一种新的全局排序高维多目标优化算法

针对传统高维多目标优化问题解决方法存在解集收敛性与解集分布均匀性缺陷的问题, 提出将全局排序方法与灰色关联分析两种方法相结合, 设计一种新的全局排序高维多目标优化算法. 通过设计最小函数值母序列和个体目标函数值子序列, 利用灰色关联分析法计算其关联度, 并结合个体目标适应度计算策略, 解决解集分布不均匀的问题. 该算法不仅可提高非支配个体的选择能力, 还具有良好的收敛性. 为测试该算法的性能, 选择3种经典多目标进化算法, 在标准测试函数集DTLZ{2,4,5,6}上进行对比实验. 实验结果表明, 该算法在解决高维多目标问题时, 其收敛性与解集分布均匀性均优于其他3种算法.     

无约束多目标优化的一种新的拟牛顿法

基于在新拟牛顿方程形式下无约束单目标优化问题改进的拟牛顿法,提出了无约束多目标优化问题的一种新的拟牛顿法,同时在一定的假设条件下,结合Wolfe线性搜索准则,证明了算法具有全局收敛性和超线性收敛性,并进行了数值试验,结果表明,所提的新算法是正确和有效的,并能够迭代得到可使多个目标更优的临界点.     

一个新的超记忆梯度法及全局收敛性

文章提出了一个新的超记忆梯度法解决无约束优化问题.该算法沿着目标函数的下降方向进行搜索,每步迭代提出的算法都充分地利用了前面多步迭代信息,避免目标函数海瑟阵的储存和计算,因此它适合解决大规模无约束优化问题.在适当的假设条件下,证明了所提出的算法具有全局收敛性.数值实验表明此算法的可行性.     

基于模拟退火的多约束路径优化选择算法

多约束QoS路由是下一代互联网的核心问题之一．为解决QoS路由算法容易陷入局部最优的问题,将模拟退火方法与路由计算结合起来,提出一种新的组合优化算法．该算法可以及时从无效的迭代中跳出到其他空间,提高搜索效率,具有全局收敛性,可在有限次数迭代中快速找到可行路径．实验表明,该算法性能高,同时对网络规模和多约束个数具有很好的可扩展性．     

基于搜索空间自适应分割的多目标粒子群优化算法

提出一种基于搜索空间自适应分割的多目标粒子群优化算法, 根据粒子的搜索能力和规模与子搜索空间的体积呈多维标准正态分布变换, 精细分割搜索空间, 向划分出的子搜索空间分布粒子实现优化, 分割在迭代时持续进行, 直至获得最优解集. 实验结果表明: 该方法解决了多目标粒子群优化算法易陷入局部极值的问题; 在反向世代距离性能指标上, 该算法与一些典型的多目标粒子群优化算法相比, 其种群多样性和解的收敛性优势显著.     

基于约束骨干粒子群算法的化工过程动态多目标优化

大多数化工过程是动态过程,需同时优化多个目标,从而带来复杂的约束多目标动态优化问题。因此提出了一种动态约束多目标骨干粒子群算法,即采用一种新型约束处理方法,结合Pareto支配和ε约束支配技术的双档集机制;针对约束优化问题寻优难度更大,更易陷入局部最优的特点,采用局部搜索和混合变异策略,并自适应调整搜索步长,提高算法的探索和开发能力;采用分段线性函数参数化方法,构建一种动态约束多目标粒优化算法,并将其用于解决间歇反应器的动态多目标优化问题。测试实验表明:与NSGA-II和自适应差分进化算法(SADE-εCD)比较,该算法具有更优秀的收敛性与分布性;应用到化工过程多目标动态优化问题实例进行比较表明,多目标骨干粒子群算法在约束多目标动态优化问题的求解中表现出更好的应用前景。     

同时次梯度投影算法求解分裂可行性线性收敛性研究

分裂可行性问题又能推广到多集分裂可行性问题,其本质与分裂可行性问题相同,均为优化问题.探讨希尔伯特空间中的多集分裂可行性问题的求解算法,使用动态步长的方法来对传统的梯度投影算法进行优化,并提出一种带有动态步长的同时次梯度投影算法,研究该算法的线性收敛性.研究结果表明,该算法具有收敛性;达到目标精度的迭代次数比算法2少137次;能以最少的迭代次数对84.9％的测试问题进行成功求解,比算法2多16.7％,比算法3多26.9％.以上结果证明,同时次梯度投影算法拥有较好的收敛性,能够有效地求解多集分裂可行性问题.     

一种求解多目标数值优化问题的实值量子演化算法

基于多目标优化原理和量子计算原理,提出了一种求解多目标数值优化问题的实值量子演化算法. 该算法除保留求解单目标优化问题的实值量子演化算法的特点外,还有三个主要特征:首先,根据多目标优化特点,使用多目标密度比较算子对种群进行排序和筛选;其次,应用非均匀变异算子保持解的收敛性和提高局部搜索能力;再次,使用多样性保持算子来保持解的多样性. 实验中使用多目标优化测试集并且同NSGA-II算法相比较,结果表明了算法的有效性.     

模拟生态平衡机制的牵制平衡算法及其应用研究

为扩展仿生算法在求解工程设计优化问题方面的应用,模拟自然界的生态平衡机制,提出了一种新的仿生算法——牵制平衡算法．该算法以种群个数对应设计变量的维度,以种群规模对应设计变量的值,以物种间的牵制关系为优化驱动力,以系统达到稳态平衡为优化目标,构造了自成长函数、牵制函数和算法机制．通过对算法进行收敛性测试、不同基础资源测试和多物种求解测试,验证了算法的有效性．以三个工程设计问题为比对实验案例,实验结果表明：与现有算法相比,牵制平衡算法在这些问题中皆能获得优解,是一种具有实用性和竞争力的新算法．     

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.