基于内部罚函数的进化算法求解约束优化问题

为解决现有约束处理方法可行解的适应度函数不包含约束条件的问题,提出了一种内部罚函数候选解筛选规则.该候选解筛选规则分别对可行解和不可行解采用内部罚函数和约束违反度进行筛选,从而达到平衡最小化目标函数和满足约束条件的目的.以进化策略算法为基础,给出了基于内部罚函数候选解筛选规则的进化算法的一个实现.进一步地,从理论和实验角度分别验证了内部罚函数候选解筛选规则的有效性:以(1+1)进化算法为例,从进化成功率方面验证了内部罚函数候选解筛选规则的理论有效性;通过13个测试问题的数值实验,从进化成功率、候选解后代是可行解的比例、进化步长和收敛速度方面验证了内部罚函数候选解筛选规则的实验有效性.     

约束进化算法及其应用研究综述

约束优化问题广泛存在于科学研究和工程实践中,其对应的约束优化进化算法也成为了进化领域的重要研究方向。约束优化进化算法的本质问题是如何有效地利用不可行解和可行解的信息,平衡目标函数和约束条件,使得算法更加高效。首先对约束优化问题进行定义;然后详细分析了目前主流的约束进化算法,同时,基于不同的约束处理机制,将这些机制分为约束和目标分离法、惩罚函数法、多目标优化法、混合法和其他算法,并对这些方法进行了详细的分析和总结;接着指出约束进化算法亟待解决的问题,并明确指出未来需要进一步研究的方向;最后对约束进化算法在工程优化、电子和通信工程、机械设计、环境资源配置、科研领域和管理分配等方面的应用进行了介绍。     

动态罚函数法求解约束优化问题

针对罚函数法在求解约束优化问题时罚系数不易选取的问题,提出一种基于动态罚函数的差分进化算法。利用罚函数法将约束优化问题转化为无约束优化问题。为平衡种群的目标函数和约束违反程度,结合[ε]约束法设计了一种动态罚系数策略,其中罚系数随着种群质量和进化代数的改变而改变。采用差分进化算法更新种群直到搜索到最优解。对IEEE CEC 2010和IEEE CEC 2017两组基准测试集进行仿真实验,结果表明提出的算法具有较强的寻优性能。     

求解约束优化问题的新方法

提出了用于解决约束优化问题的新的类电磁机制算法,针对约束优化问题,利用惩罚函数法,构造了新的适应度函数,将约束问题转化为无约束问题求解,结合类电磁机制算法的寻优特点,设计了适合于问题特点的局部搜索过程,并重新定义了粒子的电荷和力的计算公式,以使在算法实现过程中,引导不可行点逐步向可行点转化,并最终找到问题的最优解。数值模拟结果验证了算法的有效性。     

压缩感知优化问题的等价表示及其目标罚函数方法

首先定义了压缩感知优化问题的一个等价表示问题,证明了这个等价表示问题的最优解也是压缩感知优化问题的最优解。然后定义了它的一个具有2阶以上的光滑性的目标罚函数,给出了一个迭代求解算法,证明了所提算法的收敛性定理。定理表明,可以通过求解目标罚函数来获得压缩感知优化问题的近似最优解,该方法为研究和解决实际的压缩感知问题提供了一个新的工具。     

解非线性规划的多目标遗传算法及其收敛性

给出非线性约束规划问题的一种新解法。它既不需用传统的惩罚函数,又不需区分可行解和不可行解,新方法把带约束的非线性规划问题转化成为两个目标函数优化问题,其中一个是原约束问题的目标函数,另一个是违反约束的度函数,并利用多目标优化中的Pareto优劣关系设计了一种新的选择算子,通过对搜索操作和参数的合理设计给出了一种新型遗传算法,且给出了算法的收敛性证明,最后数据实验表明该算法对带约束的非线性规划问题求解是非常有效的。     

多目标应急设施选址问题的模拟退火算法

考虑应急设施选址时的成本和应急时间因素,给出了多目标应急设施选址问题的模型,通过设置罚函数将该多约束问题转化成易于计算机求解的简单约束模型,进而在初始解的选取、温度参数的控制、可行解的迭代策略和算法终止条件等方面为之设计了模拟退火算法,并通过仿真证明了该算法的有效性。     

基于Oracle罚函数的自适应约束差分进化算法

为有效求解约束优化问题,减少算法参数,提出基于Oracle罚函数方法的自适应约束差分进化算法。为满足求解优化问题的常用标准,提出一种改进的Oracle罚函数方法。将改进的Oracle罚函数方法与三种自适应差分进化算法相结合,提出三种自适应约束差分进化算法。对11个典型测试函数的优化结果验证了Oracle罚函数方法与自适应差分进化算法结合的有效性。与参考文献中提出的算法的比较结果表明该方法具有良好的寻优性能,因此基于Oracle罚函数方法的自适应约束差分进化算法是一种有效约束优化方法。     

Pareto强度值演化算法求解约束优化问题

提出了一种求解约束函数优化问题的方法.它不使用传统的惩罚函数,也不区分可行解和不可行解.新的演化算法将约束优化问题转换成两个目标优化问题,其中一个为原问题的目标函数,另一个为违反约束条件的程度函数.利用多目标优化问题中的Pareto优于关系,定义个体Pareto强度值指标以便对个体进行排序选优,根据Pareto强度值排序和最小代数代沟模型设计出新的实数编码遗传算法.对常见测试函数的数值实验证实了新方法的有效性、通用性和稳健性,其性能优于现有的一些演化算法.特别是对于一些既有等式约束又有不等式约束的复杂非线性规划问题,该算法获得了更高精度的解.     

基于蚁群算法的多维有约束函数优化研究*

利用蚁群算法的基本原理,将多维有约束的优化问题通过罚惩因子方式转换为统一的多变量目标函数形式,并将所有独立变量分成不同的等份区域,以蚂蚁走过每一变量的一个区域并访问完所有变量所构成的构造图作为优化问题的可行解,获得这一可行解的过程即为蚁群算法的粗搜索;再将粗搜索所获得的解执行遗传交叉及变异操作,从而构建另一种精搜索蚁群算法以获得更精确的全局优化解。给出了基于蚁群算法的多维有约束函数优化的具体算法。通过其他三种优化方法及本文方法对行星轮系优化设计的对比求解,验证了该优化方法的高效性及准确性。     

A computational technique for the control of systems described by partial difference equations†

A penalty function method is applied to the determination of optimal controls for systems described by partial difference equations. The use of this penalty function method known as the ?-technique allows us to incorporate the dynamical constraints of the distributed parameter system into a new objective function. The conditions for the solution which minimizes the new objective function and the interrelationships between this solution and the solution which minimizes the original objective function are given. These interrelationships also suggest computational schemes for the synthesis of optimal controls for linear and non-linear distributed systems.     

Stochastic ranking for constrained evolutionary optimization

Penalty functions are often used in constrained optimization. However, it is very difficult to strike the right balance between objective and penalty functions. This paper introduces a novel approach to balance objective and penalty functions stochastically, i.e., stochastic ranking, and presents a new view on penalty function methods in terms of the dominance of penalty and objective functions. Some of the pitfalls of naive penalty methods are discussed in these terms. The new ranking method is tested using a (μ, λ) evolution strategy on 13 benchmark problems. Our results show that suitable ranking alone (i.e., selection), without the introduction of complicated and specialized variation operators, is capable of improving the search performance significantly     

用遗传算法实现罚函数法解多选择背包问题

多选择背包问题最为复杂,传统的整数规划算法难以适用.另僻蹊径,采用数学上的罚函数法来求解.对罚函数法进行改进,使得能对多选择背包问题的数学模型进行求解.重点研究了如何把3种约束条件转化成目标函数的惩罚项.再从遗传算法的角度,来研究如何实现这种新的罚函数法.最终使用Visual C 6编程实现,并与前人的算法进行比较,取得了较好的效果.     

参数线性规划问题的新型光滑精确罚函数神经网络

针对不等式约束条件下,目标函数和约束条件中含有参数的线性规划问题,提出一种基于新型光滑精确罚函数的神经网络计算方法．引入误差函数构造单位阶跃函数的近似函数,给出一种更加精确地逼近于Ll精确罚函数的光滑罚函数,讨论了其基本性质;利用所提光滑精确罚函数建立了求解参数线性规划问题的神经网络模型,证明了该网络模型的稳定性和收敛性,并给出了详细的算法步骤．数值仿真验证了所提方法具有罚因子取值小、结构简单、计算精度高等优点．     

基于量子粒子群优化的多波束卫星联合资源分配算法

当使用元启发式算法求解多波束卫星联合资源分配问题时,时延约束和容量约束会导致计算复杂度增大,且算法难以收敛。对此,通过在目标函数中引入惩罚机制,在无效解的目标函数值加入了惩罚值,使得算法的优化解自适应地满足这两个约束。在此基础上,提出了基于量子粒子群优化的联合资源分配算法。仿真结果表明,惩罚策略的引入解决了应用元启发式算法时,难以处理时延约束和容量约束的问题,而带有惩罚机制的量子粒子群算法在分配公平性指数、总系统容量上均优于已有联合分配算法。     

一种关于目标罚参数的精确罚函数法

罚函数法是一种将约束优化问题转化为无约束问题的重要方法.对于一般的约束优化问题,通过加入新参数,给出了一种改进的精确罚函数和这种罚函数的精确罚定理证明,提出了求解这种罚函数的算法.实验表明该算法是有效的.     

A Runtime Analysis of Evolutionary Algorithms for Constrained Optimization Problems

Although there are many evolutionary algorithms (EAs) for solving constrained optimization problems, there are few rigorous theoretical analyses. This paper presents a time complexity analysis of EAs for solving constrained optimization. It is shown when the penalty coefficient is chosen properly, direct comparison between pairs of solutions using penalty fitness function is equivalent to that using the criteria ldquosuperiority of feasible pointrdquo or ldquosuperiority of objective function value.rdquo This paper analyzes the role of penalty coefficients in EAs in terms of time complexity. The results show that in some examples, EAs benefit greatly from higher penalty coefficients, while in other examples, EAs benefit from lower penalty coefficients. This paper also investigates the runtime of EAs for solving the 0-1 knapsack problem and the results indicate that the mean first hitting times ranges from a polynomial-time to an exponential time when different penalty coefficients are used.     

Self-organizing adaptive penalty strategy in constrained genetic search

This research aims to develop an effective and robust self-organizing adaptive penalty strategy for genetic algorithms to handle constrained optimization problems without the need to search for appropriate values of penalty factors for the given optimization problem. The proposed strategy is based on the idea that the constrained optimal design is almost always located at the boundary between feasible and infeasible domains. This adaptive penalty strategy automatically adjusts the value of the penalty parameter used for each of the constraints according to the ratio between the number of designs violating the specific constraint and the number of designs satisfying the constraint. The goal is to maintain equal numbers of designs on each side of the constraint boundary so that the chance of locating their offspring designs around the boundary is maximized. The new penalty function is self-defining and no parameters need to be adjusted for objective and constraint functions in any given problem. This penalty strategy is tested and compared with other known penalty function methods in mathematical and structural optimization problems, with favorable results.