量子多目标进化算法研究

本文首次将量子计算的理论用于多目标优化,提出量子多目标进化算法（QMOEA）,其采用量子位染色体表示法,利用量子门旋转策略和量子变异实现群体的进化,使用ε支配关系构造外部种群以此保持算法的较好分布性,提出基于快速排序的非劣最优解构造方法加快算法运行效率,实验表明,这种方法与经典的多目标进化算法SPEA2相比,其收敛性更好且分布更均匀     

论量子多目标进化算法研究

第一次将量子计算的理论用途于多目标优化之上可以提出量子多目标进化算法其采用量子位研究微观粒子的运动规律的物理学分支学科,它主要研究原子、分子、凝聚态物质,以及原子核和基本粒子的结构、性质的基础理论,它与相对论一起构成了现代物理学的理论基础。量子力学不仅是近代物理学的基础理论之一,而且在化学等有关学科和许多近代技术中也得到了广泛的应用。     

多目标优化差分进化算法

个体的适应度赋值和群体的多样性维护是进化算法的两个关键问题。首先,一方面,定义了Paretoε-支配关系的相关概念,通过Paretoε-支配关系确定个体的强度Pareto值,根据个体的强度Pareto值对群体进行Pareto分级排序,实现优胜劣汰;另一方面,使用拥挤距离估算个体的拥挤密度,淘汰位于拥挤区的一些个体,维持群体的多样性。然后,根据差分进化算法的特点,使用适当的进化策略和控制参数,给出了一种用于求解多目标优化问题的差分进化算法DEAMO。最后,数值实验表明,DEAMO在求解标准的多目标优化问题时性能表现优良。     

Pareto最优概念的多目标进化算法综述

群体搜索策略和群体间个体之间的信息交换是进化算法在解决多目标优化问题上的两大优势.目前,基于Pareto最优概念的多目标进化算法已成为多目标优化问题研究的主流方向.详细介绍了该领域的经典算法,特别对各种算法在种群快速收敛并均匀分布于问题的非劣最优域上所采取的策略进行了阐述,并归纳了算法性能评估中需要深入研究的问题.     

进化算法在复杂网络中的应用综述

复杂网络作为现今科学研究中的一个热点学科,在过去20年里得到了巨大的发展.现实中大量的复杂的交互系统,比如互联网、交通运输网、神经网络等都可以抽象为复杂网络,以进行系统的分析和研究.进化算法作为优化工具应用于复杂网络的不同领域的各个任务中,如网络社团结构的检测任务、网络动力学中的鲁棒性优化任务、网络传播中关键节点的搜寻任务等.本文首先对复杂网络和进化算法相关的基础知识进行了全面的概述,重点讨论了复杂网络中目标优化的研究进展,针对不同任务对优化目标及其具体应用展开了详细介绍,同时,对算法的性能评价指标进行了概述.此外,本文通过一系列实验展示了单/多目标优化算法在复杂网络优化问题上的性能表现,以及部分目标之间的相关性关系.最后对复杂网络中优化问题未来的研究动向进行了展望,为今后研究人员开展进化计算和复杂网络相结合的相关研究提供一些思路.     

协同进化蚁群算法及其在多目标优化中的应用

针对蚁群算法ACS的控制参数难以确定和早熟停滞等缺陷,提出了进化蚁群系统算法模型EACS.EACS通过引入选择、交叉和变异等操作,实现算法参数的自适应调整.标准测试实例的计算结果表明,EACS算法能够克服上述缺陷,便于工程应用.根据协同进化的思想进一步提出了多目标协同进化蚁群算法CACSM.CACSM中的多个群体协同进化,每个群体对应一个目标,并对其它群体的搜索产生影响.CACSM实现了仅通过算法一次运行便求得若干Pareto最优解,提供了更大的决策空间.最后通过一个多目标组合优化问题--岩石钻孔机路径选择问题的求解,验证说明了CACSM的有效性和适用性.     

基于Pareto的多目标克隆进化算法

为了克服部分多目标进化算法中容易出现退化与早熟,造成收敛速度过慢的不足,结合精英保留策略、基于近部规则的环境选择以及免疫克隆算法中的比例克隆等思想,提出一种基于Pareto的多目标克隆进化算法NPCA(Non-dominated Pareto Clonal Algorithm)。通过部分多目标优化测试函数ZDT和DTLZ对算法进行了性能测试,验证了该算法能获得分布更加均匀的Parcto前沿,解的收敛性明显优于典型的多目标进化算法。     

优化设计中的多目标进化算法

近十多年来多目标进化算法是人工智能领域的一个相当活跃的研究热点。该文从非Pareto方法、基于Pareto方法及贝叶斯多目标优化算法等角度对当今多目标进化算法进行了分析,归纳了新出现的各种方法和技术,探讨了这个领域发展中存在的问题,并进一步给出了发展方向。此外文中分别对后两类提出了解决一般问题的计算效果较好的改进算法和新的算法。     

一个用于多目标优化的进化规划算法

进化计算的群体搜索机制为多目标优化问题的直接求解提供了途径。本文将多目标遗传算法中的一些技术用于进化规划,提出一个多目标进化规划算法,并给出计算实例。     

多目标进化算法在卫星姿态控制中的应用

挠性卫星大角度机动姿态控制要求卫星能够较快地机动到给定位置,同时要求由卫星机动引起的帆板振动强度尽可能地小.基于一种新型的多目标优化进化算法,规划卫星的大角度机动路径,以同时优化卫星姿态机动的快速性和帆板低振动强度两个指标.仿真结果表明,所提方法运行一次便能够有效地搜索到一组多样性较好的非支配路径解,供决策者在不同的工作目标下选择,有效地缓解了两个指标间的矛盾.     

一种改进的基于pareto解的多目标粒子群算法

研究一种改进的多目标粒子群优化算法,算法采用精英归档策略,利用粒子的个体最优定位,通过Pareto支配关系更新全体粒子最优位置,由档案库中动态提供。根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的密度距离度量非劣解前端的均匀性,通过删除密度距离小的非劣解提高非劣解前端的均匀性。从归档中根据粒子的密度距离大小依照概率选取作为粒子的全局最优位置,以保持解的多样性。标准函数的仿真实验结果表明,所提算法能够获得大量且较均匀的非劣解,快速地收敛于Pareto最优解前端。     

Multi-objective evolutionary algorithms based on the summation of normalized objectives and diversified selection

Most multi-objective evolutionary algorithms (MOEAs) use the concept of dominance in the search process to select the top solutions as parents in an elitist manner. However, as MOEAs are probabilistic search methods, some useful information may be wasted, if the dominated solutions are completely disregarded. In addition, the diversity may be lost during the early stages of the search process leading to a locally optimal or partial Pareto-front. Beside this, the non-domination sorting process is complex and time consuming. To overcome these problems, this paper proposes multi-objective evolutionary algorithms based on Summation of normalized objective values and diversified selection (SNOV-DS). The performance of this algorithm is tested on a set of benchmark problems using both multi-objective evolutionary programming (MOEP) and multi-objective differential evolution (MODE). With the proposed method, the performance metric has improved significantly and the speed of the parent selection process has also increased when compared with the non-domination sorting. In addition, the proposed algorithm also outperforms ten other algorithms.     

基于支配强度的NSGA2改进算法

NSGA2是一种简单、高效且被广泛使用的多目标进化算法(Multi-objective Evolutionary Algorithm,MoEA),但在求解实际工程领域中的高维、复杂非线性多目标优化问题(Multi-objective Optimization Problems,MOP)时,存在无法有效识别伪非支配解、计算效率低、解集收敛性和分布性较差等设计缺陷。对此,文中提出一种基于支配强度的NSGA2改进算法(INSGA2-DS)。新算法采用快速支配强度排序法构造非支配集,引入了考虑方差的拥挤距离公式,并通过自适应精英保留策略动态调整精英保留规模。基于标准测试函数的仿真实验表明,INSGA2-DS算法较好地改善了NSGA2算法的收敛性和分布性。     

基于多目标演化算法的SOC设计空间搜索策略

针对参数化SOC设计空间的复杂性,提出了一利新的搜索策略,该搜索策略以多目标演化算法为核心,依据参数依赖性概念对设计空间进行大幅度的缩减并使用空间阈值技巧增加了策略的适应性.通过与敏感度分析搜索策略的实验对比,证明了该策略在得到更优配置的同时可以显著缩短搜索时间.     

一种基于树结构排序的多目标优化演化算法

多目标优化演化算法(MOEA)是一种新的解多目标优化问题(MOP)的有效算法。针对大多数MOEA采用的表示解优劣的Ranking技术存在的问题,该文提出了一种新的表示方法———树结构来表示解的关系。实验证明这种方法很好地达到Pareto最优,有效地保持解的多样性,而且收敛速度快。     

基于多目标演化算法的云计算虚拟机分配策略研究

分析云计算虚拟机资源模型,针对模型中虚拟机与物理机的映射关系以及虚拟机多资源因子、多优化目标的特点,将虚拟机分配问题转化成多维装箱问题,引入多目标演化算法进行求解。算法设计了基于组的虚拟机分配链式编码和染色体评估函数,并根据编码设计了两种交叉算子和智能变异算子,通过引入基于超体积的种群更新机制,设计了基于SMS-EMOA的云计算虚拟机分配算法。为验证SMS-EMOA的性能,分别使用优先匹配启发式算法、基于物理节点数量的单目标简单遗传算法、SMS-EMOA进行了模拟。实验结果表明,基于SMS-EMOA的虚拟机分配算法在性能上更优。     

基于多目标进化算法的锅炉热损失优化研究

针对锅炉热损失模型的特点,提出基于Pareto最优概念的多目标进化算法实现运行工况寻优,然后根据模糊集理论在Pareto解集中求得满意解,获得最佳的锅炉燃烧调整方式.通过某600MW锅炉热损失的优化研究,并与基于神经网络的寻优结果比较,数值计算表明支持向量机模型寻优结果在Pareto前沿具有更好的多样性,结果更优,可指导运行人员进行参数优化调整,提高燃烧经济性.