nonlinear constrained optimization functions, and the experiment evidences suggest that the proposed method is robust, efficient, and generic when solving nonlinear constrained optimization problem. Compared with some other state-of-the-art algorithms, the proposed algorithm has remarkable advantages in terms of the best, mean, and worst objective function value and the standard deviations.     

浸出过程浸出率预测与在线优化

本文建立了浸出过程浸出率混合预测模型;基于该预测模型及生产的实际需要,将一个动态浸出问题转化为带约束的优化问题;针对在线优化计算时间长,精度要求高的难题,提出了变邻域搜索PSO算法及基于该算法的动态生产过程在线优化策略.通过实际应用证明混合预测模型预测精度高;在线优化算法自适应性强、运算量小、精度高,具有较高的实际应用...     

网络化防空导弹体系集中式拦截联盟形成方法

集中式拦截联盟(CIC)形成是网络化防空导弹体系(NADMS)中的新问题,旨在确定目标、火力节点以及制导节点三者之间的最优匹配关系,以使得体系整体作战效能最大.根据问题背景,建立了CIC的约束优化问题模型,并选择收敛速度较快的粒子群优化(PSO)算法对模型进行求解.针对PSO的局部收敛问题,从认知心理学角度将人类特有的创造性思维(CT)引入粒子速度更新公式中,通过提升单个粒子的搜索能力来提高整个群体的寻优质量.基于CT过程经典的四阶段模型构建了算法框架,改进了PSO的速度更新公式.根据CIC问题特点,制定了编码策略及相关变量的离散化运算规则.实验结果证明了算法在CIC问题求解质量和收敛速度方面的优越性.     

用多目标进化算法求解二层规划双目标模型

传统单目标二层规划模型得到的最优解往往无法使上下级双方都满意.为此,通过在上层规划中同时考虑下级的目标函数,建立了原问题的上层为双目标规划的一个新模型.上下级可通过协商在该模型的Pareto-最优解集中找到双方满意解.对此模型设计了求解的多目标进化算法,用传统优化算法求解下层规划的单目标问题,而对上层的双目标规划问题则采用基于NSGA-Ⅱ的多目标进化算法求解.数值试验表明我们所提出的算法是有效的.