基于MODPSO-SA算法的多AUV任务分配

提出一种基于Pareto解集的多目标模拟退火粒子群算法(MODPSO-SA),用于解决自主水下机器人(AUV)协同任务分配问题.为避免粒子群算法陷入局部最优,加入改进的模拟退火技术,形成一种新的多目标局部搜索策略.仿真结果表明,MODPSO-SA算法能够得出多组合理Pareto解集,可以有效解决多AUV任务分配问题.     

多目标量子编码遗传算法

如何使算法快速收敛到真正的Pareto前沿,并保持解集在前沿分布的均匀性是多目标优化算法重点研究解决的问题。该文提出一种基于量子遗传算法的多目标优化算法,利用量子遗传算法的高效全局搜索能力,在整个解空间内快速搜索多目标函数的Pareto最优解,利用量子遗传算法维持解集多样性的特点,使搜索到的Pareto最优解在前沿均匀分布。通过求解带约束的多目标函数优化问题,对该文算法的多目标优化性能进行了考察,并与NSGAII,PAES,MOPSO和Ray-Tai-Seows算法等知名多目标优化算法进行比较,结果证明了该文算法的有效性和先进性。     

基于合作模型的协同免疫多目标优化算法

本文针对多目标优化问题Pareto最优解集合(PS)的分布特点,构造了一种基于新的子任务划分方法的合作型协同进化模型,并将该模型引入人工免疫系统中,提出了一种基于合作模型的协同免疫多目标优化算法(A Cooperative Immune Coevolutionary Algorithm for Multiobjective Optimization,CICAMO).CICAMO算法运用Tchebycheff分解方法进行子种群划分,然后对各个子种群建立线性概率统计模型分段逼近整个PS,在抗体繁殖上结合了克隆选择和模型采样两种方式.实验结果表明,CICAMO算法在求解质量和收敛速度上均表现良好,尤其对于决策变量非线性相关的多目标优化问题,性能尤为突出.     

基于联合投标的多目标机器人围捕

针对多目标机器人围捕任务中的任务分配问题,提出了围捕机器人联合投标的拍卖方法,该方法考虑围捕机器人组合对任务的适应程度,机器人联合形成小组作为一个整体给任务投标,并针对组合过多,计算量大,通信量大的问题对该方法进行改进。最后在MuRoS仿真平台上对目标机器人为3个,围捕机器人为9个的情况进行了仿真实验,仿真结果显示联合投标用于任务分配是可行的。     

基于自适应烟花算法的多无人机任务分配

多无人机任务分配是复杂的多约束多目标非线性优化问题,针对常用智能算法的各自缺陷,结合烟花算法特点,提出使用改进的自适应烟花算法处理该问题。首先建立了该问题的数学模型,使用层次分析法结合灰色关联法求得各指标权重,并用外罚函数法将该模型转化为无约束单目标极值问题;然后使用自适应烟花算法求解该模型。为验证自适应烟花算法处理该问题的优越性,分别用几种不同优化算法做仿真计算。结果表明,自适应烟花算法能快速收敛于全局最优解,其结果直观地表述了该复杂情景下合理任务分配方案。     

应用精英反向学习的多目标烟花爆炸算法

现实中的多目标优化问题越来越多,而且日益复杂.受混合多目标优化算法设计思想的启发,将烟花爆炸方法和精英反向学习机制引入至多目标优化领域,提出一种应用精英反向学习的多目标烟花爆炸算法(Multi-Objective Fireworks Optimization Algorithm Using Elite Opposition-Based Learning,MOFAEOL).该算法利用精英反向学习策略加强算法的全局搜索能力,利用烟花爆炸方法增强算法的局部搜索能力并提高求解的精度.这两种搜索机制相互协同以更好地平衡算法的全局勘探和局部开采的能力.MOFAEOL算法与另外5种代表性多目标优化算法一同在由ZDT系列和DTLZ系列组成的测试集上进行性能比较.实验表明,MOFAEOL算法在收敛性、多样性和稳定性方面均优于或部分优于其他对比算法.     

正交免疫克隆粒子群多目标优化算法

该文基于抗体克隆选择学说理论,提出了一种求解多目标优化问题的粒子群算法正交免疫克隆粒子群算法(Orthogonal Immune Clone Particle Swarm Optimization, OICPSO)。根据多目标的特点,提出了适合粒子群算法的克隆算子,免疫基因算子,克隆选择算子。免疫基因操作中采用了离散正交交叉算子来获得目标空间解的均匀采样,得到理想的Pareto解集,并引入拥挤距离来减少获得Pareto解集的大小,同时获得具有良好均匀性和宽广性的Pareto最优解集。实验中,与NSGA-II和MOPSO算法进行了比较,并对算法的性能指标进行了分析。结果表明,OICPSO不仅增加了种群解的多样性而且可以得到分布均匀的Pareto有效解集,对于多目标优化问题是有效地。     

一种非均匀分布问题分布性维护方法

 几乎所有多目标进化算法(multi-objective optimization evolutionary algorithm,MOEA)都是针对Pareto最优面为均匀分布问题而言.然而现实中很多问题Pareto最优面是非均匀分布的,决策者希望得到一个与Pareto最优面分布类似的解集.现存算法并不能有效解决该问题.对此,提出一种针对于非均匀分布多目标优化问题的维护方法(non-uniformly diversity maintenance method,NUDMM).该方法定义一个反映个体分布"规则"程度的指标——杂乱度,并设计一种降低种群杂乱度的方法,在未知Pareto最优面分布规律情况下有效剔除造成种群混乱的个体.通过与NSGA-II和SPEA2在不同维数下8个非均匀函数上对比实验,表明NUDMM在有效保持问题真实分布的同时,具有良好的收敛性.     

基于IMOPSO算法的多目标多聚焦图像融合

目前的多聚焦图像融合方法对于融合模型的建立主要依赖于经验,其参数配置存在主观性.提出了一种基于IMOPSO算法的多目标多聚焦图像融合方法,简化了多聚焦图像融合模型,克服了参数配置对经验的依赖性.首先给出了多聚焦图像融合有效的评价指标,然后构造了统一的小波域多聚焦图像融合模型,最后以模型参数作为决策变量,采用IMOPSO算法进行多目标优化搜索.IMOPSO算法不但引入变异算子以避免早熟,而且引入拥挤算子,使Pareto优解尽可能均匀分布于Pareto前端,并采用一种新的自适应惯性权重提高寻优能力.实验结果表明,IMOPSO算法具有更快的收敛速度和更好的寻优能力,同时基于该算法的融合方法也实现了Pareto最优多聚焦图像融合.     

基于约束多目标免疫算法的多载波卫星通信系统链路支持性优化

毫米波通信系统因为带宽宽和易于小型化的特点被广泛应用于卫星通信中,基于提高多载波卫星毫米波通信系统容量的链路支持性优化面临诸多性能指标权衡的难题,如:降低上行EIRP需求,提高转发器功率利用率,增强链路稳健性等,将多目标优化思想引入到毫米波卫星通信系统的支持性优化模型,提出一种约束多目标免疫算法(Constrained Nondominated Neighbor Immune Algorithm,C-NNIA),并进行了相应的建模、仿真和优化.表明该算法可获得优于传统直接求解(Direct Search,DS)算法和基于单目标可变邻域搜索(Variable Neighbourhood Search,VNS)算法的Pareto最优解,且算法具有更好的约束处理能力、多样性保持能力以及快速收敛特性.最后,通过对最优解集的设计变量以及性能度量参数的统计和分析,获得了具有指导性的设计参考.     

Optimization of UPFCs using hierarchical multi-objective optimization algorithms

Optimal location, number, and settings of unified power flow controllers (UPFC) using various multi-objective optimization algorithms is presented in this paper. The UPFC parameters, locations and number are computed to maximize the voltage stability margin and minimize the real power losses at the same time. For this, developed hierarchical optimization versions of three recent multi-objective algorithms are proposed namely: non-dominated genetic algorithms (NSGA-II), non-dominated sorting particle swarm optimization (NSPSO) and Strength Pareto Evolutionary Algorithm 2 (SPEA2). The fuzzy logic is proposed to extract the best compromise solution from the Pareto set. The proposed algorithms are applied to IEEE 30-bus power system. The line flow and load bus voltage limits are taken into account. The obtained results show that the installation of the UPFC in the power system minimizes the power losses, enhances the static voltage stability, and improves the voltage profiles. Furthermore, the proposed methods are able to solve a hard discrete?Ccontinuous constrained multi-objective optimization problem. In addition, they do not show any limitation on the number of objective functions under consideration.     

基于自适应截断策略的约束多目标优化算法

为提高约束多目标优化问题所求解集的分布性和收敛性,该文提出基于自适应截断策略的约束多目标优化算法。首先,自适应截断选择策略能够保留Pareto最优解和约束违反度及目标函数值均较优的不可行解,不仅提高了种群多样性,而且能够较好地兼顾多样性和收敛性;其次,为增强算法的局部开发能力,在变异操作和交叉操作之后进行指数变异;最后,改进的拥挤密度估计方式只选择一部分Pareto最优解和距离较近的个体参与计算,不仅更加准确地反映解集的分布性,而且降低了计算量。通过在标准测试问题(CTP系列)上与其他4种优秀算法的对比结果可以得出,该算法所求解集的分布性和收敛性均得到一定提高,而且相较于对比算法在求解性能上具备一定的优势。     

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。     

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.     

A New Automated Design Method Based on Machine Learning for CMOS Analog Circuits

A new simulation based automated CMOS analog circuit design method which applies a multi-objective non-Darwinian-type evolutionary algorithm based on Learnable Evolution Model (LEM) is proposed in this article. The multi-objective property of this automated design of CMOS analog circuits is governed by a modified Strength Pareto Evolutionary Algorithm (SPEA) incorporated in the LEM algorithm presented here. LEM includes a machine learning method such as the decision trees that makes a distinction between high- and low-fitness areas in the design space. The learning process can detect the right directions of the evolution and lead to high steps in the evolution of the individuals. The learning phase shortens the evolution process and makes remarkable reduction in the number of individual evaluations. The expert designer’s knowledge on circuit is applied in the design process in order to reduce the design space as well as the design time. The circuit evaluation is made by HSPICE simulator. In order to improve the design accuracy, bsim3v3 CMOS transistor model is adopted in this proposed design method. This proposed design method is tested on three different operational amplifier circuits. The performance of this proposed design method is verified by comparing it with the evolutionary strategy algorithm and other similar methods.     

基于帕累托最优的雷达-通信共享孔径研究

针对雷达-通信综合射频系统,该文提出一种基于环境信息的共享孔径动态分配方法。首先基于帕累托最优理论将共享孔径分配建模为一个多目标优化问题,并建立了雷达阵列方向图的峰值旁瓣电平和多输入多输出(MIMO)通信系统的信道容量两个优化目标函数。然后提出一种基于整数编码的改进粒子群算法,通过迭代求解以帕累托前沿的形式给出一组最优解,供决策者根据任务需求从中选出一个最满意的解。最后,仿真结果验证了该方法的有效性。     

基于分解的多目标进化算法的异构无线网络业务接入控制

异构无线网络接入控制问题包含多个优化目标,现有算法考虑不全面且多是将其转换为单目标求解,限制了各目标的相对关系,无法适应不同的实际需求。该文提出一种直接采用多目标进化算法的接入控制算法。首先将优化目标扩展为3个,分别是最小化阻塞率、最小化占用总资源和负载均衡;其次引入基于分解的多目标进化算法(MOEA/D)并设计进化策略,进行初步寻优;最后通过非支配排序得到Pareto最优解集,即最佳接入方案。仿真结果表明,所提算法可以提高各优化目标的求解精度,从而提高业务接入成功率和网络资源利用率,并且为决策者提供多种接入方案,可根据实际需求进行最优选择。