采用新邻居模型的多目标分解进化算法

在通常的基于分解的多目标进化算法中,繁殖计算时使用的解从基于子问题定义的邻居集合中选择,当目标函数存在多峰等复杂特征时,它们在决策空间的距离可能较远,这会导致算法性能变差。为了解决这一问题,提出了一种采用新邻居模型的多目标分解进化算法MOEA/D-NN。该算法重新设计了繁殖计算中使用的邻居模型,利用解在决策空间上的距离计算邻居,进而为每个子问题维护相应的邻居集合,在此基础上对邻居集合进行定时更新,实现了基于新邻居模型的繁殖计算。通过在公开测试集上的实验结果表明,提出的算法与几种经典的多目标进化算法相比,在大多数测试集上表现更优。     

分阶段二次变异的多目标混沌差分进化算法

提出一种结合分阶段二次变异和混沌理论的改进差分进化(DE)算法,以解决多目标约束优化问题.其核心思想是,在DE进化前期采用基于非支配解的随机二次变异来提高算法的全局寻优能力,进化后期采用基于非支配解的混沌二次变异来提高DE的局部寻优能力.通过对典型测试问题的仿真实验验证了所提出的算法能在全局搜索性能与局部搜索性能之间维持较好平衡,而且保持了DE算法的简洁性能,其收敛性、分布度和均衡性均优于标准DE.     

一种基于云模型的多目标进化算法

在多目标进化算法的基础上,提出了一种基于云模型的多目标进化算法(CMOEA).算法设计了一种新的变异算子来自适应地调整变异概率,使得算法具有良好的局部搜索能力.算法采用小生境技术,其半径按X条件云发生器非线性动态地调整以便于保持解的多样性,同时动态计算个体的拥挤距离并采用云模型参数来估计个体的拥挤度,逐个删除种群中超出的非劣解以保持解的分布性.将该算法用于多目标0/1背包问题来测试CMOEA的性能,并与目前最流行且有效的多目标进化算法NSGA-II及SPEA2进行了比较.结果表明,CMOEA具有良好的搜索性能,并能很好地维持种群的多样性,快速收敛到Pareto前沿,所获得的Pareto最优解集具有更好的收敛性与分布性.     

多模态多目标差分进化算法求解非线性方程组

针对当前算法在求解非线性方程组时面临解的个数不完整、精确度不高、收敛速度慢等问题进行了研究,提出一种多模态多目标差分进化算法。首先将非线性方程组转换为多模态多目标优化问题,初始化一个随机种群并对种群中全部个体进行评价;然后通过非支配解排序和决策空间拥挤距离选择机制,挑选种群中的一半优质个体进行变异;接着在变异过程中采用一种新的变异策略和边界处理方法以增加解的多样性;最后通过交叉和选择机制使优质个体进行进化,直到搜索到全部最优解。在所选测试函数集和工程实例上的实验结果表明,该算法能有效地搜索到非线性方程组的解,并通过与当前四个算法进行比较,该算法在解的数量和成功率上具有优越性。     

基于alpha支配的高维目标进化算法研究

基于Pareto支配的多目标进化算法能够很好地处理2～3维的多目标优化问题。但在处理高维多目标问题时,随着目标维数的增大,支配受阻解的数量急剧增加,导致现有的多目标算法存在选择压力不够、优化效果较差的问题。通过引入α支配提供严格的Pareto分层,在同层中挑选相对稀疏的解作为候选解,同时详细分析不同α对算法性能的影响,提出一种新的基于α偏序和拥塞距离抽样的高维目标进化算法。将该算法在DTLZ上进行性能测试,并采用世代距离(GD)、空间评价(SP)、超体积(HV)等多个指标评估算法的性能。实验结果表明,引入α支配能去除绝大部分支配受阻解(DRSs),提高算法的收敛性。与快速非支配排序算法(NSGA-II)、基于分解的多目标进化算法(MOEA/D)、基于距离更新的分解多目标进化算法(MOEA/D-DU)相比,该算法的整体解集的质量 有明显提高。     

针对混合变量优化问题的协同进化蚁群优化算法

针对由连续变量和分类变量构成的混合变量优化问题（MVOP）,采用协同进化策略来对混合变量决策空间进行搜索,提出了一种协同进化蚁群优化算法（CACOA_MV）。CACOA_MV分别采用连续和离散蚁群优化（ACO）策略生成连续和分类变量子种群,通过合作者来对连续和分类变量子向量进行评价,分别对连续和分类变量子种群进行更新来实现对混合变量决策空间的高效协同搜索。进一步地,利用信息素平滑机制增强对分类变量解空间的全局探索能力,并设计了一种面向协同进化框架的“最佳+随机合作者”的重启策略来提高协同搜索效率。与混合变量的蚁群（ACO_MV）算法和种群规模线性变小的差分进化-蚁群混合变量优化算法（L-SHADE_ACO）的比较表明,CACOA_MV能够进行更有效的局部开发,从而提高最终结果在目标空间中的近似精度;与基于集合的混合变量差分进化算法（DE_MV）相比较,CACOA_MV能够在决策空间中更好地逼近全局最优解,具有更好的全局探索能力。综上,采用协同进化机制的CACOA_MV能有效保持全局探索和局部开发的平衡,从而具有更好的寻优性能。     

具有多形态种群协同进化的多目标优化算法

为提高进化多目标优化算法在维持最优解多样性方面的性能,获得分布更均匀的Pareto非支配解集,文中提出一种具有多形态种群协同进化的多目标优化算法.该算法构建一种多形态种群协同进化架构,通过引入最小向量夹角的相似性度量方法,给出次优非支配个体选择策略,从而提高种群的多样性.算法还提出一种基于排序链表的拥挤个体删除策略,进一步提高解集分布的均匀性和宽广性.与经典算法对比结果表明,文中算法在解的分布性和多样性方面均有较好表现,尤其在解集分布均匀性方面优势较明显.     

一种新的基于进化策略的多目标优化算法

用进化策略求解多目标优化问题时，为了提高解在决策变量空间中的搜索能力和保证Pareto前沿的多样性，提出了一种新的基于进化策略的多目标优化算法。运用自适应变异步长的进化策略，使解在决策变量空间中进行全局和局部搜索；并引入非劣解按一定比例进入下一代的方法，使完全被占优的个体有机会参与到下一代的繁殖，保持了解在Pareto前沿的多样性。该算法在保证解在决策空间多样性的同时，也保持了Pareto前沿的多样性。仿真实验表明，该算法具有良好的搜索性能。     

一类带约束动态多目标优化问题的进化算法

动态多目标约束优化问题是一类NP-Hard问题,定义了动态环境下进化种群中个体的序值和个体的约束度,结合这两个定义给出了一种选择算子.在一种环境变化判断算子下给出了求解环境变量取值于正整数集Z+的一类带约束动态多目标优化问题的进化算法.通过几个典型的Benchmark函数对算法的性能进行了测试,其结果表明新算法能够较好地求出带约束动态多目标优化问题在不同环境下质量较好、分布较均匀的Pareto最优解集.     

基于自适应机制的多宇宙并行量子衍生进化算法

进化参量的选取对量子衍生进化算法(QEA)的优化性能有极大的影响,传统QEA在选择进化参量时并未考虑种群中个体间的差异,种群中所有个体采用相同的进化参量完成更新,导致算法在解决组合优化问题中存在收敛速度慢、容易陷入局部最优解等问题。针对这一问题,采用自适应机制调整QEA的旋转角步长和量子变异概率,算法中任意一代的任一个体的进化参量均由该个体自身适应度确定,从而保证尽可能多的进化个体能够朝着最优解方向不断靠近。此外,由于自适应量子进化算法需要评估个体的适应度,导致运算时间较长,针对这一问题则采用多宇宙机制将算法分布于多个宇宙中并行实现,从而提高算法的执行效率。通过搜索多峰函数最优解和求解背包问题测试算法性能,结果表明,与传统QEA相比,所提出算法在收敛速度、搜索全局最优解及执行速度方面具有较好的表现。     

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;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。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

协同进化蚁群算法及其在多目标优化中的应用

针对蚁群算法ACS的控制参数难以确定和早熟停滞等缺陷,提出了进化蚁群系统算法模型EACS.EACS通过引入选择、交叉和变异等操作,实现算法参数的自适应调整.标准测试实例的计算结果表明,EACS算法能够克服上述缺陷,便于工程应用.根据协同进化的思想进一步提出了多目标协同进化蚁群算法CACSM.CACSM中的多个群体协同进化,每个群体对应一个目标,并对其它群体的搜索产生影响.CACSM实现了仅通过算法一次运行便求得若干Pareto最优解,提供了更大的决策空间.最后通过一个多目标组合优化问题--岩石钻孔机路径选择问题的求解,验证说明了CACSM的有效性和适用性.     

基于粗糙集理论与差分进化的混合多目标优化算法

针对传统算法求解约束多目标优化所得近似解精度不高、分布性能不好的问题,提出一种基于粗糙集理论与差分进化的混合算法.首先利用多目标差分进化生成一个初始的近似 Pareto 前沿;然后利用粗糙集理论提高Pareto 前沿的分布质量.选取一组标准的多目标约束测试问题,采用混合算法与 NSGA-II 算法进行仿真求解,对比结果表明,所提出的算法在求解约束多目标优化问题时具有更好的近似解分布和更优越的近似解性能.     

一种改进的多目标混合差分进化算法

将差分进化算法（DE）用于多目标优化问题,提出了一种精英保留和进化进程中非支配解集迁移操作的差分进化算法,以保证所求得多目标优化问题Pareto最优解的多样性。采用双群体约束处理技术,构建进化群体的Pareto非支配解外部存档集,并进行基于非支配解集的迁移操作,以增加非支配解的数目和质量。用多个经典测试函数测试的结果表明,与标准DE相比,该方法收敛到问题的Pareto前沿效果良好,能有效保持Pareto最优解多样性与收敛之间的平衡。     

面向多目标优化的多样性代理辅助进化算法

代理辅助进化算法（SAEA）是目前解决昂贵优化问题的一种有效途径.提出一种基于多样性的代理辅助进化算法（DSAEA）来解决昂贵多目标优化问题.DSAEA采用Kriging模型近似每个目标来代替原目标函数进行评估,加速了进化算法的优化过程.其引入参考向量把问题分解为多个子问题,根据解与参考向量之间的角度大小建立它们的相关性,然后计算出最小相关解集.在此基础上,候选解生成算子和选择算子会趋向于保留多样性的解.另外,训练集A在每次迭代后会进行更新,根据多样性删除价值不大的样本以减少建模时间.实验部分对DSAEA与目前流行的代理辅助进化算法在大规模2目标和3目标优化问题上进行对比实验.每个算法在不同的测试问题上分别独立运行30次,并计算和统计反向迭代距离（IGD）、超体积（HV）和运行时间,最后使用秩和检验分析实验结果.结果表明：DSAEA在多数实验测试问题上表现更好,因此具有有效性和可行性.     

基于多目标进化算法的MOEA/D权重向量产生方法

在进化多目标优化研究领域,多目标优化是指对含有2个及以上目标的多目标问题的同时优化,其在近些年来受到越来越多的关注。随着MOEA/D的提出,基于聚合的多目标进化算法得到越来越多的研究,对MOEA/D算法的改进已有较多成果,但是很少有成果研究MOEA/D中权重的产生方法。提出一种使用多目标进化算法产生任意多个均匀分布的权重向量的方法,将其应用到MOEA/D,MSOPS和NSGA-III中,对这3个经典的基于聚合的多目标进化算法进行系统的比较研究。通过该类算法在DTLZ测试集、多目标旅行商问题MOTSP上的优化结果来分别研究该类算法在连续性问题、组合优化问题上的优化能力,以及使用矩形测试问题使得多目标进化算法的优化结果在决策空间可视化。实验结果表明,没有一个算法能适用于所有特性的问题。然而,MOEA/D采用不同聚合函数的两个算法MOEA/D_Tchebycheff和MOEA/D_PBI在多数情况下的性能比MSOPS和NSGA-III更好。     

一种基于多Agent的进化多目标优化算法

将进化多Agent系统引入多目标优化问题求解,通过Agent的局部搜索机制及Agent种群的协同进化机制来寻求Pareto最优解。在设计的进化算法当中借鉴了人工生命系统中的一些基本方法,如能量、小生境和迁移机制等。实例表明通过该进化算法求得Pareto最优解集具有很高的效率。     

网络拓扑进化算法

借助拓扑进化网络描述生物进化的模型,设计出网络拓扑进化算法。算法的拓扑进化结构使其具有可变的种群规模,而进化中产生的新解提高了探测空间的能力。通过在算法中引入组合优化问题解的backbone概念,可以用解的相同部分来直观表示进化网络中单元（解）之间的联系。将连续变量转换成二进制编码后,以相同取值的二进制“位”表示解的相同部分,也可以用该算法求解连续函数优化问题。网络拓扑进化算法不规定解的变异方式,可以结合各种现有的技术,具有广泛的应用性。仿真实验表明算法具有较强的空间搜索能力。     

多目标进化算法测试问题的设计与分析

为了有效检测多目标优化进化算法的性能,从3个方面进行多目标优化测试问题的设计,即约束条件、最优解分布的均匀性、算法逼近Pareto最优前沿的难度,采用NSGA-Ⅱ算法对这些测试问题进行仿真实验,并将算法求得的最优解可视化。结果显示,测试问题能够有效检测算法在上述3方面的性能。     

全局与局部模型交替辅助的差分进化算法

为求解实际复杂工程应用中的高维计算费时优化问题,提出一种全局与局部代理模型交替辅助的差分进化算法。利用历史样本训练全局和局部代理模型,通过交替搜索全局和局部代理模型得到模型最优解并对其进行真实目标函数评价,实现探索和开采的平衡以减少真实目标函数的计算次数,同时通过针对性地选择个体进行真实目标函数计算,辅助算法快速找到目标函数的较优解。在15个低维测试问题和14个高维测试问题上的实验结果表明,在有限的计算资源情况下,该算法在12个低维测试问题上相较于最优重启策略代理辅助的社会学习粒子群优化算法、基于主动学习的代理模型辅助的粒子群优化算法等表现更好,在7个高维测试问题上相较于高斯过程辅助的进化算法、代理模型辅助的分层粒子群优化算法、求解高维费时问题的代理辅助的多种群优化算法等能找到目标函数的更优解。