基于遗传算法求解多目标优化问题Pareto前沿

该文给出了传统的求解多目标优化方法存在的问题,引入了当前研究多目标优化的新方法———基于遗传算法求解问题的pareto解,讨论了该方法要解决的关键问题———多样性保持及解决策略,并给出了一个求解pareto解集的新算法,算法简单、高效、鲁棒性强。最后给出了实验结果。     

基于非二元约束满足的配置问题求解方法

依据产品的可配置性,提出基于非二元约束的逻辑产品模型,给出基于动态变量序的一类配置求解算法。采用仿真实验比较各种算法的求解效率,指出各算法在不同配置约束密度下快速求解配置问题时的适用范围。基于逻辑产品模型,依据配置问题实际性质,采用相应配置求解算法,能够更快地生成符合客户要求的产品配置方案。     

云制造环境下基于双层规划的资源优化配置模型

为了解决云制造环境下制造资源的优化配置问题,综合考虑需求与服务双方以及云平台运营方的利益,提出了一种基于双层规划的资源优化配置模型。该模型以前景理论结合多约束多属性评价体系求解出的供需双方满意度作为上层规划的优化目标;以云平台资源利用率最大化为下层规划的优化目标;通过双层规划并采用改进的i-NSGA-II-JG算法对多目标制造资源配置问题进行求解。最后,通过算例仿真实验证明了该模型的可行性和优越性。     

QPSO多目标优化算法解约束规划问题

引入了一种最新而实用的方法--基于目标加权的QPSO多目标优化算法的理论应用于约束规划问题,WAQPSO算法是为了更好的解决多目标优化问题而产生的,仿真实验结果表明,WAQPSO算法具有比S-PAES算法和HM算法更强的求解约束规划问题的能力.     

EMOEA/D-DE算法在卫星有效载荷配置中的应用

针对卫星有效载荷配置问题，提出了一种基于差分进化分解的改进多目标优化算法(EMOEA/D-DE)的有效载荷配置模型。该模型将配置问题转化为以卫星数、卫星冗余度为目标的多目标优化问题(MOP)，并采用EMOEA/D-DE进行求解。此外，针对随机均匀初始化会导致种群在目标空间分布过于集中的问题，采用与优化目标相结合的随机初始化方法进行改进。实验结果表明，该模型所求解集的平均差异性在0.05以内，分布度值在0.9以上,具有较好的稳定性及分布性，且改进后的算法收敛速度提升近1倍，所求解的近似Pareto前沿相对更优。     

权重自适应clonal选择算法及其应用研究

在求解两个目标以上的多目标优化问题时,基于Pareto支配的多目标进化算法多数需要较长的求解时间.基于固定权重的聚合函数方法求解速度快,但要确定一个适合待求解问题的合理权重是十分困难的,为了解决这一问题,将clonal选择算法与权重自适应方法相结合,提出了一种适用于多目标优化问题的权重自适应clonal选择算法.并将权...     

免疫克隆算法求解公交发车频率问题*

为解决公交发车频率问题,给出了一种基于免疫克隆算法的公交发车频率优化方案。设计了公交发车频率问题的数学模型,给出了求解多目标优化的非劣邻域支配免疫克隆算法框架,并与文献中的算法进行了对比实验。实验结果表明,该算法能有效地解决公交发车频率问题,具有较好的应用价值。     

图形处理器维度层并行粒子群优化算法

笔者提出基于GPU维度层面并行的局部PSO算法,换言之,基于GPU的局部粒子群优化算法求解高维优化函数,即在求解目标函数时对每一个维度进行并行处理。将粒子与线程块对应,线程块中的线程与目标函数的维度对应。实验表明,此算法在优化高维度目标函数中优势明显,概念简单,易编程实现,能有效果解决串行粒子群优化算法性能急剧下降的问题。     

多目标协调进化算法研究

进化算法适合解决多目标优化问题,但难以产生高维优化问题的最优解,文中针对此问题提出了一种求解高维目标优化问题的新进化方法,即多目标协调进化算法,主要特点是进化群体按协调模型使用偏好信息进行偏好排序,而不是基于Pareto优于关系进行了个体排序,实验结果表明,所提出的算法是可行而有效的,且能在有限进化代数内收敛。     

装备健康管理中的传感器优化配置问题研究

传感器优化配置是装备健康管理(HM)的基础。考虑传感器失效对健康管理能力的影响,以传感器代价和漏检故障的危害程度最小为优化目标,以检测性能指标为约束条件,建立了传感器优化配置的模型;并针对传感器优化配置是一个多目标非线性整数规划问题,提出了基于扩展微粒子群优化算法的模型求解方法。应用实例表明了模型和算法的有效性。     

改进型蚁群算法参数优化研究

研究在不使用局部搜索情况下参数组合对改进型蚁群算法的影响。以带时间窗的车辆路径问题为例,针对基于最大最小蚁群算法的改进蚁群算法中的五个参数,运用均匀设计法对最优参数配置问题进行了研究。仿真实验表明改进的蚁群算法效果明显,能有效解决Solomon数据集中的R类和RC类问题,且具有较强的鲁棒性。对最优参数的局部调整没有明显提高算法获取最优解能力的问题,分析了其可能的原因。     

云制造环境下个性化产品配置研究

在分析了云制造环境下的产品配置典型过程的基础上,总结了云制造环境下参与 者及制造资源组织的特点,包括产品配置过程需要兼顾不同参与方的利益,以及在产品配置求 解过程中需要覆盖不同制造服务实例的差异化属性的基础,提出了面向云制造的个性化产品配 置技术框架,阐述了面向产品配置的云服务模型、基于关联规则挖掘的产品初步配置以及基于 蚁群算法的产品完整配置 3 个关键问题的求解方法,为云制造环境下开展个性化产品配置提供 了一种新的思路。在模型设计及方案求解过程中,以轮式装载机产品配置作为示例进行了阐述, 验证了该方法的有效性和可行性。     

面向产品优化配置的粒子群优化算法

针对产品配置大规模、多约束、多目标及组合优化等特性,建立一种有效的配置模型,将复杂的产品优化配置问题转化为图的路径寻优问题。针对基本粒子群算法(PSO)的缺陷,将遗传原理、蚁群机制和模拟退火理论引入PSO算法,提出一种改进的PSO算法。根据产品优化配置问题的离散特点,对PSO算法进行离散化处理,重新定义粒子的位置和速度表示,确立这些量的运算规律和粒子运动方程。典型产品配置实例验证了提出的模型和算法的可行性。     

基于改进自适应蚁群小波网络的定制产品成本估算

为提高小波网络对定制产品成本估算的精度,在分析小波网络和蚁群算法基本原理基础上,对蚁群算法进行了改进,提出了基于改进自适应蚁群算法的小波网络学习算法。在对定制产品进行成本估算的实例研究中,得出该方法的收敛速度和求解精度都要优于其它传统学习算法,说明该方法在训练小波网络时具有更好的学习能力和估算精度。     

基于蚁群算法的QoS组播路由问题研究

提出一种基于蚁群算法的服务质量(QoS)多约束的组播路由算法,算法通过引入模拟退火思想和多行为蚂蚁,解决了常规蚁群算法搜索能力差,容易陷入局部最优的缺点.给出一个网络路由模型,给定相关参数进行仿真实验,实验结果表明,基于模拟退火思想的逆向蚂蚁算法性能优于常规蚁群算法,能更好地搜寻到全局最优解.     

蚁群算法在时延约束选播路由问题中的应用

在分析选播通信服务的基础上,研究了蚁群算法在网络选播路由问题中的应用,提出了一种基于蚁群系统原理,用于解决有时延约束的选播路由问题。算法采用调整最优解路径上的信息素和算法重启策略,较好地解决了蚁群算法易于陷入局部最优的问题。仿真实验结果表明,该算法是有效且切实可行的,它可以在满足延时约束的条件下迅速找到最优解。     

基于交互式的并行蚁群优化算法

传统蚁群优化算法研究已经取得了很多重要的成果,但是在解决大规模组合优化问题时仍存在早熟收敛,搜索时间长等缺点.为此,将邻域搜索技术与蚁群优化算法进行融合,提出一种新的并行蚁群优化算法,实验结果表明,在解决大规模TSP问题时,该算法求解质量和稳定性更好,在短时间内即可得到较高质量的解.     

自适应概率选择模型的改进蚁群算法研究

传统的蚁群算法在路径规划中存在收敛速度慢、易陷入局部最优解等问题。针对这些缺陷,提出一种基于自适应概率选择模型的改进蚁群算法。最后,在Matlab2016a仿真软件中构建两种地图环境,对两种算法在不同环境下的适应性和寻优能力进行仿真实验。结果表明,改进的蚁群算法的体现了更好的收敛性,在复杂环境下的最优路径和寻优时间更短。     

基于AQ覆盖框架的蚁群规则集学习算法

针对规则集学习问题,提出一种遵循典型AQ覆盖算法框架(AQ Covering Algorithm)的蚁群规则集学习算法(Ant-AQ)。在Ant-AQ算法中,AQ覆盖框架中的柱状搜索特化过程被蚁群搜索特化过程替代,从某种程度上减少了陷入局优的情况。在对照测试中,Ant-AQ算法分别和已有的经典规则集学习算法(CN2、AQ-15)以及R.S.Parpinelli等提出的另一种基于蚁群优化的规则学习算法Ant-Miner在若干典型规则学习问题数据集上进行了比较。实验结果表明:首先,Ant-AQ算法在总体性能比较上要优于经典规则学习算法,其次,Ant-AQ算法在预测准确度这样关键的评价指标上优于Ant-Miner算法。     

基于一种蚁群算法的多机器人动态感知任务分配

多机器人系统在具有任务聚集特征的动态感知任务环境下执行搜集任务时,存在着由于任务分配不当而引起的冲突加剧问题.针对这一问题,提出了一种基于排斥信息素型蚁群算法的多机器人任务自主分配方法.进行了未知非结构化环境下的多机器人协作搜集仿真实验.仿真结果表明,采用本文所提方法可以实现多机器人搜集任务的自主分配,有效减少机器人的空间冲突,尤其在机器人数量较多的情况下,更能显示出该方法的优势.