基于遗传算法的多目标过程系统优化

提出了一种求解多目标优化问题的求解策略。在搜索寻优过程中 ,利用遗传算法生成 Pareto最优解集。在决策过程中 ,利用 TOPSIS方法来确定 Pareto最优解集中最佳协调解。最后 ,应用该算法对 DAM连续缩合过程的多目标过程系统做了优化研究。     

利用一种改进的模拟退火算法求解多目标规划问题

提出了一种求解多目标规划问题的改进模拟退火算法。该算法基于多目标规划的Pareto最优解特征提出了一种新的能量差计算方法,并利用外部存档储存每一代产生的Pareto最优解,通过预设迭代次数,使近似Pareto最优解不断逼近精确最优解。最后,通过数值实验验证算法的可行性和有效性。     

基于NSGA-II算法的RLV多目标再入轨迹优化设计

传统的再入轨迹优化设计通常只考虑单目标优化问题,例如最小热流、最小大航程、最小控制能量等。随着人们对降低费用和提高性能的期望越来越高,多目标再入轨迹优化问题也引起了注意。以往人们通过加权因子等方法将多目标问题转化为单目标问题,避免了复杂的多目标优化算法的应用。但也引入了新的参数,且每次优化只能获得与该参数相关的1个解。N SGA-II算法是最近发展起来的具有优良性能的多目标遗传算法,它引入了快速分类、约束支配和精英策略,1次运行可以获得多个Pareto最优解。文中利用N SGA-II算法来求解具有最小热载和最大横程的2个目标的再入轨迹优化问题。算例表明N SGA-II算法能够有效地搜索到优化轨迹的Pareto前沿,是RLV初步设计的有力工具。     

多目标P系统仿生优化算法

为了更加高效地求解多目标优化问题,提出了一种基于P系统的仿生优化算法。算法结合P系统的动态膜结构以增强算法的适应性,同时结合经典的NSGA-II拥挤距离选择策略和膜内仿生自噬机制提高算法所得最优Pareto解的多样性。此外,算法内循环中的动态变异、交流及交叉等规则使得所提算法获得的Pareto最优边界与真实Pareto最优前沿的逼近度更高。仿真实验结果表明：该算法处理多目标优化问题时所得解集具有更好的收敛度和多样性。将该算法应用于非最小相位对象的PID控制器的多目标优化设计,获得了较好的系列非劣控制器组,基于搜索结果的PID切换控制策略具有满意的控制效果。     

基于NSGA—Ⅱ算法的RLV多目标再入轨迹优化设计

传统的再入轨迹优化设计通常只考虑单目标优化问题，例如最小热流、最小大航程、最小控制能量等。随着人们对降低费用和提高性能的期望越来越高，多目标再入轨迹优化问题也引起了注意。以往人们通过加权因子等方法将多目标问题转化为单目标问题，避免了复杂的多目标优化算法的应用。但也引入了新的参数，且每次优化只能获得与该参数相关的1个解。NSGA—Ⅱ算法是最近发展起来的具有优良性能的多目标遗传算法，它引入了快速分类、约束支配和精英策略，1次运行可以获得多个Pareto最优解。文中利用NSGA—Ⅱ算法来求解具有最小热载和最大横程的2个目标的再入轨迹优化问题。算例表明NSGA—Ⅱ算法能够有效地搜索到优化轨迹的Pareto前沿，是RLV初步设计的有力工具。     

求解约束优化问题的引导多目标差分进化算法

将约束优化问题转化为带偏好的双目标优化问题,用差分进化算法求解转化问题。为了克服基于Pareto支配关系的多目标算法求解转化问题时没有考虑问题偏好、收敛慢等缺点,借助多目标α-支配关系的特点,提出了基于动态α-支配的新适应度函数。新适应度函数根据种群中可行解的比例动态平衡进化过程中对两个目标的偏好,引导算法不断向问题的偏好区域靠近,从而快速收敛到约束优化问题的最优解。对6个标准测试函数的数值实验结果表明:基于α-支配的动态引导多目标差分进化算法能快速收敛到问题的最优解。与3种经典高效算法的比较说明,所提出算法的鲁棒性强且效率高。     

基于均方差值调节的多目标权重系数GA算法

提出一种改进的权重系数调节算法求解多目标Pareto最优解问题.该算法采用均方差值自适应权重调节法对各目标函数权值进行有效调节,从而提高了GA所得最终种群在多目标最优意义下具有分散性.最后通过实验优化一组测试函数来评价该算法的性能,结果表明:该算法具有很强的寻优能力,相比于其它同类算法可以更好地解决多目标优化问题.     

柔性作业车间多目标调度优化研究

研究了多目标柔性作业车间调度问题（FJSP）,提出了一种基于Pareto的混合遗传算法,并建立了包括生产周期、总拖期时间和机床负载在内的多目标优化模型．该算法采用基于工序的编码方式和活动化解码方法,将Pareto排序策略与Pareto竞争方法结合起来．为了保证解的多样性,采用小生境技术并同时使用多种交叉方法,用Pareto解集过滤器保存进化过程中的最优个体,防止最优解的遗失．算法最后给出问题的Pareto最优解集．仿真试验证明,提出的混合遗传算法可以有效解决多目标FJSP．     

基于动态规划优化传感器网络寿命的算法

根据多跳无线传感器网络的特点,为了优化网络中节点的生存时间,提出了一种求解无线传感器网络寿命Pareto最优的集中式算法.熵是系统平均程度的度量,通过证明最大熵函数与传感器网络寿命Pareto最优的等价关系,建立了求解传感器网络最大熵函数的动态规划模型,将复杂的多目标线性规划问题转换成单目标动态规划问题.理论分析和仿真研究结果表明,新算法能够快速有效地获得网络寿命的Pareto最优解,达到了优化传感器网络寿命的目的,提高了系统的可实现性并降低了计算复杂度.     

最优多层决策模型及其应用

针对多属性决策问题,结合最小隶属度偏差法和最小生成树的解法,建立了科学适用的多层决策数学模型,提出该模型的算法,并运用Matlab程序对模型进行求解．通过实例的分析表明,使用此方法既综合考虑了多种评价指标,同时又解决了人为规定各评价指标权重存在的主观性问题,可以直接根据隶属度函数进行最优决策．     

基于Epsilon-MOEA的给水系统多目标优化与决策

给水系统优化运行是多目标优化问题,决策者需要从众多的候选方案中筛选出一个综合性能最好的方案.将多目标进化算法与多属性决策相接合,采用两阶段方法来求解供水系统的多目标优化与决策问题.首先构建供水系统的多目标优化模型,包括供水系统的运行费用与维护费用最小化,以及水压服务水平的最大化,运用多目标进化算法Epsilon-MOEA求解,生成Pareto解集.然后,基于信息熵方法得到属性权重,用逼近理想的排序方法(TOPSIS)进行多属性决策(MADM)研究,对Pareto最优解进行排序.算例应用表明,该方法能够对供水系统运行的多个目标进行优化,并使决策者能够从众多的候选方案中选出综合性能较好的方案.     

基于正态分布和自适应变异算子的ε截断算法

针对约束优化算法不能很好协调收敛性及分布性的问题,提出一种基于正态分布和自适应变异算子的ε截断算法。将正态分布引入模拟二进制交叉算子中,使算法可搜索的空间范围更广,更易跳出局部最优;利用自适应变异算子,将种群个体当前信息与变异算子结合起来,引导种群向真实的Pareto前沿进行进化;结合自适应的ε截断策略,保留Pareto最优解和一定数量的不可行解,同时利用不可行解的信息,加大对搜索空间的探索力度,从而提高种群多样性。采用3种标准测试函数对算法进行测试,试验结果表明:本研究所求解集能够很好的跟踪真实的Pareto解集。该方法可以有效地协调算法的收敛性及分布性。     

基于PSO的电力系统环境经济负荷调度

针对基于线性加权和处理成单目标优化问题的传统方法存在的缺陷,提出使用粒子群优化算法求解EELD多目标优化问题。该方法通过对粒子群算法个体极值和全局极值选取方式的改进,实现了对EELD多目标优化问题的非劣最优解集的搜索,为决策者提供了丰富的参考信息。在此基础上,应用模糊满意度方法求出的最优折衷解为调度运行人员提供了最佳调度折衷方案。最后,对一个三机系统进行了测试,并与线性加权人工神经网络法进行了比较分析,仿真结果验证了该方法的有效性。     

基于量子粒子群的软件模糊可靠性分配模型

针对软件可靠性分配中存在多个优化目标的问题,提出了一种新的模糊多目标分配模型,并采用量子粒子群优化算法求解该模型。将软件可靠性和成本作为模糊目标函数,通过三角形隶属函数对模糊目标进行处理,将优化后的量子粒子群算法用来求解软件模糊可靠性分配模型。实验结果验证了文章提出的软件模糊可靠性分配模型是有效的,多目标的Pareto最优解为可靠性和成本之间的决策提供了依据。     

柔性作业车间分批调度多目标优化方法

为了解决柔性作业车间中小批量工件的分批调度多目标优化问题,构建以制造工期、拖期惩罚、加工成本、批次数量和机器总负荷为目标函数的柔性作业车间多目标调度模型.应用改进的强度Pareto进化算法（SPEA）求解.在该算法中,应用模糊c 均值聚类（FCM）加快外部种群的聚类过程,引入自适应的变异算子来增强解的多样性.采用约束Pareto支配和可变长度的编码策略,一次运行就能够求得Pareto最优解集.利用模糊集合理论得到Pareto解的优先选择序列,并从中选出一个最优解.该方法将工件分割成具有柔性数量的多个批次,使各批次的工艺路线选取及加工顺序得到优化.通过实例仿真对该方法的性能进行比较分析.将该方法应用于某机械公司车间调度中,验证了该方法的有效性和适应性.     

基于MOPSO算法的斜拉桥索力优化分析

针对斜拉桥设计和监控计算中合理成桥状态和施工状态索力的确定问题,提出了一种基于MOPSO算法的斜拉桥索力优化方法。该方法在PSO算法的基础上通过增加外部储备集和优化更新策略来适应多目标、多约束的索力优化,较单目标优化方法仅有单一解的局限性,MOPSO算法考虑因素更全面,得到的Pareto最优解集可供决策者根据经验进一步筛选。采用Python编程语言,联合有限元软件编写基于该方法的优化程序,选取主塔、主梁的弯曲应变能之和,主塔成桥后在恒载作用下的纵桥向位移平方和作为目标函数,以施工过程及成桥后结构处于安全状态和索力总体分布均匀作为约束条件。工程算例优化结果表明,该方法能够快速搜寻到Pareto最优解集,并从中筛选出最优解,其结构应力处于安全范围,主塔线形合理,索力总体分布均匀。该方法可应用于斜拉桥成桥和施工阶段索力的确定及梁拱组合体系桥梁吊杆索力的确定。     

改进的多目标粒子群优化算法及其在雷达布站中的应用

为更好地解决多目标问题,提高多目标优化算法的多样性和收敛性,提出一种改进的多目标粒子群优化算法。算法将种群分为多个子种群同时进行优化搜索并改进粒子速度更新公式,扩大Pareto最优解集的覆盖面;利用反三角函数logistic映射初始化种群,使初始种群分布更均匀;并使用时变变异方法对外部档案进行变异,避免陷入局部最优。通过与标准多目标粒子群优化算法(MOPSO)和NSGA-Ⅱ在标准测试函数ZDT1、ZDT2、KUR上的仿真实验对比,验证了该文提出的改进算法的有效性,并将其应用于雷达优化布站。     

粒子群算法求解Web服务组合中基于QoS的服务选择

针对现有web服务组合中服务选择技术的不足,提出了一种基于粒子群优化算法的多
目标优化策略,用于解决web服务组合中基于服务质量（QoS）的服务选择全局最优化问题.
将web服务选择全局最优化问题转化为一个带QoS约束的多目标服务组合优化问题,利用多目
标粒子群算法的智能优化原理,通过同时优化多个QoS参数,最终产生一组满足约束条件的P
areto最优解. 实验结果证明了该算法的可行性和有效性.     

基于带疫苗注入VAMIGA的认知无线电波形优化

典型基于遗传算法的认知无线电(CR)引擎多采用加权法将多个优化目标转换为单目标进行处理,这容易漏掉最优解且引擎效率较低。针对该问题提出了一种带疫苗注入的自适应多目标免疫遗传算法(VAMIGA)。通过在CR问题中与强度Pareto进化算法(SPEA2)仿真对比,VAMIGA决策结果降低了2%~15%的发射功率,提高了6%~8%的调制指数,降低了6%~36%的误比特率。由此可见该算法能更有效地解决多目标优化和不同环境下的CR波形设计问题。