混合蝗虫优化算法求解作业车间调度问题

作为新兴的智能算法，蝗虫优化算法在作业车间调度问题中的应用符合智能制造的趋势。但由于全局寻优能力不足，基本蝗虫优化算法（GOA）在解决作业车间调度问题（JSP）时容易陷入局部最优，导致收敛精度较低。为了克服上述缺陷，利用量子旋转门操作对其进行改进，提出了一种基于量子计算思想的混合蝗虫优化算法（HGOA）。此外，对混合蝗虫优化算法进行了计算复杂度分析与全局收敛性证明，并利用11个作业车间标准测试问题进行了仿真实验。通过与基本蝗虫优化算法（GOA）、鲸鱼优化算法（WOA）、布谷鸟搜索算法（CS）、灰狼优化算法（GWO）的比较发现，混合蝗虫优化算法在平均值、最小值、寻优成功率及迭代次数方面存在较优结果。研究表明，混合蝗虫优化算法具有更强的全局搜索能力，更好的收敛精度，能够有效跳出局部最优。     

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.     

基于多策略融合的混合多目标蝗虫优化算法

为提高蝗虫优化算法（GOA）求解多目标问题的性能,提出一种基于多策略融合的混合多目标蝗虫优化算法（HMOGOA）。首先,利用Halton序列建立初始种群,保证种群在初始阶段具有均匀分布和较高多样性;然后,通过差分变异算子引导种群变异,促进种群向优势个体移动同时进行更大范围寻优;最后,利用自适应权重因子根据种群优化情况动态调整算法全局搜索和局部寻优能力,提高优化效率及解集质量。选取7个典型函数进行实验测试,并将HMOGOA与多目标蝗虫优化、多目标粒子群（MOPSO）、基于分解的多目标进化（MOEA/D）及非支配排序遗传算法（NSGA Ⅱ）对比分析。实验结果表明,该算法避免了其他四种算法的局部最优问题,明显提高了解集分布均匀性和分布广度,具有更好的收敛精度和稳定性。     

基于多目标蝗虫优化算法的移动机器人路径规划

在静态多障碍物环境下的移动机器人路径规划问题中，粒子群算法存在容易产生早熟收敛和局部寻优能力较差等缺点，导致机器人路径规划精度低。为此，提出一种多目标蝗虫优化算法（MOGOA）来解决这一问题。根据移动机器人路径规划要求将路径长度、平滑度和安全性作为路径优化的目标，建立相应的多目标优化问题的数学模型。在种群的搜索过程中，引入曲线自适应策略以提高算法收敛速度，并使用Pareto最优准则来解决三个目标之间的共存问题。实验结果表明：所提出的算法在解决上述问题中寻找到的路径更短，表现出更好的收敛性。该算法与多目标粒子群（MOPSO）算法相比路径长度减少了约2.01%，搜索到最小路径的迭代次数减少了约19.34%。     

基于多策略融合的混合多目标蝗虫优化算法

为提高蝗虫优化算法（GOA）求解多目标问题的性能，提出一种基于多策略融合的混合多目标蝗虫优化算法（HMOGOA）。首先，利用Halton序列建立初始种群，保证种群在初始阶段具有均匀分布和较高多样性；然后，通过差分变异算子引导种群变异，促进种群向优势个体移动同时进行更大范围寻优；最后，利用自适应权重因子根据种群优化情况动态调整算法全局搜索和局部寻优能力，提高优化效率及解集质量。选取7个典型函数进行实验测试，并将HMOGOA与多目标蝗虫优化、多目标粒子群（MOPSO）、基于分解的多目标进化（MOEA/D）及非支配排序遗传算法（NSGA Ⅱ）对比分析。实验结果表明，该算法避免了其他四种算法的局部最优问题，明显提高了解集分布均匀性和分布广度，具有更好的收敛精度和稳定性。     

基于多目标飞蛾算法的电力系统无功优化研究

鉴于电力需求的日益增长与传统无功优化方法的桎梏,如何更加合理有效地解决电力系统的无功优化问题逐渐成为了研究的热点。提出一种多目标飞蛾扑火算法来解决电力系统多目标无功优化的问题,算法引入固定大小的外部储存机制、自适应的网格和筛选机制来有效存储和提升无功优化问题的帕累托最优解集,算法采用CEC2009标准多目标测试函数来进行仿真实验,并与两种经典算法进行性能的对比分析。此外,在电力系统IEEE 30节点上将该算法与MOPSO,NGSGA-II算法的求解结果进行比较分析的结果表明,多目标飞蛾算法具有良好的性能,并在解决电力系统多目标无功优化问题上具有良好的潜力。     

基于角度惩罚距离的收敛因子非线性递减多目标鲸鱼优化改进算法

为了提高多目标鲸鱼优化算法的全局优化性能,提出了一种基于角度惩罚距离的收敛因子非线性递减多目标鲸鱼优化算法IWOA-APD。首先,针对基本多目标鲸鱼算法收敛性和多样性难以平衡的问题,采用角度惩罚距离作为解优劣评价指标。其次,给出了一种基于迭代进度和优化因子的收敛因子指数形式非线性递减策略,该策略可以通过调整优化因子进一步提升优化性能。除此之外,给出了基于融合距离与拥挤度距离的精英集维护机制,从而改善精英集的多样性维护效果。最后,为了验证所提出的算法有效性,基于五种标准测试函数及一种城市轨道列车速度曲线优化实际算例,在MATLAB2016b GUI平台下采用所提出的IWOA-APD与IWOA、MOWOA、dMOPSO进行对比仿真。仿真结果表明,所提出的IWOA-APD寻到了更理想的优化结果。由此说明,相比于一些性能品质良好的优化算法,IWOA-APD还具有更快的计算速度和更高的全局收敛精度。     

一种基于Levy飞行的改进蝗虫优化算法

蝗虫优化算法是一种元启发式优化算法,能够用于解决任务调度问题。已有的改进蝗虫优化算法缺乏随机性,跳出局部最优的能力较弱,改进效果不够显著。针对这一问题,本文提出一种基于Levy飞行的改进蝗虫优化算法（LBGOA）。该算法引入基于Levy飞行的局部搜索机制增强算法的随机性,并采用基于线性递减参数的随机跳出策略来提高算法跳出局部最优的能力。CEC测试实验结果表明,所提出的算法拥有较强的搜索能力,在30个测试函数结果中能够获得17个最优解和6个次优解。将所提出的改进算法应用于边缘计算中的任务调度问题。任务调度仿真实验结果表明,所提出的算法能够有效提高搜索效果,相比GOA、OBLGOA、WOA、ALO、DA和PSO算法,LBGOA的搜索效果分别提升7.4%、7.5%、4.8%、27.7%、29.9%和20.7%。     

混合比较区间多目标进化优化及在矿井RFID布局的应用

高效的区间Pareto支配比较对于提高区间多目标进化优化算法性能至关重要.针对现有的区间多目标进化优化采用单一区 间数比较的不足, 提出基于混合比较策略的区间多目标进化优化算法.深入分析区间数mu比较和可能度P比较策略的优劣, 提出融合这两种方法的混 合比较策略和基于该混合策略的NSGA-II算法.该算法在典型多目标区间函数和含区间不确定性的煤矿井下射频识别阅读器 布局中的应用, 验证了所提出的混合区间比较策略的有效性.     

数据驱动选择策略的多目标差分进化算法

针对多目标差分进化算法求解复杂多目标优化问题时,最优解选择策略中非支配排序计算复杂度高的问题,提出一种数据驱动选择策略的多目标差分进化(MODE-DDSS)算法.首先,设计多目标差分进化算法的优化解排序等级评估准则,建立基于评估准则的优化解排序等级评估库;其次,设计基于优化解双向搜索机制和无重复比较机制的数据驱动选择策略,实现优化解的高效搜索和快速排序;最后,构建数据驱动选择策略的多目标差分进化算法,降低算法在最优解选择操作中的时间复杂度,提高算法的寻优效率.实验结果表明,所提出的MODE-DDSS算法能够有效减少最优解在选择过程中的比较次数,提升多目标差分进化算法解决复杂多目标优化问题的寻优效率.     

一种改进的多目标粒子群优化算法及其应用

为提高多目标粒子群优化 (MOPSO)算法处理多目标优化问题的性能, 降低计算复杂度, 改善算法的收敛性, 提出了一种改进的多目标粒子群优化算法。通过运用比例分布及跳数改进机制策略的方法, 使该算法不仅继承了MOPSO算法的优点, 而且具有很强的局部搜索能力和较好的鲁棒性能, 使非劣解集均匀分布, 尽可能逼近真实的非劣前沿。通过对多连杆悬架空间结构硬点的多目标优化, 进一步验证了该算法的实用性及其优越性。     

基于曲线自适应和模拟退火的蝗虫优化算法

针对蝗虫优化算法容易陷入局部极值点、收敛速度慢、精度较差等缺点,提出曲线自适应和模拟退火蝗虫优化算法。首先,引入曲线自适应代替蝗虫优化算法关键参数的线性自适应,提高了算法的全局搜索能力;其次,在此基础上引入模拟退火算法,对蝗虫算法的劣势解具有一定概率的接收,使算法具有跳出局部最优,实现全局最优的能力。自适应缩小模拟退火中蝗虫位置随机解的范围,有利于进一步提高蝗虫算法的开发能力。通过测试函数测试,实验结果表明,改进的新算法具有更好的求解质量和收敛速度。     

一种基于多策略差分进化的分解多目标进化算法

为了提高多目标优化问题非支配解集合的分布性和收敛性,根据不同差分进化策略的特点,基于切比雪夫分解机制,提出一种基于多策略差分进化的分解多目标进化算法(MOEA/D-WMSDE).该算法首先采用切比雪夫分解机制,将多目标优化问题转化为一系列单目标优化子问题;然后引入小波基函数和正态分布实现差分进化算法的参数控制,探究一种...     

飞机多目标优化设计网格的研究与应用

针对飞机多目标拓扑优化提出一种通用的遗传算法计算模型,在此模型基础上,基于对等计算(P2P)技术将分布的计算资源整合为高性能计算环境,以网格服务方式提供统一的资源服务和可视化的用户使用环境,实现多目标优化设计网格,解决飞机设计中遇到的复合材料多目标拓扑优化问题.首先对系统体系结构以及多目标遗传算法做出较详细的描述,然后以优化某型大展弦比机翼为例,给出一组实验数据.结果证明,该系统大大缩短了计算时间,具有良好的并行加速效果.     

基于混合预测策略与改进社会学习优化算法的动态多目标优化方法

近年来,国内外学者针对基于预测的动态多目标优化算法开展了深入研究,并提出了一系列有效的算法,然而已有的研究工作通常采用单一的预测策略,使得算法不能有效地应对剧烈的环境变化。针对上述问题,提出了一种基于混合预测策略与改进社会学习优化算法的动态多目标优化方法。具体地,当环境发生变化时,该方法首先基于代表性个体预测策略生成一部分群体;其次,基于拐点预测策略生成一部分新群体,特别地,为了提高种群的多样性,根据算法迭代的历史信息和环境变化情况随机地生成一定数量的新个体;为了提高问题的求解效率,对社会学习优化算法进行了改进,为每个进化空间设计了适用于动态多目标优化问题的算子;最后,将混合预测策略与改进的社会学习优化算法结合,构成了一种新的动态多目标优化方法。以FDA、DMOP和F函数集作为实验测试函数集,与四种代表性算法进行了性能对比;并以反向世代距离(inverted generational distance, IGD)对该方法的性能进行了深入的分析。实验结果表明所提方法具有较好的收敛性和鲁棒性。     

环链种群结构的多目标教与学优化算法*

针对教与学算法采用贪婪进化机制,易造成种群多样性较差的问题,将环链拓扑结构引入到多目标教与学算法中,并改进了自我学习机制,提出了一种环链种群结构的多目标教与学优化算法。根据多种群进化方式,通过一种环链结构将种群划分为多个邻域,每个邻域代表一个小种群,且相邻种群之间存在重叠。在教与学进化过程中,在每个小种群中设置一名教师,由每一位教师引导各自的种群独立进化,且彼此之间存在进化信息交流。同时,提出一种改进的学习机制来提升局部寻优能力,由此平衡算法的全局搜索和局部寻优。该算法通过与五种对等算法在ZDT和DTLZ系列组成的12个多目标测试问题进行测试,实验结果表明了新算法在收敛性、多样性和稳定性等方面均优于或部分优于其他的对比算法。     

基于改进的NSGA-II多目标优化方法研究*

针对传统多目标优化算法在其领域存在的多个子目标不能同时取优的问题,提出了一种基于改进的非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm-II, NSGA-II）多目标优化方法,以多目标优化遗传算法为基础,多输入多输出的反向传播（Back-Propagation, BP）神经网络为适应度函数评价体系,保证算法快速收敛并搜索到全局最优解集,该算法在建模前对实验数据进行主成分分析,降低了运算时间和算法难度,通过在遗传进化过程中引进正态分布交叉算子（Normal Distribution Crossover, NDX）和改进的自适应调整变异算子,实现了多个目标同时取优,保证Pareto最优解集快速、准确地获取。仿真实验使用UCI数据集,通过与其他常用的多目标优化算法对比,验证了改进的NSGA-II算法精确度更高、收敛速度更快、稳定性更强。     

一种基于粒子群算法的改进多目标文化算法

提出一种基于粒子群算法的改进多目标文化算法并用于求解多目标优化问题.算法中群体空间采用多目标粒子群优化算法进行演化;信念空间通过对形势知识、规范化知识和历史知识的重新定义使之符合多目标优化问题;信念空间和群体空间的交互通过自适应的接受操作和影响操作来实现.若干多目标标准测试函数的仿真结果表明,改进多目标文化算法能够在保持Pareto解集多样性的同时具有较好的均匀性和收敛性.     

云计算环境下基于多目标优化的虚拟机放置研究

云数据中心的规模日益增长导致其产生的能源消耗及成本呈指数级增长。虚拟机的放置是提高云计算环境服务质量与节约成本的核心。针对传统的虚拟机放置算法存在考虑目标单一化和多目标优化难以找到最优解的问题,提出一种面向能耗、资源利用率、负载均衡的多目标优化虚拟机放置模型。通过改进蚁群算法求解优化模型,利用其信息素正反馈机制和启发式搜索寻找最优解。实验结果表明,该算法综合性能表现良好,符合云环境对高效率低能耗的要求。     

云环境中多目标优化的虚拟机放置算法

虚拟机放置（VMP）是虚拟机整合的核心,是一个多资源约束的多目标优化问题。高效的VMP算法不仅能显著地降低云数据中心能耗、提高资源利用率,还能保证服务质量（QoS）。针对数据中心能耗高和资源利用率低的问题,提出了基于离散蝙蝠算法的虚拟机放置（DBA-VMP）算法。首先,把最小化能耗和最大化资源利用率作为优化目标,建立多目标约束的VMP优化模型;然后,通过效仿人工蚁群在觅食过程中共享信息素的机制,将信息素反馈机制引入蝙蝠算法,并对经典蝙蝠算法进行离散化改进;最后,用改进的离散蝙蝠算法求解模型的Pareto最优解。实验结果表明,与其他多目标优化的VMP算法相比,所提算法在使用不同数据集的情况下都能有效降低能耗,提高资源利用率,实现了在保证QoS的前提下的降低能耗和提高资源利用率两者之间的优化平衡。