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SPEA2和NSGA-Ⅱ算法的并行多目标优化算法

文章结合SPEA2和NSGA-Ⅱ两个多目标进化算法,基于岛屿模型,提出了一种新的并行多目标进化算法。该算法采用多线程实现,适合在多核处理器或机群系统上执行。实验结果通过与串行算法SPEA2和NSGA-Ⅱ比较证明了该并行算法的有效性。     

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.     

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。     

一种新颖的共形阵非均匀子阵的优化算法

提出了一种新的同时对共形阵非均匀子阵分区和子阵幅度激励进行优化的多目标进化算法，为此设计了新的多目标函数，通过在改进的强度 Pareto 进化算法(SPEA2)使用克隆选择算子和双交换遗传操作算子，从而提高搜索效率和收敛性，可以有效改善整个阵列的辐射特性。 在系统仿真中，结合工程化实际应用，本文提出的 MOEA 算法对 20×20 阵列进行非均匀子阵分区和对各个子阵的幅度激励优化，仿真结果表明其天线阵列在扫描空域的峰值旁瓣电平(PSLL) 以及方位和俯仰波束宽度等性能参数得到明显改善，该方法对改善整个阵列的辐射特性是有效的。     

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.     

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.     

基于量子计算模型的混合进化算法及其性能分析

 提出了基于量子动力学机制的混合进化算法,该算法依据小生境机制将初始个体划分为实数编码染色体的子群,种群内部采用自适应算子搜索局域的最优解,种群之间则采用基于量子动力学机制的协同进化.混沌系统生成的初始染色体序列实际上并不完全随机,因此我们提出非对称区间产生混沌染色体序列并能生成更多的优秀个体.为解决二进制算法所不能避免的精度与效率的冲突,本文采用十进制编码染色体.利用量子动力学机制的高度分布并行性,本模型能更好的适应复杂的动态环境.我们不仅证明了算法的收敛性而且分析了提高算法性能的策略,仿真实验也验证了该算法的优越性.     

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.     

基于混沌遗传算法的非均匀应变分布重构研究

针对基本遗传算法在解决实际最优化问题时可能存在的收敛速度慢、易于陷入局部最优解等问题,提出从适应度排序标定和混沌算子嵌入两方面进行算法性能的改进。前者避免了传统适应度值计算方法中较小目标函数值导致的具有过大适应度值的个体对种群进化方向的影响,使得种群始终能够保持恒定的进化压差促进最优解的搜索;后者则增强了遗传算法局部搜索的能力,从而提高了近似最优解向全局最优解转化的可能性。在此基础上,建立了一种基于混沌遗传算法的光纤布拉格光栅(FBG)轴向非均匀应变分布重构方法,仿真算例表明,混沌遗传算法有效改善了非均匀应变分布重构算法的收敛性能,提高了重构的精度。讨论了算法中相关参数的设置对非均匀应变分布重构精度的影响。     

一种多策略协同的多目标萤火虫算法

现实中的多目标优化问题不断增多且日益复杂,需要不断发展新型启发式算法应对挑战.提出一种多策略协同的多目标萤火虫算法MOFA-MCS.该算法采用均匀化与随机化相结合的方法产生初始种群;利用档案集中的精英解个体指导萤火虫移动;并在移动的过程施加Lévy flights随机扰动;最后,利用ε-三点最短路径策略维护档案解群的多样性.MOFA-MCS算法与其他6种经典的多目标进化算法一同在12个基准的多目标测试问题上进行实验,结果表明所提算法在收敛性、多样性方面总体上具有显著的性能优势.     

一种基于边缘分布估计的多目标优化算法

该文提出了一种基于边缘分布估计的多目标优化算法,通过在每一进化代中估计较优个体的边缘概率分布来引导算法对Pareto最优解的搜索。通过与基于拥挤机制的多样性保持技术、基于非支配排序的联赛选择、精英保留等技术的有机结合,使得算法在具有良好收敛性能的同时,具有很好的维持群体多样性的能力。通过一组典型测试函数实验对该算法的性能进行了分析,并与NSGA-II、SPEA、PAES等知名多目标优化算法进行了比较,结果表明该文算法收敛速度较快,且得到的非支配解集分布均匀,适合于复杂多目标优化问题的求解。     

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.     

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.     

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.     

A market-oriented dynamic collaborative cloud services platform

Currently, interoperability and scalability are two major challenging issues for cloud computing. Forming a dynamic collaboration (DC) platform among cloud providers (CPs) can help to better address these issues. A DC platform can facilitate expense reduction, avoiding adverse business impacts and offering collaborative or portable cloud services to consumers. However, there are two major challenges involved in this undertaking; one is to find an appropriate market model to enable a DC platform, and the other one is to minimize conflicts among CPs that may occur in a market-oriented DC platform. In this paper, we present a novel combinatorial auction (CA)-based cloud market (CACM) model that enables a DC platform in CPs. To minimize conflicts among CPs, a new auction policy is proposed that allows a CP to dynamically collaborate with suitable partner CPs to form groups and publishes their group bids as a single bid to compete in the auction. However, identifying a suitable combination of CP partners to form the group and reduce conflicts is a NP-hard problem. Hence, we propose a promising multi-objective (MO) optimization model for partner selection using individual information and past collaborative relationship information, which is seldom considered. A multi-objective genetic algorithm (MOGA) called MOGA-IC is proposed to solve the MO optimization problem. This algorithm is developed using two popular MOGAs, the non-dominated sorting genetic algorithm (NSGA-II) and the strength pareto evolutionary genetic algorithm (SPEA2). The experimental results show that MOGA-IC with NSGA-II outperformed the MOGA-IC with SPEA2 in identifying useful pareto-optimal solution sets. Other simulation experiments were conducted to verify the effectiveness of the MOGA-IC in terms of satisfactory partner selection and conflict minimization in the CACM model. In addition, the performance of the CACM model was compared to the existing CA model in terms of economic efficiency.