基于量子行为特性粒子群和自适应网格的多目标优化算法

为了能够找到更多真实的Pareto最优解和提高所求最优解的分布均匀性,提出了一种新型的基于量子行为特性粒子群优化和自适应网格的多目标量子粒子群优化算法.利用量子行为特性粒子群优化算法的寻优优势快速地接近真实的Pareto最优解,引入高斯变异算子增强搜索解的多样性.通过设置一个外部存储器保留搜索过程中找到的Pareto最优解,采用自适应网格法对外部存储器中最优解进行更新和维护操作,使得从中选择的领导粒子能够引导粒子群最终找到真实的Pareto最优解.仿真结果表明所提算法具有更好的收敛性能和更均匀的分布性能.     

混合变异克隆选择多目标优化算法

研究多目标优化问题,针对提高算法的快速性,提出一种混合变异克隆选择多目标优化算法.进化在三个抗体群中进行,不同的抗体群采用不同的变异算子,并通过外部记忆抗体群的更新,来保留进化的最优抗体,避免算法进化后期出现退化现象.算法采用的三种变异算子:高频大尺度高斯变异算子带有振荡性质,能够对Pareto最优解区域进行勘探,单基因小尺度衰减的高斯变异算子能够使优化结果逼近Pareto最优解,均匀变异算子使算法具有局部逃逸能力,能够保证解的多样性.将算法和经典的NSGA -Ⅱ、ε- MOEA算法以及单一变异的多目标克隆选择算法(MCSA)进行性能比较,结果证明新算法具有较好的快速搜索性能和鲁棒性.     

求解多目标作业车间调度问题的混合变异杂草优化算法

针对多目标作业车间调度问题,提出一种混合变异杂草优化算法。该算法采用基于各子目标熵值权重的欧氏贴近度作为适应度值计算方法,引导种群向Pareto前端进化。在进化过程中,运用快速非支配排序策略构建Pareto档案,并利用进化种群中最优个体实时更新Pareto最优解集,提升算法的优化性能;同时通过引入变异算子增加种群多样性,避免算法陷入局部最优。最后,基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性。     

基于免疫计算的物流配送车辆路径优化

为解决物流配送车辆路径优化问题,给出了一种基于免疫计算的车辆路径优化方案,设计了车辆路径问题的数学模型,给出了非劣邻域支配的多目标免疫优化算法的框架、基于实数编码的比例克隆算子和领域变异算子以及支配抗体的拥挤距离公式,并在仿真环境下进行了实验;结果表明,算法能使多目标优化同题收敛到Pareto最优解集,并在Pareto曲线上有均匀的分布,具有较好的应用价值.     

基于云模型的NSGA-Ⅱ算法改进

如何使算法快速收敛到真正的Pareto前沿,并保持解集在前沿分布的均匀性是多目标优化算法重点研究解决的问题.提出一种基于云模型的改进NSGA-Ⅱ算法,利用正态云模型云滴的随机性和稳定倾向性特点,分别对交叉、变异、拥挤距离算子进行改进.使算法既具有传统的趋势性和满足快速寻优能力,又具有随机性.在提高收敛速度与保持种群多样性之间做了个很好的权衡.通过求解多目标背包问题,对本文算法的多目标优化性能进行了考察,并与NSGA-Ⅱ算法进行比较,结果表明本文算法在整个解空间内能快速搜索到Pareto最优解,使搜索到的Pareto最优解在前沿均匀分布.     

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.     

具有约束多目标优化的进化算法

针对带有约束多目标优化问题,提出一种多目标优化进化算法。在选择过程中,采用约束的Pareto支配和聚集距离定义适应值,根据适应值挑选出有代表性的个体。在变异过程中,沿着权重梯度方向搜索来寻找可行的Pareto最优解。最后,采用两个数值算例测草算法的性能,结果表明该算法能获得多目标约束优化问题的可行Pareto最优解并且具有较好的分散性。     

基于GA的电子侦察卫星任务规划问题研究

电子侦察卫星是现代战争中获取电子情报的重要手段,在快速作战决策方面具有独特的作用.电子侦察卫星任务规划问题是一类重要的任务规划问题,涉及各种复杂的约束条件.首先通过对电子侦察卫星工作原理的分析提出了基本假设和预处理的基本方法,并建立了CSP模型,然后采用遗传算法(GA)对模型进行求解.算法针对电子侦察卫星任务规划的特点设计了符号型编码以及相应的OBC交叉算子及多点交换变异算子.最后采用所设计的遗传算法和简单贪婪算法分别对不同规模的问题进行了求解,实验结果表明算法有效地解决了针对固定目标的电子卫星侦察任务规划问题.     

基于Pareto邻域交叉算子的多目标粒子群优化算法

针对粒子群优化（PSO）算法局部搜索能力不足的问题,提出一种基于Pareto邻域交叉算子的多目标粒子群优化算法(MPSOP)。该算法利用粒子群优化算法和Pareto邻域交叉算子相结合的策略产生新种群,并利用尺度因子在线调节粒子群优化算法和Pareto邻域交叉算子的贡献量。数值实验选取6个常用测试函数并对NSGA-Ⅱ、SPEA2、MOPSO三个多目标算法进行比较,数值实验结果表明MPSOP算法的有效性。     

一种改进的多目标蜻蜓优化算法

提出了一种改进的多目标蜻蜓优化算法。通过引入混合变异算子增加种群的多样性,避免算法早熟现象的发生;采用基于拥挤距离的外部档案动态维护策略,使获得的Pareto最优解集具有更好的分布性。最后,使用多目标基准函数进行测试,并与基本多目标蜻蜓算法和基本多目标粒子群算法进行性能比较。实验结果表明,改进后的多目标蜻蜓优化算法提高了Pareto最优解集的收敛性和分布性。     

变邻域遗传算法在车间物流调度中的应用

针对含有自动引导小车(Automated Guided Vehicle,AGV)的离散化车间物流调度问题,以最小化物流任务时间惩罚成本和最小化运载小车的总行驶距离为优化目标,构建离散化车间多目标物流调度优化模型,设计一种基于Pareto寻优的多目标混合变邻域搜索遗传算法(VNSGA-II).以遗传算法为基础,通过使用NSGA-II的Pareto分层和拥挤度计算方法评估种群优劣实现多目标优化,为了提高算法的寻优能力,避免算法陷入局部最优,通过添加保优记忆库对精英个体进行保护,并利用变邻域搜索算法在搜索过程中的局部寻优能力,针对本文模型特点,设计6个随机邻域结构,来达到算法求解最优值的目标.并提出了基于关键AGV小车的插入邻域和基于关键物流任务的交换邻域调整策略以进一步降低成本.最后,以某离散车间物流调度为实例,分别使用VNSGA-II、带精英策略的快速非支配排序遗传算法Ⅱ(Nondominated Sorting Genetic AlgorithmⅡ,NSGA-II)和强Pareto进化算法(Strong Pareto Evolutionary Algorithm 2,SPEA2)对问题进行求解,计算结果表明,VNSGA-II能得到更好的Pareto解集,验证了算法的有效性和可行性.     

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。     

改进人工蜂群求解多目标柔性作业车间调度问题

针对多个目标约束的柔性作业车间问题,本文采用基于Pareto解集的改进离散人工蜂群算法来求解.由于经典人工蜂群算法的选择概率不适用于多目标问题,本文对选择概率进行了重定义,将排序引入选择概率中;同时采用基于变异操作的邻域搜索方法进行局部搜索,并使用混合列交叉算子提高种群的多样性;采用Harmonic平均距离对Pareto解集进行裁剪,完成对Pareto解集的更新.最后通过实例测试及仿真实验,验证了本文算法在求解多目标柔性作业车间调度时的有效性.     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.     

基于动态拥挤距离的混合多目标免疫优化算法

多目标免疫优化算法的研究目标是种群均匀分布于优化问题的非劣最优域并使算法快速收敛。为进一步提高多目标优化问题非支配解集合的分布均匀性和收敛性,提出了一种基于动态拥挤距离的混合多目标免疫优化算法。该算法基于动态拥挤距离来对个体进行比较和更新操作,从而保持最终解集的均匀分布,同时借鉴经典差分进化算法中的变异引导算子来加强免疫优化算法的局部搜索能力并提高搜索精度。基于5个经典测试函数的仿真结果表明, 与其他几种有效的多目标优化算法相比,所提算法不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且收敛速度也有较大的改进和提高。     

多目标优化中带变异算子的灰色粒子群算法

针对如何在多目标优化过程中求解更好的Pareto解集,提出一种基于变异算子的灰色粒子群算法。该算法将灰色关联度应用于粒子群算法,且将方差的概念引入灰色关联度,以区分那些点关联系数有显著差异而其均值相等的各组序列。以此作为变异策略来控制粒子群算法,以避免现有灰色粒子群算法在求解多目标问题时所出现的局部收敛现象。通过四组不同类型的基准函数测试算法性能,测试结果表明该算法能很好地收敛到Pareto最优解集并有效避免了过早陷入局部最优解。     

一种新的多目标改进和声搜索优化算法

针对标准和声搜索算法存在收敛不稳定及不能用于多目标优化问题的缺陷,通过引入交叉算子、自适应记忆内搜索概率和调节概率,改进了传统的和声搜索算法;根据Pareto支配关系,结合算法和声记忆库内信息完全共享的特性,提出了基于动态Pareto最优前沿的能够求解多目标优化问题的多目标改进和声搜索算法。通过几个典型函数的仿真测试表明,提出的算法能够高效稳定地收敛于Pareto最优前沿,获得分布均匀的Pareto解集。     

求解多目标问题的Memetic免疫优化算法

将基于Pareto支配关系的局部下山算子和差分算子引入免疫多目标优化算法之中,提出了一种求解多目标问题的Memetic免疫优化算法(Memetic immune algorithm for multiobjective optimization,简称MIAMO).该算法利用种群中抗体在决策空间上的位置关系设计了两种有效的启发式局部搜索策略,提高了免疫多目标优化算法的求解效率.仿真实验结果表明,MIAMO与其他4种有效的多目标优化算法相比,不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且算法的收敛速度与免疫多目标优化算法相比明显加快.     

求解多目标优化问题的新遗传算法

给出了求解多目标优化问题的一种新解法。定义了多目标优化问题的非劣方向,设计了方向杂交算子和简单的变异算子。标准算例的计算机仿真结果表明,新算法可以快速地找到一组范围广、分布均匀且数量充足的Pareto最优解。     

基于局部搜索与混合多样性策略的多目标粒子群算法

为了提高算法的收敛性与非支配解集的多样性,提出一种基于局部搜索与混合多样性策略的多目标粒子群算法（LH-MOPSO）.该算法使用增广Lagrange乘子法对非支配解进行局部搜索以快速接近Pareto最优解;利用基于改进的Maximin适应值函数与拥挤距离的混合多样性策略对非支配解集进行维护以保留解的多样性,同时引入高斯变异算子以避免算法早熟收敛;最后针对多目标约束优化问题,给出一种有效的约束处理方法.实验研究表明该算法具有良好的优化性能.