融合Pareto邻域交叉算子的多目标分布估计算法

将分布估计算法用于多目标优化问题,提出一种融合Pareto邻域交叉算子的多目标分布估计算法（MEDAP）。与一般分布估计算法只通过采样方法产生新种群不同,MEDAP算法利用采样和交叉相结合的方法产生新种群,并通过模拟退火技术在线调节尺度因子,以此来控制采样和交叉的贡献量,根据NSGA-II的选择策略选出下一代进化种群。数值实验分为两组,一组选取8个常用测试函数并与NSGA-II、SPEA2、MOPSO三个多目标算法进行比较,数值实验结果表明了MEDAP算法的有效性。另一组与不加Pareto邻域交叉算子的多目标分布估计算法进行比较,数值实验结果验证了Pareto邻域交叉算子的加入提高了算法的性能。     

改进的多目标和声搜索算法

针对和声搜索算法不能很好求解多目标优化问题的缺陷,引入邻域搜索算子,对和声记忆库内搜索到的分量进行扰动,对和声记忆库外进行Pareto邻域搜索,实现群体间信息交换,提高算法的全局搜索能力。数值实验选取4个常用测试函数并与NSGA-II、SPEA2、MOPSO 3个多目标算法进行比较,测试结果验证了改进算法的有效性。     

基于档案交叉的动态多目标粒子群优化算法

为保证在动态环境中及时跟踪到最新的真实Pareto前沿,保持解集的均匀性,提出一种基于档案交叉的动态多目标粒子群优化算法。着重利用保存在外部档案的最新非劣解,对这些非劣解进行交叉操作以增加种群的多样性,促进档案中个体信息的交流;提出一种高效的欧氏拥挤距离策略,并将其应用于对外部档案的维护;修改粒子群算法模型使之更适用于动态多目标优化。实验结果表明,该算法能适应动态环境,快速跟踪动态Pareto面,解集均匀性良好。     

一种改进的多目标蜻蜓优化算法

提出了一种改进的多目标蜻蜓优化算法。通过引入混合变异算子增加种群的多样性,避免算法早熟现象的发生;采用基于拥挤距离的外部档案动态维护策略,使获得的Pareto最优解集具有更好的分布性。最后,使用多目标基准函数进行测试,并与基本多目标蜻蜓算法和基本多目标粒子群算法进行性能比较。实验结果表明,改进后的多目标蜻蜓优化算法提高了Pareto最优解集的收敛性和分布性。     

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.     

基于粒子记忆体的多目标微粒群算法*

针对多目标微粒群算法(MOPSO)解的多样性分布问题,提出一种基于粒子记忆体的多目标微粒群算法(dp-MOPSO)。dp-MOPSO算法为每个微粒分配一个记忆体,保存寻优过程中搜索到的非支配pbest集,以避免搜索信息的丢失。采用外部存档保存种群搜索到的所有Pareto解,并引入动态邻域的策略从外部存档中选择全局最优解。利用几个典型的多目标测试函数对dp-MOPSO算法的性能进行测试,并与两种著名的多目标进化算法m-DNPSO、SPEA2进行比较。实验结果表明,dp-MOPSO算法可以更好地逼近真实Pareto沿,同时所得Pareto解分布更均匀。     

基于量子行为特性粒子群和自适应网格的多目标优化算法

为了能够找到更多真实的Pareto最优解和提高所求最优解的分布均匀性,提出了一种新型的基于量子行为特性粒子群优化和自适应网格的多目标量子粒子群优化算法.利用量子行为特性粒子群优化算法的寻优优势快速地接近真实的Pareto最优解,引入高斯变异算子增强搜索解的多样性.通过设置一个外部存储器保留搜索过程中找到的Pareto最优解,采用自适应网格法对外部存储器中最优解进行更新和维护操作,使得从中选择的领导粒子能够引导粒子群最终找到真实的Pareto最优解.仿真结果表明所提算法具有更好的收敛性能和更均匀的分布性能.     

求解VLSI布图规划问题的多目标粒子群优化算法

布图规划在超大规模集成电路(VLSI)物理设计过程中具有重要作用,它是一个多目标组合优化问题且被证明是一个NP问题。为了有效解决布图规划问题,本文提出一个多目标粒子群优化(PSO)算法。该算法采用序列对表示法对粒子进行编码,根据遗传算法交叉算子的思想对粒子更新公式进行了修改;引入Pareto最优解的概念和精英保留策略,并设计了一个基于表现型共享的适应值函数以维护种群的多样性。仿真实验通过对MCNC标准问题的测试表明了本文算法是可行且有效的。     

求解机械优化的Pareto多目标中心粒子群算法

针对基于权重法的多目标算法无法求解约束多目标问题的缺陷,将中心粒子群算法与Pareto解集搜索算法相结合,提出一种Pareto多目标中心粒子群算法。将此方法用来优化气门弹簧的模型,实验结果表明,该优化方法能够快速准确地收敛于Pareto解集,并且使其对应的目标域均匀地分布于Pareto最优目标域。     

多目标资源优化分配问题的Memetic 算法

针对传统算法求解多目标资源优化分配问题收敛慢、Pareto解不能有效分布在Pareto 前沿面的问题, 提出一种新的Memetic 算法. 在遗传算法的交叉算子中引入模拟退火算法, 加强了遗传算法的局部搜索能力, 加快了收敛速度. 为了使Pareto 最优解均匀分布在Pareto 前沿面, 在染色体编码中引入禁忌表, 增加了种群的多样性, 避免了传统遗传算法后期Pareto 解集过于集中的缺点. 通过与已有的遗传算法、蚁群算法、粒子群算法进行比较, 仿真实验表明了所提出算法的有效性, 并分析了禁忌表长度和模拟退火参数对算法收敛性的影响.

     

一种采用完全Logistic混沌的PSO-GA优化方法

为了提高粒子群优化算法的性能,提出了一种完全Logistic混沌粒子群优化与遗传算法的混合优化方法。该方法将具有伪随机性与遍历性特征的Logistic混沌应用到粒子群算法的粒子位置和速度初始化、惯性权重优化、随机常数以及局部最优解邻域点产生的全过程,并在粒子速度和位置更新后再与遗传算法相混合,进行选择和交叉操作。三种典型Benchmark函数的实验结果验证了所提方法的有效性,该方法具有更好的寻优能力与收敛速度。     

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。     

一种多目标优化问题的理想灰色粒子群算法*

针对逼近理想解的排序方法对Pareto前端的距离跟踪以及灰色关联度能够很好地分析非劣解集曲线与Pareto最优解集曲线的相似性,提出了一种求解多目标优化问题的理想灰色粒子群算法。该算法利用理想解理论与灰色关联度理论来求解粒子与理想解之间的相对适应度和灰色关联度系数,把两者的和定义为相对理想度,通过相对理想度来判别粒子的优劣,以确定个体极值和全局极值。通过四组不同类型的基准函数测试算法性能,并与目标加权法和灰色粒子群算法比较分析,结果表明该算法能够较好地收敛到Pareto最优解集,不但具有较好的收敛性和分布     

网格环境下基于Weka4WS的分布式聚类算法*

Weka4WS采用WSRF技术用于执行远程的数据挖掘和管理分布式计算,支持分布式数据挖掘任务。基于Weka4WS和网格环境,尝试了一种新的分布式聚类方法,并成功地将其嵌入到Weka4WS框架中,借助Weka Library实现分布式数据挖掘算法,同时引入了距离代价和混合概率的概念,将网格与Web服务技术融合,以分布式问题求解环境和开源数据挖掘类库Weka为底层支持环境,构建了网格环境下面向服务的分布式数据挖掘体系,并以基于Weka4WS的分布式聚类算法验证了算法的有效性和体系结构的可行性。     

基于随机黑洞和逐步淘汰策略的多目标粒子群优化算法

提出一种基于随机黑洞粒子群算法(RBH-PSO) 和逐步淘汰策略的多目标粒子群优化(MRBHPSO-SE) 算法. 利用RBH-PSO 全局优化能力强和收敛速度快的优点逼近Pareto 最优解; 为了避免拥挤距离排序策略的缺陷, 提出逐步淘汰策略, 并将其应用到下一代粒子的选择策略中. 同时, 动态选择领导粒子, 运用动态惯性权重系数和变异操作 来增强种群全局寻优能力, 以及避免早熟收敛. 利用具有不同特点的测试函数进行验证, 结果表明, 与同类算法相比, 该算法具有较高的精度并兼顾优化解的多样性.

     

基于ε占优的自适应多目标粒子群算法

针对粒了群算法求解多目标问题极易收敛到伪Pareto前沿(等价于单目标优化问题中的局部最优解),并且收敛速度较慢的问题,提出一种ε占优的自适应多目标粒子群算法(εDMOPSO)..在εDMOPSO算法中,每个粒子的邻居根据粒了的运行动态地组建,且粒了的速度小由其邻居中运行最好的粒予来调整,而是由其所有邻居共同调整.同时...     

A Pareto archive particle swarm optimization for multi-objective job shop scheduling

In this paper, we present a particle swarm optimization for multi-objective job shop scheduling problem. The objective is to simultaneously minimize makespan and total tardiness of jobs. By constructing the corresponding relation between real vector and the chromosome obtained by using priority rule-based representation method, job shop scheduling is converted into a continuous optimization problem. We then design a Pareto archive particle swarm optimization, in which the global best position selection is combined with the crowding measure-based archive maintenance. The proposed algorithm is evaluated on a set of benchmark problems and the computational results show that the proposed particle swarm optimization is capable of producing a number of high-quality Pareto optimal scheduling plans.