基于生态种群捕获竞争模型的多目标Memetic优化算法

本文针对复杂多目标优化问题Pareto前沿搜索难度大的特点,设计了一种结合多种群间捕获竞争、强化学习机制的多种群Memetic学习策略与进化计算模型.受种群进化、捕食种群与被捕食群体间的竞争等生态学原理的启发,提出了一种基于生态种群捕获竞争模型的多目标Memetic优化算法(Multi-Objective Memetic Algorithm based on Ecological Population Preying-competition Model,ECPM-MOMA).ECPM-MOMA算法设计并运用了捕获竞争、强化学习算子进行全局搜索,在种群进化过程中结合了Memetic搜索算子进行局部搜索.理论分析与实验结果表明,本文所提出的算法具有良好的收敛性能和分布特征,生态种群捕获竞争策略与进化计算模型对于解决复杂多目标优化问题是有效的.     

无人机集群协同搜索跟踪任务规划方法

无人机集群在目标搜索、定位和跟踪等方面具有巨大的应用潜力,有效的任务规划方案能极大提高无人机集群执行任务的效率。在不确定的动态环境中,任务规划方案需要适应环境的变化,对任务规划的求解效率提出了较高的要求。针对动态环境下的无人机集群协同搜索跟踪任务规划问题,本文将其建模为动态多约束多目标优化问题（DMCMOPs）,并提出了基于动态自适应惩罚的动态约束双档案进化算法（DCTAEA）,其在收敛性种群更新中引入自适应惩罚函数机制,整合不可行个体的目标函数值和违反约束的惩罚值获得修正的目标函数值,实现有价值不可行解的利用,促使种群进入可行区域并向帕累托前沿面收敛,极大促进了种群的收敛。仿真结果证明,与第二代非支配排序遗传算法（NSGA-II）的动态版本、基于分解的多目标进化算法（MOEA/D）、约束双档案进化算法（CTAEA）和动态双档案进化算法（DTAEA）相比,本文所提算法有效性较显著。     

基于多源交配选择策略的重组算子与多目标优化研究

本文提出了一种基于多源交配选择的多目标进化算法(Multi-source Mating Selection based Multi-objec-tive Evolutionary Algorithms,MMSEA).在MMSEA算法中,谱聚类被用来挖掘种群规则特性,基于所获得的种群结构化信息设计了一种多源交配选择重组算子来引导算法搜索,通过为每个个体设置多个交配选择源,在利用相似个体重组加速算法收敛的同时较好地保持了种群的多样性.实验结果表明,所提重组算子可以有效提升算法性能,将MMSEA与多种主流的多目标进化算法进行实验对比研究与参数灵敏度分析的结果表明,MMSEA在求解具有复杂特性的典型多目标优化问题测试集时表现出较强的竞争力.     

一种改进的多目标蚁群优化算法

提出了一种改进的多目标优化问题的蚁群算法.算法选择进化算法的定义的时候,种群中一定数量的个体信息来源作为中心的扩散,多个中心点之间有一定的距离;群体中的其他个体按照离源个体最近的距离的原则归属于其中一个信息素扩散源;按照信息素扩散算法,每一信息素扩散源中的个体获得源于中心点的信息素;保留每一代群体中的中心点到下一代种群中,确保了收敛性和维护种群的多样性.最后利用多目标背包问题来测试算法的性能,并与MOA和NSGA-II算法进行了分析比较.结果表明,该搜索效率高,向真实Pareto前沿逼近效果好,得到传播的多种解决方案,是一个多目标优化问题的解决和有效的方法.     

非线性多目标概率优化问题的自适应采样免疫优化算法

针对噪声环境下非线性多目标概率优化问题,提出问题求解的自适应采样免疫优化算法.在算法设计中,基于克隆选择原理,设计小种群的算法进化框架;提出目标值估计法自适应确定个体的样本大小并估算其目标值;借助传统快速非支配排序法,种群被分割成多级非支配子群协同进化;设计动态交叉分布指数的模拟二进制交叉加强各子群之间的信息交流;设计动态变异分布指数的多项式变异、均匀变异,以及自适应变异概率平衡全局、局部探索.最后,借助3个理论测试问题、海铁联运能耗优化问题以及9个代表性的比较算法,数值实验结果表明,此算法寻优效率优势显著、搜索效果优越、稳定性好.     

基于动态种群多策略差分进化模型的多目标进化算法

针对复杂的多目标优化问题,根据不同差分进化策略的特点,提出一种基于动态种群多策略差分进化模型和分解机制的多目标进化算法（MOEA／D-DPMD）。该算法将种群划分为3个子种群,每个子种群分配一种差分进化策略。为了提高算法的性能,依据每种差分进化策略的贡献度,动态的调整子种群的规模,各差分进化策略之间相互配合协同进化。采用具有复杂的PS的LZ09系列基准函数,测试新算法的性能,仿真结果表明邻域规模为25时性能最好。通过不同差分进化策略之间的对比分析,新算法也具有较强的优势。将其与MOEAD／DE和NSGA-II算法对比分析,结果显示该算法的收敛性和多样性均优于另外两种算法,是求解复杂多目标问题的有效方法。     

一种新的限制精英的多目标进化算法

在NSGA-Ⅱ算法的基础上,文中提出了一种新的限制精英的多目标进化算法(LEMOEA).通过分布函数的引入,限制了精英选取的数量,增大了解的搜索区域,从而更好地维护了种群多样性.动态变异算子的引入,减缓了算法的收敛速度,增大了解的搜索区域,避免了算法早熟收敛或陷入局部最优.实验结果表明:LEMOEA比NSGA-Ⅱ有更好的收敛效果和种群多样性.     

一种增强型多目标烟花爆炸优化算法

现实中多目标优化问题的多样化和复杂化要求发展新的多目标优化算法.在混合多目标进化算法设计思想和新型进化模型的启发下,提出一种增强型多目标烟花爆炸算法eMOFEOA,该算法利用均匀化与随机化相结合的方法生成均匀分布的初始种群,为算法后续搜索提供较好的起始点;对烟花爆炸半径采用精细化控制策略,即不同世代的种群具有不同的爆炸半径,而且同一种群内部因个体支配强度的差异而具有不同的爆炸半径,以节省计算资源;利用简化的k-最近邻方法维持外部档案的多样性.本文算法与另5种对等比较算法一同在12个基准多目标测试函数上进行性能比较,实验结果表明eMOFEOA算法在收敛性、多样性和稳定性上具有总体上显著的性能优势.     

基于多种群动态协同的多目标粒子群算法

针对复杂的多目标问题,文中提出了一种基于多种群动态协同的多目标粒子群算法。该算法设置多个种群同时进行独立搜索,从而有效提高算法的搜索能力。此外,为进一步保证种群多样性,该算法利用动态聚类策略将种群划分为两个子群,并改变子种群的更新方式。通过动态学习样本和差分变异,进一步避免算法陷入局部最优。经过对一系列标准测试函数进行仿真,验证了该算法在多目标问题上的有效性。将该算法与5种现存算法进行比较,结果显示该算法的多样性和收敛性均具有明显的优势。     

利用电磁矢量传感器估计分布源三维到达角

本文通过“分布源是在一定空间分布的多个点源信号的叠加”的认识，首次提出了电磁矢量传感器的分布源模型，给出了理论表达式和一阶近似表达式，分析了单个电磁矢量传感器的分布源模型的可辨识性问题。为减少搜索空间维数，提出了只搜索角度和极化空间的算法，甚至只搜索角度空间的算法。仿真证实了本文分析的有效性。     

带局部搜索的动态多群体自适应差分进化算法及函数优化

 提出将一种改进的差分进化算法——带局部搜索的动态多群体自适应差分进化算法(DMSDELS)应用于函数优化.该算法将种群中的个体随机动态分成多个子群体,以增强个体间的信息交换;变异操作中,选择最优个体为基向量,差分向量的方向选择有利于搜索的方向,以提高收敛速度;变异尺度因子F与交叉概率CR采用自适应机制,以平衡局部搜索与全局搜索;部分优秀个体搜索达到指定代数进入局部搜索,以加快收敛.通过对13个benchmark典型复杂函数进行测试,并与其他七种优化算法进行比较,仿真结果表明:DMSDELS算法具有较高的搜索精度和收敛性,且具有较强的跳出局部最优解能力.     

基于破圈法与改进布谷鸟算法的两阶段配电网重构

针对传统智能优化方法在配电网重构过程中初始种群效果较差，并且难以获得全局最优解以及效率较低的问题，提出破圈法与改进布谷鸟算法相结合的两阶段重构方法。首先，以配电网的系统网损、负荷均衡和电压偏差三大综合指标为目标函数，建立多目标数学模型。其次，使用两阶段重构方法寻优，第一阶段使用破圈法快速求解配电网重构的初步解集，并将其作为第二阶段的初始种群；第二阶段对布谷鸟算法进行改进，使用基本环网编码策略，有效地减小了解空间，避免了大量的不可行解，并引入鲸鱼优化算法的气泡网搜索和螺旋搜索来避免早熟现象，有效地提高了算法的全局搜索能力。最后，使用含分布式电源的IEEE 33节点系统和Taipower 84进行仿真，结果表明该两阶段重构方法具有初始种群优、搜索能力强、收敛速度快的优点。     

无人机动态目标搜索的建模及求解

对无人机(UAV)在动态战场环境中的协同搜索问题进行研究,在考虑目标存在概率、价值收益、UAV斥力代价及任务执行代价的情形下,建立了多UAV协同搜索的滚动优化模型。为了提高模型求解的效率,提出一种改进种群增量学习算法(PBIL)对该问题进行求解,采用混合编码的方法构造种群,同时采用了自适应的更新率,并利用自适应交叉和变异方式,将该算法应用于动态目标的搜索问题,仿真结果表明该方法能有效地搜索到战场目标,提高了搜索效率。     

多策略差分进化的元胞多目标粒子群算法

为了增加Pareto解集的多样性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种多策略差分进化的元胞多目标粒子群算法.该算法在分析粒子群优化原理基础上,将元胞自动机理论融入粒子群算法,研究粒子种群的交流结构和信息传递机制.为了避免粒子飞行速度过快陷入局部收敛,提出一种限制粒子飞行速度的策略,并引入一种多策略差分进化选择算子增加对粒子的扰动.实验证明,该算法相对于比较算法,有更好的收敛性和多样性.     

基于改进MOEA/D分解算法的天线阵优化设计

针对天线阵列设计需要优化的目标数量多、耗时长且难以收敛的问题，提出一种新的根据拥挤度动态调节邻域大小的基于分解的多目标进化算法MOEA/D。该算法引入一个拥挤参数集合，根据种群拥挤度的排名区间为子问题选取集合中不同的拥挤参数值，根据搜索阶段计算每个子问题的选择邻域和替换邻域，并间隔50代重新进行拥挤度排名计算达到动态调节邻域的目的，以平衡种群的收敛性和多样性。在对比实验中，选取测试函数DTLZ、WFG和直线阵列优化设计问题，将改进算法与其他4种算法进行性能对比。实验结果表明，改进算法在测试函数和直线阵列优化设计问题上表现均优于对比算法，搜索得到的Pareto解集满足天线阵列的设计需求。     

具有异构分簇的粒子群优化算法研究

 粒子群优化(Particle Swarm Optimization,PSO)算法在复杂多峰函数可行域空间搜索时极易陷入局部极值点.研究表明改变种群拓扑结构和调整算法参数有助于改善种群的多样性,但是目前研究中少有同时考虑种群全局拓扑结构和局部粒子个体能力.本文提出一种具有异构分簇特性的自适应PSO算法.该算法采用K-均值聚类算法对种群进行动态分簇,形成多异构子群,并采用Ring型拓扑结构进行子群间信息流通.而后采用基于寻解水平评价的粒子自适应参数调整策略进行个体调整.通过实验分析表明该算法能够提高粒子群优化的种群的多样性、粒子活性、搜索能力和收敛性能,同时也降低了算法对参数初值的依赖性.     

基于混合优化策略的微分进化改进算法

微分进化算法具有控制参数少、鲁棒性强、易于使用等优点，并具有不同的优化策略．本文在对微分进化算法各优化策略性能进行分析的基础上，提出了基于混合优化策略的微分进化改进算法．改进算法的主要思想是将种群中的个体随机地分成两组，每组采用不同的优化策略．利用五个标准的优化算法测试函数对改进算法的收敛速度和搜索成功率进行了测试，并与动态微分进化算法和微粒群算法进行了比较．实验结果表明，本文提出的改进算法在保证算法搜索成功率的同时，大大提高了算法搜索效率．     

求解高维混合指标优化问题的交互式进化计算

同时存在区间显式指标和模糊隐式指标的高维混合指标优化问题是一类难以求解的不确定多目标优化问题.针对该问题,首先,分别对高维显式指标和隐式指标的主要参数按确定性多目标优化,根据获得的相关权值,将高维显式指标和高维隐式指标分别降维成一维等效区间适应值和一维等效模糊适应值,二者合成个体等效指标体;然后,依据等效指标体的占优情况,通过确定自适应参考点和偏好区域面积选择个体;最后,在大规模种群NSGA-II范式下,采用隐式指标估计策略和种群聚类方法实现交互式进化优化算法.将本文算法应用于2种混合性能指标优化问题,验证所提算法的有效性和泛化性.     

基于模糊C均值聚类的锦标赛选择机制与多目标优化研究

本文提出了一种用于多目标优化的进化算法--基于模糊C均值聚类的进化算法（A Fuzzy C-Means Clustering Based Evolutionary Algorithm,FCEA）.在算法的迭代过程中,先利用模糊C均值聚类算法寻找种群的分布结构,通过对每一代种群进行模糊划分,获得每个个体隶属于每一类的隶属度,然后本文设计了一种基于隶属度的锦标赛选择算子,用于从整个种群中选择相似个体进行重组,引导算法进行搜索.实验结果表明,基于隶属度的锦标赛选择算子的应用能够提升算法的性能,与MOEA/D-DE、NSGAⅡ、SPEA2、SMS-EMOA等先进的优化算法进行比较的结果表明,FCEA在求解具有复杂Pareto前沿的多目标优化问题（GLT系列）时具有一定的竞争力.     

基于重加权?1范数惩罚的远近场混合源定位算法

现有信源定位方法大多假定信源是远场源或近场源,而实际定位系统中往往存在远场源和近场源共存的情况。为实现远、近场源分离及高精度信源定位,本文在稀疏信号重构理论框架下提出了一种新的远近场混合源定位算法。该算法利用阵列协方差矩阵反对角线元素和重加权l1范数惩罚获得所有信源的到达角（Direction Of Arrival, DOA）估计。在DOA估计的基础上,根据远场与近场源距离参数位于不同区间的特点利用一维搜索实现远、近场源分离以及近场源距离参数的估计。从理论角度分析了重加权l1范数惩罚算法的重构性能。本文所提算法不仅同时适用于高斯和非高斯信号,而且无需多维搜索和参数配对,也无需信源数的先验信息,同时还可以获得较好的定位精度。计算机仿真结果验证了所提算法的有效性。