基于多目标自适应Memetic算法的复杂网络社区检测

针对提高复杂网络社区检测精准度的问题,提出一种基于自适应Memetic算法的多目标复杂网络社区检测算法.在基于Random-walker初始化策略的基础上,将Logistic函数与适应度函数相结合,引入动态自适应策略调整交叉和变异概率,挖掘网络拓扑结构的同时提高社区检测精度.将多目标优化转化为同时最小优化连接度(MRA)和分割度(RC)2个函数,在局部搜索中,利用加权和的方法将2个目标函数构成1个局部优化目标,并采用爬山算法寻找个体最优.在人工和真实数据集上对算法进行验证,结果表明:该算法能有效提高社区检测精准度,具有较好的寻优效果.     

基于粒子群优化的最小属性约简算法

将最小属性约简问题转化为一个基于粒子群优化算法求解的多目标优化问题.引入基于表现型共享的适应度评价函数以提高多目标搜索算法的性能,对基本粒子群优化算法的位置更新公式进行修正使其能够有效应用于最小属性约简问题,并提出了一种用于求解该问题的二进制多目标粒子群优化算法.实验表明,本算法是有效的,并能一次运算获得多个最小属性约简.     

求解二层规划问题的萤火虫智能群优化算法

针对二层规划问题,给出二层决策问题数学模型的一种新的解法,二层规划萤火虫智能群优化算法:首先采用以原问题的下层问题的Kuhn-Tucker条件代替下层问题的思想,将二层规划问题转化为单层规划问题.其次为避免求解目标函数的梯度信息以及算法过早的陷入局部最优,利用基于Pareto最优解集的萤火虫智能群优化算法对其进行求解,并利用Matlab予以实现.利用5个具有代表性的标准测试实例对该算法予以测试,并与其他算法进行比较.结果表明,结合Kuhn-Tucker条件的萤火虫智能群优化算法在5个测试函数中均能寻找到最优Pareto解,并且在求解的上层目标函数值上均优于对比算法,表明新算法可行有效.     

多种群蚁群算法在多目标优化中的研究

本文针对多目标优化问题提出了一种多种群蚁群算法,按照目标函数的个数建立蚁群种群数,在各个种群搜索过程中,创新性的引入了种群间的全局信息素更新和局部信息素更新,既提高算法对pareto解的搜索效率又避免了陷入局部最优,并针对多目标优化问题进行了仿真,证明了算法的可行性。     

Agent的多目标优化分布式智能算法

根据多目标优化的理论,将传统多目标优化的方法与Agent技术相结合,提出一种基于Agent技术的多目标优化分布式智能算法．在该算法中,每个智能体由目标函数、协调算法和通信模块组成．由智能体组成多目标优化的多智能体系统．通过每个Agent的独立优化和Agent之间的通信和协调。实现多目标优化．文中用实例验证算法的有效性．     

超多目标进化优化研究现状及发展趋势研究

超多目标优化问题指同时优化多于3个目标的优化问题,它目前是智能计算领域的热门研究问题之一.在简要介绍超多目标优化问题的概念之后,着重对十多年来提出的超多目标进化算法进行分类介绍,包括基于帕累托支配关系的算法、基于改进支配关系的算法、基于目标分解的算法和基于性能指标的算法.然后,通过实验对比8个具有代表性的超多目标进化算法,并分析不同算法的性能差异.最后,对超多目标进化优化的未来发展提出一些看法.     

基于区域协调发展的多水源复杂系统优化配置

目的构建水资源协调优化配置在多水源复杂系统下的多目标模型,以解决多水源供水系统优化问题.方法通过构建区域经济发展与水资源利用和水环境质量改善之间的协调度,结合效益系数及费用系数计算作为约束,借以完善水资源协调优化配置模型.结果利用水资源协调优化配置模型,完成了对凌源市近期规划水平年(2015年)及远期划水平年(2020年)的协调优化配置.结论协调度概念的引入使得协调优化配置兼顾了经济发展的效率和效益,得出的水资源调配方案符合可持续发展内涵.     

一种图像检索中语义标注的算法

在图像颜色、纹理、形状特征提取的基础上，利用改进的串行与并行特征融合方法，提出了M融合特征，并且提出了一种基于M特征的改进组合优化的核函数并将之应用于高层语义提取算法中，从而把图像提取由单一特征转换到多融合特征提取，大大提高了图像语义理解的精准度，有助于更加全面地理解图像的语义，本文的方法对图像语义标注，提高图像检索精准度有一定的理论和实用意义.     

基于多目标优化的救援机械臂结构参数设计

为了综合优化双臂救援机器人双臂协同工作空间、机械臂负载能力以及机械臂末端运动速度,研究了基于多目标函数综合优化的救援机器人双臂结构参数设计方法. 由于双机械臂的协同工作空间难以进行数学描述,提出了一种基于三重积分的描述方法. 针对所建立的双臂协同工作空间、机械臂末端运动速度以及机械臂负载能力三个目标函数的综合优化问题,通过模糊层次分析法,计算每个目标函数的权重从而进行线性加权以得到综合的多目标优化函数. 基于该综合优化函数,通过粒子群算法进行多目标函数最优值求解,得到一组机械臂结构优化参数,使双臂救援机器人的综合性能达到最优. 实验结果表明所提出的双臂救援机器人性能指标的优化方法是可行的.      

面向物流场景的关键设备与输送线混合布局方法

针对物流场景中的关键设备和输送线布局问题,提出了一种结合多目标元启发式优化算法和布线算法的混合布局方法.在该方法中,首先建立以最优物料搬运总成本和输送线总成本为目标函数的多目标优化模型;然后使用元启发式优化算法实现关键设备的布局和解的更新与迭代,同时使用一种基于多目标评估的路径搜索算法实现输送线的布局,在布局中加入新策...     

基于三方竞争机制的反向多目标粒子群优化算法

针对传统多目标粒子群优化算法容易早熟的问题,提出一种基于三方竞争机制的反向多目标粒子群优化算法(MOPSO-TCOL).该算法利用当前种群在每一代中选择的三方竞争者来引导种群进化,这能够有效减少维护外部存档时的计算成本.在每次竞争中,MOPSO-TCOL从种群中随机挑选3个粒子进行比较,并基于不同的策略分别进行更新,这有利于保持种群的多样性.提出了一种基于反向学习策略的渐进式粒子更新方式,部分粒子进行反向学习以避免算法陷入局部最优,其他粒子通过向指定的更优粒子学习进行更新以加强收敛性.将所提出算法与8个多目标优化算法在14个标准测试函数上进行了性能比较试验.结果表明MOPSO-TCOL算法在多样性和收敛性上具有显著优势,且具有更快的收敛速度.     

基于蚁群算法的多目标优化技术研究

针对蚁群算法求解多目标优化的问题,在总结2007年以来多目标蚁群优化算法基础上,着重介绍当前多目标蚁群优化算法的研究热点:基于分解、基于种群和基于Pareto解集的多目标蚁群优化以及多目标蚁群算法的并行化实现,并对多目标蚁群算法未来发展方向进行了展望.     

基于参考点的时变参数不可测对象PID控制器优化设计

针对参数时变,且含有多个目标函数的PID控制器设计,提出了一种基于参考点的时变参数不可测动态多目标优化遗传算法.该算法在常规动态多目标优化遗传算法基础上,加入了参考点及局部搜索和种群更新机制,以实现对不同环境及环境不可测情况下PID控制器参数的优化,用典型测试函数将该算法与DNSGA2-A算法进行比较,验证了算法的有效性.在PID控制器设计部分,首先建立PID控制器时变动态多目标优化模型,将多目标PID控制器设计问题转化为动态多目标优化问题;然后建立参考点,定义基于参考点占优帕累托支配关系,通过局部搜索和种群更新机制对种群进行处理,优化PID参数;最后将该方法应用于柴油机优化问题实例,将误差和方差作为优化目标,对PID控制器的3个参数进行优化,验证了方法的有效性.     

基于GPU和Python的粒子群优化算法研究

针对基于Python语言的粒子群优化算法利用GPU实现加速的空缺问题,提出一种基于GPU和Python的改进粒子群优化算法：以CUDA架构和Python的Numba库为工具,将算法中的粒子评价、个体历史最优解更新、粒子升级三个部分进行CUDA编程,CUDA核函数中每个线程按单个粒子并行调用,在默认流中完成计算.经4种测试函数实验验证,所提出的改进算法在维数和粒子数较小时运行速度不及粒子群优化算法,在维数和粒子数较大时加速效果明显,最优速度达到粒子群优化算法的3倍以上.     

基于双模式更新五行环算法的多目标冷链配送

针对生产运输中广泛存在的冷链配送问题，建立了以配送成本最小化和顾客满意度最大化为目标函数的多目标冷链物流优化模型。基于五行环优化(FECO)算法，提出了双模式更新个体的五行环优化算法(FECO-DMUI)，并对多目标冷链物流模型进行求解。将FECODMUI算法与FECO算法、NSGA-II算法、鲸鱼优化算法和灰狼优化算法进行比较，结果验证了本文模型和算法的有效性，同时验证了FECO-DMUI算法在多目标冷链配送问题中能更加高效地获得路径优化的最优解集。     

电力系统负荷恢复优化的并行遗传算法实现

对电力系统的负荷恢复问题进行了研究.将该问题建模为一个多约束条件的组合优化问题,根据遗传算法特别适合求解大规模组合优化问题的特点,设计了一种粗粒度并行遗传算法来对此优化问题进行求解.在消息传递类并行软件开发环境提供的基于消息传递的并行虚拟环境下,采用master/slave的并行编程模式,有效地提高了算法的计算速度.将各种约束条件与目标函数融合在一起,建立一种序关系,来处理负荷恢复中的约束条件.求解过程满足系统的约束条件,不会出现系统的越限.算例结果表明,所提出的并行遗传算法不仅可以最大限度地恢复负荷,而且可有效提高算法的计算速度.     

基于最佳粒子共享和分层搜索的并行粒子群优化算法

为提高粒子群优化算法在优化问题中的效率,本文提出了并行粒子群优化算法(BLP-SO).基本思想是并行机制 最佳粒子共享 分层搜索.主要工作包括(1)信息共享机制中引入了区域学习,使粒子更新能参考其他粒子的信息;(2)提出了粒子群两层划分模型,底层利于扩大搜索范围,上层利于全局精细搜索;(3)证明了关于粒子群和并行粒子群收敛性定理;(4)在4个基准函数上的优化实验表明,新方法比经典的IPPSO并行粒子群算法在解的精度上提高了51.93%到96.10%.     

双链式智能体遗传算法用于数值优化的研究

针对传统智能体遗传算法全局优化计算精度不够高、时间较长的不足,提出了一种改进的双链式智能体结构,并基于此设计了一种新的智能体遗传算法--双链武智能体遗传算法.该算法采用了多子群并行搜索的模式,闭合链式智能体结构和循环链武智能体结构,可实现多机并行优化,具有优化时间短、优化精度高的特点.为了验证本文算法的优越性,采用国际标准的测试函数对该算法性能进行测试,并与智能体遗传算法(MAGA)相比较.实验结果表明,该算法在全局优化精度、优化收敛速度方面均优于MAGA.     

MOOB:一种改进的基于Bandit模型的推荐算法

提出了一种基于置信区间上界算法的多目标优化推荐算法.该算法可以在保证预测精准度的基础上有效地避免马太效应,并提高推荐系统对长尾物品的挖掘能力.采用Ya Hoo的新闻推荐数据集对算法进行了实验和评价,实验结果表明:多目标优化推荐算法能够在预测准确率较高的情况下,有效地解决长尾物品发掘问题,避免马太效应,提高推荐系统的精度和广度.     

PMkSK:一种空间关键字移动近邻查询并行处理方法

为了提高空间关键字移动k近邻查询处理效率,提出关键字影响集的概念,并设计了一种基于关键字影响集的空间关键字移动近邻查询并行处理方法.该方法包含一种并行查询算法和一种并行验证算法.首先,采用并行查询算法计算近邻结果;然后,确定查询区域,并在区域内查找包含的关键字影响集;最后,在查询者移动时不断通过并行验证算法验证影响集,以实现空间关键字移动近邻查询处理.实验结果表明:这2种算法的时间复杂度分别为O((log D+k)/k)和O(logk),均为现有对应算法的O(1/k),其中D为空间对象数目.在多核系统上,这2种算法的运行时间均比现有算法低一个数量级.基于影响集的并行查询处理方法避免了基于安全区域的移动k近邻查询处理方法中更新代价和更新频率难以同时取得最优的固有缺点,可以高效地处理关键字移动k近邻查询.