基于MMAS的多目标优化算法研究

针对多目标优化问题求解过程中多个目标相互制约难以求解的特点,为了多目标的协调优化,提出了一种基于最大最小蚁群算法(MMAS)的多目标优化蚁群算法.将蚁群算法的离散搜索机制映射到连续空间,修改了离散蚁群算法的行进规则和信息素的存留策略,使蚁群算法能够应用于解决解空间连续的问题.最大最小蚂蚁系统信息素取值方式的引入,极大地改善了蚁群算法搜索过程中容易陷入停滞的问题,尤其改善了蚁群算法在解空间的全局搜索能力.通过对两组测试函数求解的结果与其它方法比较,仿真结果表明所获得的最优解更多,分布范围更广,所求得的最优解集更加逼近真实的最优前沿.     

基于蚁群算法的多目标优化

针对多目标优化问题,提出一种用于求解多目标优化问题的蚁群算法。该算法定义连续空间内求解多目标优化问题的蚁群算法的信息素更新方式,根据信息素的概率转移和随机选择转移策略指导蚂蚁进行搜索,保证获得的Pareto前沿的均匀性以及Pareto解集的多样性。对算法的收敛性进行分析,利用2个测试函数验证算法的有效性。     

用带蚁群搜索的多种群遗传算法求解作业车间调度问题

结合遗传算法和蚁群算法的优点，提出一种带蚁群搜索的多种群遗传算法．多个种群各自遗传进化，用蚁群搜索得到的解替代各种群中的较劣个体，增加种群的多样性，提高种群的质量；根据各种群最优个体设定初始信息素，大大缩短信息素的累积过程，加快蚁群搜索的速度．利用算法对典型作业车间调度问题进行求解,仿真计算结果表明,该算法是有效的.     

蚁群遗传算法的多目标优化

为了求解带有约束条件的多目标函数优化问题,提出基于连续空间优化的多目标蚁群遗传算法。针对多目标优化问题的特点,定义连续空间中利用信息量指导遗传搜索策略和信息更新方法,将信息量指导遗传搜索、优秀决策引入、决策集更新、改变算法终止条件等方式相结合,有效地加速了搜索的收敛速度,控制了Pareto最优决策集的数量,扩大了决策的分布范围,维持了决策的多样性。数值实验说明该算法能够快速找到一组分布广泛的Pareto最优决策。     

利用改进的蚁群算法确定有机化合物分子式

在现有蚁群算法的基础上,提出了一种改进的蚁群算法(IACA)来确定有机化合物分子式.人工蚂蚁在整数空间移动,并根据与信息素相关的转移概率指导搜索方向.在算法优化过程中使用了带最大最小信息素的信息素更新规则.实验证明,该算法用来确定有机化合物分子式时,在收敛性和可搜索的变量取值范围等方面优于改进的自适应遗传算法(IAGA).     

多源扩散蚁群遗传算法

传统的遗传算法在处理多模态函数优化问题时,容易出现早熟收敛,并且局部搜索能力不强.根据蚁群信息素扩散和小生境思想,提出了一种多源扩散蚁群遗传算法.该算法采用了多源选取和保留机制,在每一代种群的个体中选出多个源中心点,并把这些点保留至下一代种群;同时每个源中心点都产生和扩散信息素以指导个体寻优.与简单遗传算法,模拟退火遗传算法和小生境遗传算法进行对比实验,数据表明该算法能搜索到更好的全局最优解,收敛速度更快.     

多目标优化问题的蚁群算法研究

将离散空间问题求解的蚁群算法引入连续空间,针对多目标优化问题的特点,提出一种用于求解带有约束条件的多目标函数优化问题的蚁群算法.该方法定义了连续空间中信息量的留存方式和蚂蚁的行走策略,并将信息素交流和基于全局最优经验指导两种寻优方式相结合,用以加速算法收敛和维持群体的多样性.通过3组基准函数来测试算法性能,并与NSGAII算法进行了仿真比较.实验表明该方法搜索效率高,向真实Pareto前沿逼近的效果好,获得的解的散布范围广,是一种求解多目标优化问题的有效方法.     

基于目标函数变化率的混合蚁群遗传算法

根据蚁群算法和遗传算法收敛性互补的特点,提出了一种基于目标函数变化率的混合蚁群遗传算法。该算法的基本思想是：用蚁群算法的解作为遗传算法的初始种群,根据目标函数的变化率交叉地调用蚁群算法和遗传算法。每当种群进化接近停滞时,调用蚁群算法。这种方法可动态地控制蚁群算法和遗传算法的调用时机,再配合相应的信息素更新方法,以提高算法的收敛性。将新算法用于车间调度基准测试问题,仿真结果表明,与常规混合蚁群遗传算法相比,新算法的全局收敛性和局部收敛性有了明显的提高。     

基于量子遗传算法的蚁群多目标优化研究

针对蚁群算法解决一些复杂多维问题的能力不强,容易陷入局部最优,造成算法早熟的情况.为解决上述问题,提出了一种用量子衍生方法的多目标蚁群算法,可用量子遗传算法的全局搜索和蚁群算法的群体智能机制,将蚁群优化与量子遗传算法相结合,用于多维0-1背包问题的求解.与同类算法进行对比分析,实验证明改进算法不仅能更快更精确地逼近Pareto最优前端,并能够维持Pareto最优解分布的均匀性,有效的提高了计算效率和搜索效率,且能弥补蚁群算法的不足.     

遗传算法结合蚁群算法电力系统故障浅析

根据蚁群算法与遗传算法的特性,提出了与遗传算法混合的蚁群算法（G3A）：由遗传算法生成初始信息素分布,在蚁群算法寻优中,利用蚁群算法信息素轨迹更新求精确解,保持了遗传算法的全面搜索能力,从而获得在时间效率与精解效率都更优的一种新的启发式方法。     

基于Pareto的多目标优化免疫算法

免疫算法具有搜索效率高、避免过早收敛、群体优化、保持个体多样性等优点。将其应用于多目标优化问题,建立了一种新型的基于Pareto的多目标优化免疫算法(MOIA)。算法中,将优化问题的可行解对应抗体,优化问题的目标函数对应抗原,Pareto最优解被保存在记忆细胞集中,并利用有别于聚类的邻近排挤算法对其进行不断更新,进而获得分布均匀的Pareto最优解。文章最后,对MOIA算法与文献[3]中SPEA算法进行仿真,通过比较两者的收敛性和分布性,得到了MOIA优于SPEA的结论。     

基于免疫的多目标优化遗传算法*

提出一种基于免疫的多目标优化遗传算法.该算法模仿生物免疫系统过程,使用克隆选择算子和高斯变异算子提高了搜索效率和收敛性;创建了一个记忆细胞集来保存每代所产生的Pareto最优解,以便产生Pareto最优解集;提出一种有别于传统聚类算法的邻近排挤算法对记忆细胞集进行不断的更新及删除,保证了Pareto最优解集的分布均匀性.最后将该算法与SPEA算法分别进行了仿真,通过比较两者的收敛性和分布性,得到前者优于后者的结论.     

MOPSO算法及其在水库优化调度中的应用

提出了一种新的多目标粒子群优化(MOPSO)算法，该算法采用自适应网格方法来估计非劣解集中粒子的密度信息、平衡全局和局部搜索能力的Pareto最优解的搜索机制、删除品质差的多余粒子的Archive集的修剪技术。通过对三峡梯级多目标优化调度问题的计算，表明该算法是求解大规模复杂多目标优化问题的一种有效手段。     

自适应小生境遗传算法在系统级综合中的应用

多目标遗传算法是解决SoC系统级综合问题的有效途径之一,但现有的遗传算法只能求得非劣解集前沿的一部分,局部搜索能力差,收敛速度较慢。该文通过结合小生境技术,根据种群往代的多样性信息,自适应地确定子种群的规模和交叉、变异的概率,提出一种自适应小生境遗传算法,有效提高解集的覆盖率,加快收敛速度。以视频编解码的系统级综合为例,证明该算法可以较快地产生较多非 劣解。     

基于混合差分进化和alpha约束支配处理的多目标优化算法

针对约束多目标优化问题, 提出了一种基于混合差分进化和alpha约束支配处理的优化算法. 算法在用约束水平度对个体满足约束条件的程度进行定量化表达的同时融入支配关系. 在初期放宽约束水平度, 利用不可行解所携带的有用信息, 增加种群多样性, 在后期紧缩约束水平度, 控制不可行解的比例, 朝可行域方向进化. 同时, 将动态单纯形交叉算子和差分进化结合起来构成一种混合差分进化算法, 提高算法的探索和开发能力. 对6个典型测试函数求解的结果显示, 本文算法无论是在收敛性方面还是解集分散性方面, 与其它算法相比具有很大的优势.     

一种基于云模型的多目标进化算法

在多目标进化算法的基础上,提出了一种基于云模型的多目标进化算法(CMOEA).算法设计了一种新的变异算子来自适应地调整变异概率,使得算法具有良好的局部搜索能力.算法采用小生境技术,其半径按X条件云发生器非线性动态地调整以便于保持解的多样性,同时动态计算个体的拥挤距离并采用云模型参数来估计个体的拥挤度,逐个删除种群中超出的非劣解以保持解的分布性.将该算法用于多目标0/1背包问题来测试CMOEA的性能,并与目前最流行且有效的多目标进化算法NSGA-II及SPEA2进行了比较.结果表明,CMOEA具有良好的搜索性能,并能很好地维持种群的多样性,快速收敛到Pareto前沿,所获得的Pareto最优解集具有更好的收敛性与分布性.     

基于聚类的快速多目标遗传算法

多目标遗传算法非常适合于求解多目标优化问题．讨论了进化个体之间的支配关系及有关性质，论证了可以用快速排序的方法对进化群体中的个体进行分类，同时探讨了用聚类方法来保持群体的多样性，具体讨论了基于层次凝聚距离的聚类，在此基础上提出了用分类和聚类的方法构造新的进化群体．理论分析与实验结果表明，所讨论的方法比较国际上已有的方法具有更快的收敛速度．     

一种基于决策图贝叶斯网络的强度Pareto进化算法

提出了一种基于决策图贝叶斯网络的强度Pareto进化算法,该算法把贝叶斯概率模型结合到多目标进化算法中,通过构造和学习网络来替代传统进化算法中的交叉重组和变异等遗传操作,避免对大量参数的人工设置和重要构造块的破坏．求解多目标背包问题的仿真结果表明,所提算法可以快速收敛到较好的Pareto前沿,有很强的鲁棒性．     

基于适配粒子群的多目标优化方法

提出了一种基于适配粒子群的多目标优化方法。该方法给出的适配粒子群算法规则简单、收敛速度快，得到的解集有较好的分散性和均匀性。将提出的外部记忆体更新和适配半径选择的方法应用于经典的多目标函数中。结果表明，该优化方法能够快速准确地收敛于Pareto解集，并且使其对应的目标域均匀分布于Pareto最优目标域。