基于个体邻域的改进NSGA-Ⅱ算法

带有精英策略的非支配排序遗传算法（NSGA-II）是在NSGA的基础之上，提出拥挤度和拥挤度比较算子，代替了需要指定共享半径的适应度共享策略，是解决多目标优化问题的经典算法之一。但是NSGA-II算法在保持种群多样性时采取的拥挤距离排挤机制有着pareto前沿分布不均匀的缺陷，因此，提出一种基于个体邻域的改进NSGA-II算法SN-NSGA2。SN-NSGA2将密度聚类算法DBSCAN中邻域的思想应用到排挤机制中去，提出一种个体邻域的构建方法，采用相应的淘汰策略去除个体邻域中的其他邻居个体。实验结果表明相对于NSGA-II算法来说，新算法求出的pareto解集有着更好的分布性以及良好的收敛性。     

采用数量级阈值与二维信息排序策略的NSGA-II-DE算法

为提高算法NSGA-II-DE解决含有复杂Pareto解集优化问题的性能, 分析原NSGA-II中拥挤度计算公式和排挤机制的缺陷, 并以NSGA-II-DE算法为基本框架, 将传统拥挤度排序策略改为包含有角度信息与伪半径的二维信息排序策略. 在拥挤度排挤机制中加入数量级阈值的干预, 提出改进算法2D-Thr. 选取多样度、收敛度和分布度3个评价指标进行量化计算, 并与NSGA-II-DE、原NSGA-II、MACPSO进行比较. 仿真结果表明, 改进算法不仅有效继承了原算法优良的收敛性, 而且提高了Pareto前沿的分布度.

     

昂贵区间多目标优化空间数据挖掘求解策略

针对优化函数未知的昂贵区间多目标优化问题,提出一种基于主曲线建模的NSGA-II算法.该算法首先根据决策空间流形分布的种群数据构建K主曲线;然后利用所构建的K主曲线模型,通过插值和延展的方法生成子代.与遗传算法的随机生成子代策略相比,通过所提出方法生成有效子代效率会更高.由于目标空间拥挤距离无法求出,为此利用K主曲线找出待测解的前、后近距离解,按照决策空间拥挤距离对同序值解进行筛选,从而实现NSGA-II算法的改进.     

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.     

一种改进的多目标演化算法

保持解集的多样性和分布性是多目标进化算法的关键之一。在NSGA-II的基础上,提出了一种用混合距离来估计个体的拥挤度,并使用优先队列根据个体的混合距离来逐个删除种群中超出的非劣解以保持解的多样性,实验结果表明,HD-NSGA-II比NSGA-II的解分布的更加合理且分布度有很大的提高。     

一种实数编码多目标贝叶斯优化算法

提出了一种采用基于决策树概率模型表示各变量之间条件相关性的分布估算算法:实数编码多目标贝叶斯优化算法(RCMBOA)。通过构建这样的概率模型,继而对模型进行抽样以产生新个体。再对生成的新个体进行变异操作,以提高算法的搜索能力,增加种群的多样性。这种生成新个体的方法结合非劣分层与截断选择机制,可以很好地逼近多目标问题的Pareto前沿。同时,在进行截断选择时,每次只删除一个排挤距离小的个体,之后重新估算个体的排挤距离,以获得分布均匀的非劣解集。对于约束多目标优化问题,算法采用带约束支配关系判别个体的优劣。用该算法对8个较难的测试问题进行了优化计算,获得的非劣解集与NSGA-II算法得到的相比,非劣解集的质量更高,分布更为均匀。计算结果说明RCMBOA是一种有效、鲁棒的多目标优化算法。     

求解约束高维多目标问题的分解约束支配NSGA-II优化算法

针对多目标进化算法处理约束高维多目标优化问题时出现解的分布性和收敛性差、易陷入局部最优解问题,采用Pareto支配、分解与约束支配融合的方法,提出一种基于分解约束支配NSGA-II优化算法(DBCDP-NSGA-II).该算法在保留NSGA-II中快速非支配排序的基础上,首先采用Pareto支配对种群进行支配排序;然后根据解的性质采用分解约束支配(DBCDP)惩罚等价解,保留稀疏区域的可行解和非可行解,提高种群的分布性、多样性和收敛性;最后采用个体到权重向量的垂直距离和拥挤度距离对临界值进行再排序,直到选出N个最优个体进入下一次迭代.以约束DTLZ问题中C-DTLZ1、C-DTLZ2、DTLZ8、DTLZ9测试函数为例,将所提出的算法与C-NSGA-II、C-NSGA-III、C-MOEA/D和C-MOEA/DD进行对比分析.仿真结果表明,DBCDP-NSGA-II所得最优解分布更加均匀,具有更好的全局收敛性.     

基于同步更新外部归档集的NSGA-II改进算法

NSGA-II在执行拥挤系数计算时不考虑父子代种群各自独立的个体分布情况,使某些在全局空间中分布优秀的个体被淘汰。针对NSGA-II收敛结果的较差分布性,提出了改进算法（UEA-NSGA-II）,在迭代过程中随机填充一定量子代种群的非支配个体到外部归档集内,使用拥挤系数算子用于归档集的剪枝操作。同时,针对二进制编码存在陷入局部最优的问题,采用格雷码和动态变异算子增强算法在解空间上搜索速度与宽度。在ZDT系列问题上执行测试,并与两种典型算法和三种NSGA-II改进算法对比,结果表明UEA-NSGA-II在算法的稳定性与优化效果方面均优于所对比的算法。     

一种求解约束多目标问题的协作进化算法

针对约束多目标进化算法求解约束多目标问题时难以平衡收敛性、多样性和可行性的问题,提出一种协作进化算法(ConMOEA).将自适应形状估计进化算法(AGE-MOEA)和非支配排序遗传算法(NSGA-II)优势融合,采用Deb约束支配原则非支配排序组合种群实现个体优选,在临界层中根据最大拥挤距离或生存值选择所需个体,最终形成新种群,实现种群快速接近Pareto前沿并具有良好分布性.为验证所提出算法的性能,对近期提出的一组DOC基准函数进行仿真计算,采用反世代距离(IGD)和超体积(HV)两个通用评价指标,与NSGA-II-CDP、C-TAEA、PPS、ToP、A-NSGA-III、AGE-MOEA约束多目标算法进行比较分析,实验结果证明ConMOEA具有更优的收敛性和多样性.     

基于改进多目标优化算法的分布式数据中心负载调度

在数据中心的运营中运营商需要考虑如何在利润最大化的同时降低碳排放和提升服务质量,这些目标之间的平衡是一个巨大挑战.针对该问题,建立分布式数据中心负载调度的多目标优化模型,提出一种改进拥挤距离和自适应交叉变异的非支配排序遗传算法(ICDA-NSGA-II).在NSGA-II算法的基础上,通过对拥挤距离的改进能够提高算法的开采和勘探能力,引入正态分布交叉(NDX)算子和自适应变异算子增强种群的多样性,从而保证算法能快速、准确地得到Pareto解集.为了显示改进算法的有效性,对基准测试函数进行求解,仿真结果表明,改进算法相比于典型的NSGA-II和MOEA/D具有更快的收敛速度和精度,在分布式数据中心负载调度优化中,能够快速有效地给出满足利润、碳排放和服务质量等目标的Pareto最优解.     

一种改进的非支配排序多目标遗传算法

多目标进化算法的研究目标主要是使算法快速收敛,并且广泛而均匀分布于问题的非劣最优域。在NSGA-II算法的基础上,提出了一种新的构造种群的策略——按照聚集距离选取部分非支配个体,并选取部分较好的支配个体形成下一代种群。该策略与原算法相结合后的算法（NSGA-II+IMP）与原NSGA-II进行比较,结果表明新算法较好地改善了分布性和收敛性。     

混合分解的多目标粒子群优化算法

针对多目标粒子群算法全局最优值的选取缺陷以及多样性保留缺陷,提出了一种基于分解和拥挤距离的多目标粒子群优化算法(Smoeadpso).算法采用切比雪夫分解机制,将邻居向量对应的子问题的中的最优解来作为某个粒子全局最优值的候选解了更有效限制粒子飞行速度以避免粒子飞行超出解空间界限,引入了新的速度限制因子维持了种群多样性.本文算法与经典的多目标进化算法在10个测试函数上的对比结果表明, Smoeadpso求得的Pareto解集与真实Pareto解集的逼近程度有明显提升并且对于3目标问题求解的均匀性也比同类粒子群算法优秀.     

区间多目标优化中决策空间约束、支配及同序解筛选策略

针对优化函数未知的昂贵区间多目标优化, 根据决策空间数据挖掘, 提出了一种基于最近邻法和主成分分析法(Principal component analysis, PCA)的NSGA-II算法. 该算法首先通过约束条件将待测解集分为可行解和非可行解, 利用最近邻法对待测解和样本解进行相似性计算, 判断待测解是否满足约束. 然后对于两个解的Pareto支配性同样利用最近邻法来区分解之间的被支配和非被支配关系. 由于目标空间拥挤距离无法求出, 为此在决策空间利用主成分分析法将K-均值聚类后的解集降维, 找出待测解的前、后近距离解, 通过决策空间拥挤距离对同序值解进行筛选. 实现NSGA-II算法的改进.     

基于向量角分解的高维多目标进化算法

选择是进化的主要驱动力,也是多目标进化算法的关键特征,然而,在处理高维多目标问题时,随着目标维数的增加种群的收敛性和分布性的冲突加剧,传统多目标进化算法中的选择算子已难以有效地维持种群的收敛性与分布性之间的平衡.针对该问题,提出一种基于向量角分解的高维多目标进化算法.首先,将个体本身作为参考向量,利用目标向量之间的夹角作为个体的相似度测度估计种群分布性,以减轻算法预先指定权重向量的负担;然后,利用成绩标量函数作为个体的收敛性测度,该收敛测度在引导种群走向Pareto最优前沿方面发挥着重要作用;最后,提出一种基于向量角分解的精英选择策略,其在环境选择过程中利用向量角信息将目标空间动态分解,并利用成绩标量函数从分布性较好的区域中挑选较好的个体进入下一代,能够动态地平衡种群的收敛性和分布性.对比实验结果表明,所提出算法具有较强的竞争力,其在保持种群分布性的同时具有足够的选择压力,能够有效地引导高维目标空间的搜索.     

一种改进的基于目标空间分割的多目标进化算法*

针对现有基于目标空间分割思想的进化算法计算时间复杂度高的缺陷,提出了一种改进的基于目标空间分割的多目标进化算法（OSD-MOEA）。该算法具有以下特点：把个体之间的Pareto支配关系转换成分割区间索引值排序关系的目标空间分割算法;简单高效的基于区间索引值排序的环境选择算子;一种快速的优先选择最接近分割区间原点的个体拥挤机制。仿真计算表明,与NSGA2和PSFGA相比,该算法提高了算法的运行效率,降低了算法的时间复杂度。     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

具有多形态种群协同进化的多目标优化算法

为提高进化多目标优化算法在维持最优解多样性方面的性能,获得分布更均匀的Pareto非支配解集,文中提出一种具有多形态种群协同进化的多目标优化算法.该算法构建一种多形态种群协同进化架构,通过引入最小向量夹角的相似性度量方法,给出次优非支配个体选择策略,从而提高种群的多样性.算法还提出一种基于排序链表的拥挤个体删除策略,进一步提高解集分布的均匀性和宽广性.与经典算法对比结果表明,文中算法在解的分布性和多样性方面均有较好表现,尤其在解集分布均匀性方面优势较明显.     

高维多目标多方向协同进化算法

提出一种高维多目标多方向协同进化算法(HMMCA).该算法利用目标空间内的一组方向向量将多目标优化问题分解成多个方向进行寻优,并提出一种混合变异策略以加强算法在每个方向上的收敛能力;同时,该算法采用改进的交互式模糊支配和拥挤度估计因子来维护外部归档集的规模,增强种群的收敛性和分布性.将该算法与目前性能最好的3种多目标进化算法在标准测试函数集上进行对比实验,所得结果表明HMMCA与其他算法相比具有更好的收敛性和分布性.     

多目标差分进化在热连轧负荷分配中的应用

提出一种基于差分进化算法的多目标进化算法, 该算法个体的选择是通过非支配排序和拥挤度距离进行综合考虑. 保证了算法收敛到Pareto最优解集的同时, 提高了最优解个体分布的多样性. 通过与非支配排序遗传算法Ⅱ(NSGA Ⅱ)算法进行仿真对比, 结果显示基于拥挤度排序的多目标差分进化算法在收敛性和Pareto最优解集分布的多样性上均优于NSGA Ⅱ算法. 最后将其引入到热连轧负荷分配优化计算中, 给出了目标函数的表达方式, 对多目标进化算法在热连轧负荷分配计算中的应用进行了研究.     

利用种群扩张与稀疏化策略改进NSGA-II-DE算法

NSGA-II-DE算法是在NSGA-II算法的基础上利用DE算法的收敛速度快、鲁棒性高的特性得到的改进算法,该算法提高了原算法的收敛速度,同时也降低了原算法对参数的依赖性.然而,原算法的解群分布性却没有得到提高.鉴于此,提出一种基于种群扩张与稀疏化策略的改进型NSGA-II-DE算法.该算法利用种群扩张增加候选解的数量,再利用稀疏化策略从候选解中选出使得整体分布尽可能均匀的最优解.种群扩张通过在进化最后的若干代保留每代中的第一非支配面上的个体来实现.在迭代结束后,对种群进行非支配排序,去除第一非支配面以外的个体,以提高解群质量.进行稀疏化处理,即对扩张后的全部个体按目标向量的某一维度排序,再筛选出相邻间距最接近期望距离的个体,以达到改善解群分布性的目的.仿真实验表明,所提出的算法在改善原算法的解群分布性上表现优异,但算法的时间和空间复杂度较原算法有所增加.