首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 62 毫秒

1.  基于双极偏好占优的高维目标进化算法  
   邱飞岳  吴裕市  邱启仓  王丽萍《软件学报》,2013年第24卷第3期
   高维目标优化是目前多目标优化领域的研究热点和难点.提出一种占优机制,即双极偏好占优用于处理高维目标优化问题.该占优机制同时考虑决策者的正偏好和负偏好信息,在非支配解之间建立了更加严格的占优关系,能够有效减少种群中非支配解的比例,引导算法向靠近正偏好同时远离负偏好的Pareto最优区域收敛.为检验该方法的有效性,将双极偏好占优融入NSGA-Ⅱ中,形成算法2p-NSGA-Ⅱ,并在2到15目标标准测试函数上进行测试,得到了良好的实验结果.同时,将所提出的占优机制与目前该领域的两种占优机制g占优和r占优进行性能对比,实验结果表明,2p-NSGA-Ⅱ算法无论是在求解精度还是运行效率上,整体上均优于g-NSGA-Ⅱ和r-NSGA-Ⅱ.    

2.  一种基于记忆克隆选择的多目标免疫算法  被引次数:1
   彭维  黄辉先  徐建伟  李密青《计算机工程与应用》,2008年第44卷第16期
   借鉴生物免疫原理中克隆选择机理,设计了一种基于记忆克隆选择的多目标免疫算法。该算法构建了一种亲和度的快速计算方法,并在抗体种群全局搜索Pareto解的同时,也在记忆单元进行局部搜索,有效地提高了搜索效率和收敛性。选取了六种典型的多目标优化函数进行算法仿真测试研究,并与经典的多目标进化算法NSGA-II进行了比较。仿真研究结果证明了新算法在保证种群分布度的同时,拥有比NSGA-II更好的收敛性和速度。    

3.  正交免疫克隆粒子群多目标优化算法  被引次数:3
   丛琳  焦李成  沙宇恒《电子与信息学报》,2008年第30卷第10期
   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.    

4.  基于Pareto的多目标克隆进化算法  
   贺 群  程 格  安军辉  戴光明  彭 雷《计算机科学》,2012年第39卷第103期
   为了克服部分多目标进化算法中容易出现退化与早熟,造成收敛速度过慢的不足,结合精英保留策略、基于近部规则的环境选择以及免疫克隆算法中的比例克隆等思想,提出一种基于Pareto的多目标克隆进化算法NPCA(Non-dominated Pareto Clonal Algorithm)。通过部分多目标优化测试函数ZDT和DTLZ对算法进行了性能测试,验证了该算法能获得分布更加均匀的Parcto前沿,解的收敛性明显优于典型的多目标进化算法。    

5.  量子免疫克隆多目标优化算法  被引次数:1
   李阳阳  焦李成《电子与信息学报》,2008年第30卷第6期
   该文基于免疫系统的免疫优势概念和抗体克隆选择学说,采用量子位编码,提出了一种量子免疫克隆多目标优化算法,并对算法进行了理论分析;与RWGA、SPEA和MISA等算法的比较表明,该算法对低维多目标优化问题更有效.    

6.  免疫算子对种群多样性的影响分析  
   陈云芳  王舒雅《计算机工程与应用》,2014年第20期
   经过多年的发展,研究人员设计出大量的免疫算法来解决多目标优化问题。基于三种免疫算子:克隆选择算子、超突变交叉算子和重组存储记忆算子,并通过分析三种算子何时或以何种方式对免疫算法中种群多样性产生影响,从而对免疫算子与种群多样性之间的联系进行了研究。对NNIA和CMOIA两种经典免疫算法在两个基准问题上进行实验分析,实验结果表明克隆选择算子对于算法多样性有消极影响,而超突变交叉算子和重组记忆存储算子则会帮助算法维护多样性。    

7.  一种基于免疫克隆的偏好多维QoS云资源调度优化算法  被引次数:1
   孙大为  常桂然  李凤云  王川  王兴伟《电子学报》,2011年第39卷第8期
    针对云计算环境中高效资源调度问题,首先从理论上对云资源调度进行了建模,对用户应用偏好和多维QoS中的用户效用进行了量化,给出了多维QoS优化的目标函数.结合具有快速多目标优化能力的免疫克隆算法,提出了一种云资源调度优化算法.根据应用偏好信息为抗体分配偏好优先级,据此进行抗体的免疫克隆操作,提高抗体免疫基因操作的预见性,改善了向最优解的高效收敛能力.实验结果分析表明,该算法能改善云资源调度系统的可用性、负载均衡离差、有效时间等方面的性能,满足了云计算环境的实际需求.    

8.  Modified Immune Clonal Constrained Multi-Objective Optimization Algorithm  
   SHANG Rong-Hua    JIAO Li-Cheng    HU Chao-Xu    MA Jing-Jing《软件学报》,2012年第23卷第7期
   针对约束多目标优化问题,提出修正免疫克隆约束多目标优化算法.该算法通过引进一个约束处理策略,用一个修正算法对个体的目标函数值进行修正,并对修正后的目标函数值采用免疫克隆算法进行优化,用一个精英种群对可行非支配解进行存储.该算法在优化过程中,既保留了非支配可行解,也充分利用了约束偏离值小的非可行解,同时引进整体克隆策略来提高解分布的多样性.通过对约束多目标问题的各项性能指标的测试以及和对比算法的比较可以看出:该算法在处理约束多目标优化测试问题时,所得解的多样性得到了一定的提高.同时,解的收敛性和均匀性也得到了一定的改进.    

9.  修正免疫克隆约束多目标优化算法  
   尚荣华  焦李成  胡朝旭  马晶晶《软件学报》,2012年第23卷第7期
   针对约束多目标优化问题,提出修正免疫克隆约束多目标优化算法.该算法通过引进一个约束处理策略,用一个修正算法对个体的目标函数值进行修正,并对修正后的目标函数值采用免疫克隆算法进行优化,用一个精英种群对可行非支配解进行存储.该算法在优化过程中,既保留了非支配可行解,也充分利用了约束偏离值小的非可行解,同时引进整体克隆策略来提高解分布的多样性.通过对约束多目标问题的各项性能指标的测试以及和对比算法的比较可以看出:该算法在处理约束多目标优化测试问题时,所得解的多样性得到了一定的提高.同时,解的收敛性和均匀性也得到了一定的改进.    

10.  一种基于合作型协同和ε-占优的多目标微粒群算法  
   郑向伟  刘 弘《软件学报》,2007年第18卷第Z1期
   在求解多目标优化问题时,微粒群优化算法有容易陷于局部极值、函数评价次数多和受到维数限制等不足之处.提出了一种基于合作型协同和ε-占优的多目标微粒群算法(cooperative coevolutionary and ε-dominancebased multi-objective particle swarm optimizer,简称CEPSO).依据决策变量分解问题,采用多个子群分别优化各个子问题,并在更新粒子位置时采用均匀分布变异算子防止微粒群早熟收敛;在保存非劣解时,使用<    

11.  免疫克隆算法求解动态多目标优化问题  
   尚荣华  焦李成  公茂果  马文萍《软件学报》,2007年第18卷第11期
   求解动态多目标优化(dynamic multi-objective optimization,简称DMO)问题的主要困难在于目标函数、约束条件或者相关的问题参数是随时间不断变化的.基于免疫克隆选择学说,提出一种用于解决DMO问题的新算法--动态多目标免疫克隆优化(immune clonal algorithm for DMO,简称ICADMO).该算法改进了现有的克隆策略,采用整体克隆的方式;在选择策略上,根据Pareto-占优的概念,将抗体群中的个体分为支配个体和非支配个体,对非支配个体进行选择.采用3个特色算子,使其很好地保持了所得解的多样性、均匀性和收敛性.通过数值实验,与DBM(direction-based method)算法进行比较,结果表明,新算法在收敛性、多样性以及解分布的广度方面都体现了很好的性能.    

12.  基于免疫记忆克隆选择算法的多目标无功优化  被引次数:3
   罗毅  多靖赟《继电器》,2012年第40卷第24期
   结合免疫记忆学说和克隆选择原理,提出了一种解决多目标无功优化问题的免疫记忆克隆选择算法。该算法针对多目标无功优化问题的特点,采用以拥挤距离为适应度的自适应克隆方式,实现了种群的扩张,保证了所得解集的均匀性;引入非一致性变异算子,使该算法同时具备全局均匀搜索能力和局部精确寻优能力;采用交叉重组算子实现了抗体间的协作,促进不同抗体间信息的交流;通过抗体群更新操作,一方面保证了算法的收敛速度,另一方面确保了所得解集均匀分布;引入记忆单元概念,可以有效抑制寻优过程中出现的退化现象,确保了种群的多样性。以IEEE-14和IEEE-118节点测试系统为例进行仿真计算,结果表明该算法可以有效提高系统运行的安全性和经济性,是求解多目标无功优化问题的有效方法。    

13.  基于云免疫克隆算法的空车动态优化问题  
   景云  何世伟  宋瑞  黎浩东《吉林大学学报(工学版)》,2012年第Z1期
   通过给定的时间轴将动态空车调度优化问题转化为一系列静态调度问题,以效益最大化为目标函数,考虑空车走行的时间对约束条件的影响,构建基于云偏好度的空车动态优化模型,并结合云模型对免疫克隆算法进行改进,提出一种云免疫克隆算法。算法根据应用偏好信息为抗体进行三维编码,通过计算抗体种群的熵进行免疫克隆操作,并利用云模型的分散稳定性对抗体免疫基因进行重组操作与变异操作,改善了向最优解的高效收敛能力。实验结果分析表明,该算法能改善空车动态调度系统的可用性、负载均衡离差、有效时间等方面的性能,满足了动态调度实时计算的实际需求。    

14.  基于克隆进化选择算法的多目标优化研究  
   胡宇博  陈铁军《计算机工程与设计》,2009年第30卷第13期
   把免疫系统的克隆选择学说与生物进化法则应用到多目标优化计算中,引入免疫克隆学说的记忆单元体,使用聚类方法对其中的抗体进行不断的优化更新和劣体淘汰;采用非均匀变异操作促进种群抗体的多样性;通过抗体间亲和度体现种群中个体的竞争,抗体与抗原亲和度来抑制过度的竞争,维持种群广泛性.最后由计算机仿真实验,并与NSGA-Ⅱ算法比较了两者的收敛性和分布性,证明由克隆进化算法得到的结果距离真实Pareto曲线更接近,分布更均匀、范围更广泛.    

15.  基于alpha支配的高维目标进化算法研究  
   林梦嫚  周欢  王丽萍《计算机科学》,2017年第44卷第1期
   基于Pareto支配的多目标进化算法能够很好地处理2~3维的多目标优化问题。但在处理高维多目标问题时,随着目标维数的增大,支配受阻解的数量急剧增加,导致现有的多目标算法存在选择压力不够、优化效果较差的问题。通过引入α支配提供严格的Pareto分层,在同层中挑选相对稀疏的解作为候选解,同时详细分析不同α对算法性能的影响,提出一种新的基于α偏序和拥塞距离抽样的高维目标进化算法。将该算法在DTLZ上进行性能测试,并采用世代距离(GD)、空间评价(SP)、超体积(HV)等多个指标评估算法的性能。实验结果表明,引入α支配能去除绝大部分支配受阻解(DRSs),提高算法的收敛性。与快速非支配排序算法(NSGA-II)、基于分解的多目标进化算法(MOEA/D)、基于距离更新的分解多目标进化算法(MOEA/D-DU)相比,该算法的整体解集的质量 有明显提高。    

16.  免疫协同微粒群进化算法的永磁同步电机多参数辨识模型方法  被引次数:1
   刘朝华  章兢  李小花  张英杰《自动化学报》,2012年第38卷第10期
   针对永磁同步电机多参数辨识问题,提出一种基于免疫协同微粒群进化(Immune co-evolution particle swarm optimization, ICPSO) 算 法的永磁同步电机(Permanent magnet synchronous motor, PMSM) 多参数辨识方法.算法由记忆种群与若干个普通种群构成, 在进化过程中普通种群中优秀个体进入记忆库种群.普通种群内部通过精英粒子 保留、免疫网络以及柯西变异等混合策略共同产生新个体,个体极值采用小波学习 加快收敛速度,免疫克隆选择算法对记忆库进行精细搜索,迁移机制实现了整个种群 的信息共享与协同进化.永磁同步电机参数辨识结果表明该方法不需要知道电 机设计参数先验知识,能够有效地辨识电机电阻、 dq轴电感与转子磁链,且能有效追踪该参数变化值.    

17.  一种基于信息分离的高维多目标进化算法  
   郑金华  申瑞珉  李密青  邹娟《软件学报》,2015年第26卷第5期
   高维多目标优化是指对目标维数大于三维的多目标问题(multi-objective optimization problem,简称MOP)进行优化.大多数传统的多目标进化算法采用Pareto支配关系指导搜索,很难在高维多目标优化问题上得到较为理想的结果.为此,提出了一种基于信息分离的高维多目标进化算法(multi-objective evolutionary algorithm based on information separation,简称ISEA).该算法在目标空间中将原坐标系进行旋转,使第1条坐标轴与向量(1,1,…,1)T平行.ISEA定义转换坐标的第1个坐标值为收敛信息(convergence information,简称CI),剩余的坐标代表个体分布信息(diversity information,简称DI).同时,采用一种基于分层选择的邻域惩罚机制,利用一种由两个超圆锥组成的邻域形状保持种群的分布性,当个体被选入归档集后,其邻域内的个体将被惩罚进入下一层选择,防止邻近的个体同时被选入归档集.邻域形状的第1部分利用分布信息覆盖邻近的个体,第2部分覆盖边界上的差个体.与NNIA,e-MOEA, MSOPS,AR+DMO以及IBEA这5种经典算法进行了比较.实验结果表明,ISEA在处理高维多目标优化问题时具有良好的收敛性和分布性.    

18.  基于自适应免疫遗传算法的智能组卷  被引次数:5
   孟朝霞《计算机工程》,2008年第34卷第14期
   对多目标组合优化的组卷问题,借鉴生物免疫系统原理中抗体多样性产生及保持机理,定义多目标选择熵和浓度调节选择概率概念,利用自适应免疫遗传算法,运用抗体克隆、高变异策略,实现组卷问题的多目标优化。该算法充分体现了pareto最优解的概念,具有并行搜索及个体编码长度动态调整、pareto最优个体保存于群体外(免疫记忆)并不断更新等特点。    

19.  面向多目标优化的适应度共享免疫克隆算法  
   林浒  彭勇《控制理论与应用》,2011年第28卷第2期
   多目标优化的目标在于使得解集能够快速的逼近真实Pareto前沿.针对解的分布性问题,以免疫克隆算法为框架,引入适应度共享策略,提出了一种新的具有良好分布性保持的多目标优化进化算法;算法建立外部群体以保存非支配解,以Pareto占优和共享适应度作为外部群体更新与激活抗体选择的双重标准.为了增强算法对决策空间的开发能力,引入佳点搜索方法,在决策空间生成具有均匀散布特征的佳点集.通过数值实验,与经典的多种多目标进化算法比较,新算法得到的解集在收敛性和分布性方面均具有明显的改善.    

20.  求解多峰函数优化问题的免疫量子进化算法  被引次数:1
   游晓明  刘升  帅典勋《石油化工高等学校学报》,2007年第20卷第3期
   提出了一种求解多峰函数优化问题的免疫量子进化算法,该算法依据小生境机制将量子表达的初始种群划分为子群组,再对每个子群组利用免疫特性的局域搜索能力包括抗体的克隆选择、记忆细胞产生、免疫细胞交叉变异、抗体的促进与抑制等进化机制,找出局域最优解。最终算法可保持所有优化解。算法综合了量子计算的天然并行性和免疫算法的充分自适应性,它比传统的进化算法具有更好的种群多样性,更快的收敛速度,更有效的全局和局域寻优能力;证明了算法的收敛性,最后通过仿真实验表明了该算法的优越性。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号