自适应协同进化多目标进化算法

为了提高协同进化多目标进化算法的全局收敛性,提出了一种调用协同进化算子的自适应方法。其基本思想是：根据目标函数的变化率自动调用协同进化算子;当种群进化正常时,调用合作算子和吞并算子;当种群进化接近停滞时,调用分裂算子。通过数值实验用量化指标研究了新算法的收敛性和分布性,结果表明,与常规协同进化多目标进化算法相比,新算法不仅具有良好的分布性,而且全局收敛性有了明显的提高。     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

多目标进化算法中选择策略的研究

在多目标进化算法(multiobjective evolutiorlsry algorithms,MOEAs)的文献中,对算法的选择策略进行系统研究的还很少,而MOEAs的选择策略不仅引导算法的搜索过程、决定搜索的方向而且对算法的收敛性有重要的影响,它是算法能否成功求解多目标优化问题的关键因素之一.在统一的框架下,首先讨论了多目标优化问题中适应度函数的构造问题,然后根据MOEAs的选择机制和原理将它们的选择策略重新分成了6种类型.一般文献中很少对多目标进化算法的操作算子采用符号化描述,这样不利于对算子的深层次理解,符号化描述了各类选择策略的操作机制和原理,并分析了各类策略的优劣性.最后,从理论上证明了具备一定特征的多目标进化算法的收敛性,证明的过程表明了将算法运行终止时得到的P known作为多目标优化问题的Pareto最优解集或近似最优解集的合理性.     

高维多目标多方向协同进化算法

提出一种高维多目标多方向协同进化算法(HMMCA).该算法利用目标空间内的一组方向向量将多目标优化问题分解成多个方向进行寻优,并提出一种混合变异策略以加强算法在每个方向上的收敛能力;同时,该算法采用改进的交互式模糊支配和拥挤度估计因子来维护外部归档集的规模,增强种群的收敛性和分布性.将该算法与目前性能最好的3种多目标进化算法在标准测试函数集上进行对比实验,所得结果表明HMMCA与其他算法相比具有更好的收敛性和分布性.     

基于密度熵的多目标粒子群算法

提出了一种基于密度熵的多目标粒子群算法（EMOPSO）。采用一个外部集保存所发现的Pareto最优解（精英）,并将外部集作为粒子的全局极值。为保证种群的多样性,当精英大于外部集的大小时采用一种基于密度熵的策略进行分布度保持,从而使所得到的解集保持良好的分布性。最后与经典的多目标进化算法（MOEAs）进行了对比实验,实验结果表明了该算法的有效性。     

一种基于多策略差分进化的分解多目标进化算法

为了提高多目标优化问题非支配解集合的分布性和收敛性,根据不同差分进化策略的特点,基于切比雪夫分解机制,提出一种基于多策略差分进化的分解多目标进化算法(MOEA/D-WMSDE).该算法首先采用切比雪夫分解机制,将多目标优化问题转化为一系列单目标优化子问题;然后引入小波基函数和正态分布实现差分进化算法的参数控制,探究一种...     

提高MOEAs解集的分布性 ——一种基于∞范数的逐步方法

解集的分布性是多目标优化中最重要的研究工作之一,解集的分布性主要体现在两个方面,一是解集的分布广度;二是解集的均匀性。在多目标进化算法（MOEAs）中,解集分布性的保持放在种群维护中实现,提出一种基于∞范数的逐步方法（INS）来提高MOEAs解集的分布性,INS用∞范数来衡量个体的分布性,用逐步的方法来裁剪个体。通过与目前最流行的两个MOEAs——NSGA-II和ε-MOEA,在9个测试函数上进行实验,结果表明INS能很好地提高解集的分布性。     

多子群协同进化的多目标微粒群优化算法

微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。     

一种改进的多目标合作型协同进化遗传算法

针对传统多目标算法早熟收敛及多样性不足的问题,提出了一种改进的非支配排序合作型协同进化遗传算法（Improved Non-dominated Sorting Cooperative Coevolutionary Genetic Algorithm,INSCCGA）。该算法利用外部档案存储每一代进化过程中产生的精英个体,并对其不断进行更新,以加快算法的收敛速度。同时提出了一种新型子种群之间协同进化的方式,增强候选解的多样性。利用ZDT系列标准测试函数,与经典的多目标进化算法NSGA-II以及多目标协同进化算法NSCCGA进行了对比,结果表明改进算法具有更好的收敛性以及均匀的解分布。     

基于自适应聚合距离的多目标进化算法

随着目标数的增多,种群收敛性与分布性的冲突愈加激烈,传统的多目标进化算法的选择算子难以平衡种群的收敛性与分布性.对此,提出一种基于自适应聚合距离的多目标进化算法.首先,采用参考点支配关系替代原有的Pareto支配关系,以增加选择压力,加强收敛性;其次,提出自适应聚合距离,通过动态变化的惩罚参数来自适应调整收敛性与分布性的比例;最后,设计一种带有淘汰算子的方法以改进小生境选择策略,根据自适应聚合距离的大小进行选择和淘汰操作.为验证算法的可行性,将所提出算法在测试问题上与其他4种优秀的多目标进化算法进行比较,并应用于两个实际应用中,仿真结果表明,所提出算法的综合性能更优,能有效平衡种群的收敛性与分布性.     

一种双种群协同进化算法在湿法炼锌过程中的应用

为了求解针铁矿法沉铁过程的多目标协调优化模型,从提高全局寻优能力和解的精度出发,提出一种基于改进全局搜索量子进化算法和局部搜索差分进化算法的双种群协同进化算法.数值仿真验证了该进化算法具有较好的收敛性和求解精度;典型工况的仿真优化结果表明了该多目标协调优化模型指导实际生产的可行性,以及所提出算法的有效性.     

一种基于多样性度量的多目标化进化算法

针对如何通过附加的方法对多目标化问题进行理论分析,提出并证明了选择附加函数的3个前提条件.提出一种多目标化进化算法,根据种群中个体的多样性度量进行多目标化,并采用改进的非劣分类遗传算法对构造所得的多目标优化问题进行多目标优化.在静态和动态两种环境下进行算法性能验证,结果表明,在种群多样性保持、处理欺骗问题、动态环境下的适应能力等方面,所提算法明显优于其他同类算法.     

基于QPSO 和拥挤距离排序的多目标量子粒子群优化算法

为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价,提出一种基于量子行为特性的粒子群优化(QPSO)和拥挤距离排序的多目标量子粒子群优化(MOQPSO-CD)算法.MOQPSO-CD利用QPSO快速接近真实的Pareto最优解,同时引入高斯变异算子以增强解的多样性.采用拥挤距离排序的方法对外部存储器中最优解进行更新和维护,使得从中选择的具有全局最优的领导粒子能够引导粒子群最终找到真实的Pareto最优解.仿真结果表明,MOQPSO-CD具有更好的收敛性和更均匀的分布性.     

基于和谐管理理论的免疫信息网络优化算法

受经济管理学中“和谐管理”理论的思想启发,提出一种全新的免疫进化信息网络模型,即和谐进化信息网络(HEIN).在该模型中,将优化问题的求解看作是信息网络能量最大化的过程,通过“和则”与“谐则”二个规则集的有机结合来有效控制和管理进化过程,实现了比单纯模拟生物免疫响应或自然进化更加完备和高效的和谐进化.实验结果表明,所提出算法可更好地保持种群多样性,收敛速度快,求解精度高.     

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.     

基于NSGA-II 算法的上面级转移轨道中途修正时机优化

设计了一种基于NSGA—Ⅱ的中途修正时机优化算法．基于上面级运动方程和Lambert远程变轨,通过算例验证了中途修正的必要性,确定了修正策略．引入NSGA—Ⅱ算法,对中途修正的目标函数进行优化,得到了修正时刻的最优解集．结果表明,该算法得到的修正时机优化Pareto最优解集完整且分布均匀,中途修正效果很好．     

基于粒子群的多目标优化算法

论文提出了一种新的基于粒子群的多目标优化算法。用搜索过程中所发现非劣解的一部分构成精英集,将其作为粒子群的历史最佳,引导粒子群的搜索,并通过小生境技术和部分变异的方法来提高非劣解集的多样性和分散性。对三个典型多目标测试函数所作实验的结果验证了该方法的有效性和快速性,结果还表明:该方法所得非劣解集在分散性、错误率和逼近程度等量化指标上优于FFGA、SPEA、PAES、NSGA等方法,是一种非常有潜力的多目标优化方法。     

A jumping genes inspired multi-objective differential evolution algorithm for microwave components optimization problems

Exploitation and exploration are equally important for multi-objective evolutionary algorithms (MOEAs) to approximate the optimal Pareto Front (PF). However, most existing multi-objective differential evolution algorithms (MODEs) focus on exploitation with proposals of elitism methods that may result in poor diversity or sticking into local optimal front. Inspired by a biological discovery, this study proposes a jumping genes based MODE algorithm, termed as JGDE with two components. The first component is the application of jumping genes operator to MODE to promote population diversity while in the second component, an elitism leading mechanism is designed to accelerate the convergence. Experimental studies show the superiority of JGDE over other competitive algorithms in both convergence and diversity. More importantly, JGDE can deal with local optimal fronts that are difficult to handle by the existing MODEs. The studies are also further verified by the solvement of a practical microwave components optimization problem and the comparison between different optimization algorithms.     

Convergence of multi-objective evolutionary algorithms to a uniformly distributed representation of the Pareto front

In evolutionary multi-objective optimization (EMO), the convergence to the Pareto set of a multi-objective optimization problem (MOP) and the diversity of the final approximation of the Pareto front are two important issues. In the existing definitions and analyses of convergence in multi-objective evolutionary algorithms (MOEAs), convergence with probability is easily obtained because diversity is not considered. However, diversity cannot be guaranteed. By combining the convergence with diversity, this paper presents a new definition for the finite representation of a Pareto set, the B-Pareto set, and a convergence metric for MOEAs. Based on a new archive-updating strategy, the convergence of one such MOEA to the B-Pareto sets of MOPs is proved. Numerical results show that the obtained B-Pareto front is uniformly distributed along the Pareto front when, according to the new definition of convergence, the algorithm is convergent.