基于模糊支配的高维多目标进化算法MFEA

为提高高维复杂多目标优化算法的收敛性和解集分布性,提出一种基于模糊支配的高维多目标进化算法MFEA.在第二代Pareto支配类高维多目标进化算法模型基础上,利用模糊理论对模型中的环境选择进行改进,提出基于模糊隶属度的支配关系,并结合Harmonic、k邻域法和小生境技术对其中的拥挤密度估计方法进行改进,最后根据高维多目标的特点并结合模糊理论α-截集的思想提出了新的环境选择策略.将该算法与目前性能最好的5种多目标进化算法在标准测试函数集上进行对比试验,结果表明本文算法与其他算法相比具有明显的优势,不仅提高了算法的收敛性能,而且保证了Pareto最优解的均匀分布性.     

基于权值向量的偏好多目标优化方法

偏好多目标优化方法是多目标优化领域的一个重要分支,其主要目的是仅搜索Pareto前沿面上部分区域内决策者感兴趣的解.基于MOEA/D算法根据预先设定的均匀分布的权值向量搜索Pareto最优前沿面的思想,本文提出了一种基于权值向量的偏好多目标优化方法,该方法通过引入具有偏好信息的权值向量,使算法仅搜索偏好点附近的解.仿真实验结果表明,与现有偏好多目标优化算法相比,本文方法具有支持多偏好点、偏好区域大小可控、偏好点位置无特别要求及偏好解具有更好收敛性的优势.     

基于多邻居结构的自适应元胞差分算法

针对传统多目标优化算法在求解Pareto解集时存在全局搜索能力与局部寻优能力无法得到有效平衡的问题,提出了一种基于多邻居结构的自适应元胞差分算法.该算法在保留传统元胞差分算法进化特点的基础上,使用更加丰富的多邻居结构替换原有的单一邻居结构,并且依据相应元胞个体的性能优劣来对其邻居结构进行选择分配.同时,面对进化过程中的复杂性能需求,算法定义了一种周期性变化的变异策略来实现不同进化阶段的自适应调节.最后,利用DTLZ系列测试函数对算法性能进行测试,并通过与四种经典的多目标优化算法相比较,证明了改进后的算法拥有更好的收敛性与分布性.     

多个体参与交叉的Pareto多目标遗传算法

Pareto多目标遗传算法是利用Pareto最优的概念发展出的一种求解多目标优化问题的向量优化方法,能够得到Pareto最优解集.由于采用常规的两个体参与交叉的遗传算法,使整个算法耗费在小生境(Niche)算子上的时间太多,导致算法的效率较低.本文发展出多个体参与交叉的Pareto多目标遗传算法,群体中的个体采用真实值表示,使该算法的速度大大提高,同时证明了相应的模式定理,并提出用方差和熵来分析该算法对解群多样性的影响.最后用算例说明了采用多个体参与交叉的Pareto多目标遗传算法与常规算法比较的结果,证明了本文提出算法的优越性.     

基于动态交换策略的快速多目标粒子群优化算法研究

本文提出了一种基于动态交换策略的快速多目标粒子群优化算法,通过把初始种群分割成Pareto和Non_Pareto集合,并在迭代过程中对Pareto解集进行动态调整,从而较好地完成了多目标优化算法对Pareto解集的搜索和逼近.实验和应用实例均表明了该算法的有效性和快速性,并通过性能指标ER的计算验证了本算法优于某些同类的多目标优化算法.     

基于混沌粒子群算法的多目标调度优化研究

针对当前车间调度多目标优化研究存在收敛速度慢、精度低的问题,提出了混沌多目标粒子群优化算法。在算法中,设计了一种新的叠加Logistic扰动的Tent混沌映射算子,通过该算子周期性地更新种群以保证种群的多样性;对收缩粒子群算法进行了扩展使其能够快速收敛到Pareto前沿。通过标准测试问题与实际应用对所提方法进行了验证,实验结果显示混沌多目标粒子群优化算法无论在收敛速度还是在优化精度上都优于其它典型多目标进化算法。     

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.     

基于集合的高维多目标优化问题的进化算法

由于高维多目标优化问题包含的目标很多,已有的方法往往难以解决该问题.本文提出一种有效解决该问题的基于集合的进化算法,该方法以超体积、分布度,以及延展度为新的目标,将原优化问题转化为3目标优化问题;定义基于集合的Pareto占优关系,设计体现用户偏好的适应度函数;此外,还提出集合进化策略.将所提方法应用于4个基准高维多目标优化问题,并与其他2种方法比较,实验结果表明了所提方法的优越性.     

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.     

一种改进的基于密度的多目标进化算法

多目标密度驱动进化算法(MODdEA)利用非支配等级信息和分区密度信息求解多目标优化问题,该算法在与其他多目标进化算法的比较中有着出色的表现.在其基础上本文提出了一种改进的多目标进化算法MODdEA+,首先在该算法中基于搜索空间的分区机制提出了克隆操作,该操作不但能在进化前期增强算法的全局搜索能力,还能在进化后期提高算法的局部精化能力;其次引入一种基于Pareto信息表中个体支配及被支配信息的评价策略以使对信息表个体的排序结果更加精确;最后对变异操作进行了改进以降低出现不必要越界情况的概率.为验证改进算法的有效性,在对其进行分析的基础上针对多个测试问题将其与原算法进行了实验比较,结果表明改进算法的求解质量明显优于原算法.     

基于秩极小化的压缩感知图像恢复算法

本文将压缩感知图像恢复问题作为低秩矩阵恢复问题来进行研究.为了构建这样的低秩矩阵,我们采样非局部相似度模型,将相似图像块作为列向量构建一个二维相似块矩阵.由于列向量间的强相关性,因此该矩阵具有低秩属性.然后以压缩感知测量作为约束条件对这样的二维相似块矩阵进行低秩矩阵恢复求解.在算法求解的过程中,使用增广拉格朗日方法将受限优化问题转换为非受限优化问题,同时为了减少计算复杂度,使用基于泰勒展开的线性化技术来加速算法求解.实验表明该算法的收敛率、图像恢复性能均优于目前主流压缩感知图像恢复算法.     

Estimation of frequencies of multiple sinusoids: Making linear prediction perform like maximum likelihood

The frequency-estimation performance of the forward-backward linear prediction (FBLP) method of Nuttall/Uhych and Clayton, is significantly improved for short data records and low signal-to-noise ratio (SNR) by using information about the rank M of the signal correlation matrix. A source for the improvement is an implied replacement of the usual estimated correlation matrix by a least squares approximation matrix having the lower rank M. A second, related cause for the improvement is an increase in the order of the prediction filter beyond conventional limits. Computationally, the recommended signal processing is the same as for the FBLP method, except that the vector of prediction coefficients is formed from a linear combination of the M principal eigenvectors of the estimated correlation matrix. Alternatively, singular value decomposition can be used in the implementation. In one special case, which we call the Kumaresan-Prony (KP) case, the new prediction coefficients can be calculated in a very simple way. Philosophically, the improvement can be considered to result from a preliminary estimation of the explainable, predictable components of the data, rather than attempting to explain all of the observed data by linear prediction.     

多目标优化问题的遗传算法改进研究

基于Nash均衡的思想在NSGA所求得的Pareto最优解基础上,探讨一种能对多目标优化问题进行求解的遗传算法。采用Nash均衡的思想在多目标优化的遗传算法,结合NSGA算法,提出一种能得到多个Pareto最优解的多目标优化算法。通过目标函数线性加权法、NSGA对函数进行了试验分析,对部分自变量进行固定,对其他的自变量进行优化,对Pareto最优解进行持续优化,进而实现加速算法的收敛,从实验中得出了这种算法具有较快的收敛性,但是其运行时间和NSGA相比没有多少改善。     

基于双目能量响应的无参考立体图像质量评价

为了实现对不同失真类型立体图像的质量评价,提出了一种基于双目能量响应的无参考立体图像质量评价(NR-IAQ)方法。首先,通过对各失真图像进行Gabor滤波,提取出不同频率、不同方向、不同视差响应下的局部特征矢量,作为立体图像特征信息;然后,利用支持向量回归(SVR)建立立体图像特征与主观评价值的关系,从而预测得到立体图像质量的客观评价值。实验结果表明,对于NBU-3D测试库,Pearson线性相关系数值在0.92以上,Spearman等级相关系数值在0.93以上;对于LIVE-3D测试库,Pearson线性相关系数值在0.96以上,Spearman等级相关系数值在0.96以上;与现有的全参考(FR)和(NR)质量评价方法相比,本方法得到的客观评价值与主观评价结果有较好的相关性,更加符合人眼视觉系统。     

稳定平台控制器参数多目标优化

利用稳定平台机械-控制联合仿真精确的系统分析能力,提出了一种稳定平台控制器多目标优化设计方法。采用稳定平台机械系统的多体动力学模型和控制系统模型作为优化目标计算的基本模型,利用Pareto多目标遗传算法对控制器参数进行优化。为了降低遗传算法的计算量,引入代理模型技术,整个优化系统在ModelCenter内集成,实现优化过程的自动化,以提高设计效率。算例结果表明,本方法优化后的稳定平台控制系统具有更好的性能指标,并能有效控制计算成本,具有一定的应用价值。     

神经网络在ESB自适应波束形成中的应用

基于特征空间(ESB)自适应波束形成算法性能优良,但需要进行矩阵特征分解,运算量大。提出了一种基于神经网络的ESB自适应波束形成算法。该算法仅将Toeplitz化后的采样协方差矩阵的第一列元素作为网络输入,从而降低了输入矢量的维数。利用广义回归神经网络逼近权矢量,神经网络的并行计算可提高运算速度。计算机仿真结果表明此方法是有效的。     

一种运动估计的快速预测搜索算法

本文提出了一种运动估计的快速预测搜索算法(PSA)。该算法首先用当前块的三个邻近块运动矢量的线性加权来得到预测矢量,然后以预测点为起始点,采用3×3的搜索窗进行搜索步长为1的移动窗搜索,直到搜索到达搜索域的边界或搜索的局部最小点位于搜索窗的中心时停止。该算法由于利用了序列图象的实际运动矢量与预测矢量之间距离的空间分布特性一中心偏置分布特性和时间上的相关特性,并采用了中止判决准则,可以明显地减少搜索次数。仿真表明这种算法减少了搜索范围和搜索次数,提高了搜索效率,降低了运动估计的计算复杂性。本文还详细地给出了PSA算法与其它常用快速算法的比较结果。     

Asymptotically near-optimal blind estimation of multipath CDMA channels

In this paper, correlation matching techniques are applied to estimate multipath code division multiple access (CDMA) channels. We arrange unknown multipath parameters for each of J active users in a vector. Then, the output correlation matrix is parameterized by J unknown rank one matrices, with each one formulated from the corresponding channel vector. This correlation matrix is further compared with its sample average. The resulting error can be first minimized to obtain unbiased estimates of J unknown rank one matrices in closed forms. Thus, our estimator for each channel vector is derived by singular value decomposition (SVD) on the associated rank one matrix within a scalar ambiguity. It turns out that the performance of our estimator can be improved by introducing an asymptotically optimal weighting matrix in our cost function. This weighting matrix can be estimated directly from data samples only with a small penalty on the asymptotic performance. The asymptotic covariance of our estimator is also derived and can be compared with the Cramer-Rao lower bound, both in closed forms. Simulation results show the applicability of the proposed methods and consistency with our theoretical analysis     

用多目标进化算法搜索MOPs的鲁棒Pareto最优解

 搜索鲁棒Pareto最优解是多目标进化算法(MOEA)研究的一个重要方面.目前,优化"原目标函数"的传统MOEA与基于"有效目标函数"的MOEA (Eff-MOEA)在搜索鲁棒Pareto最优解时都易丢失某些性质的解.为解决这一缺陷,本文定义了一种新的鲁棒Pareto最优解,提出了一种新的搜索鲁棒Pareto最优解的MOEA(MOEA/R),MOEA/R将多目标鲁棒优化问题(MROP)转化成两目标问题来优化,一个目标为解的质量,另一个目标为解的鲁棒性,每一目标均对应一子优化问题.通过与NSGA-Ⅱ及Eff-MOEA的对比分析,结果表明MOEA/R的结果较好,更重要的是本文探索了一种新的搜索鲁棒Pareto最优解的思想.