聚类佳点集交叉的约束优化混合进化算法

提出一种基于聚类佳点集多父代交叉和自适应约束处理技术的混合进化算法用于求解约束优化问题.新算法的主要特点是:在搜索机制方面,利用佳点集方法构造初始化种群,使个体能够均匀地分布在整个搜索空间.然后根据父代个体的相似度将种群个体进行聚类分析,从聚类中随机选择个体进行佳点集多父代交叉操作,利用多个父代个体所携带的信息产生新的具有代表性的子代个体,能够维持和增加种群的多样性.另外,引入局部搜索策略以提高算法局部搜索能力和收敛速度.在约束处理技术上,新算法引入了一个自适应约束处理技术,即根据当前种群中可行解的比例自适应选择不同的个体比较准则.通过15个标准测试函数验证了新算法的有效性.     

一种新的基于正交实验设计的约束优化进化算法

提出了一种新的基于正交实验设计的约束优化进化算法.新算法的主要特点是:在搜索机制方面,利用正交实验设计方法安排多个父代个体的交叉操作,提出了一种新的多父体正交交叉算子,新的交叉算子能够有效利用多个父代个体所携带的信息产生新的具有代表性的子代个体.此外,利用单形交叉算子对父代种群进行并行搜索,以协调算法的勘探和开采能力.在约束处理技术上,新算法引入了一个衡量个体优、劣的新比较准则.通过13个标准的测试函数验证了算法的通用性和有效性.     

一种新的多父辈交叉遗传算法

提出了一种新的多父辈交叉遗传算法.该算法引入了父代数量自适应调节机制,使得交叉操作的父代数量自适应地收敛到一个合适的值,以克服多父辈遗传算法对于父辈数量的敏感性.该算法还采用了评价值加权的多父辈交叉算子.该算子是单点交叉、两点交叉、多点交叉、均匀交叉、算术交叉以及多父辈频率扫描交叉等算子的概括和推广,具有凸空间封闭特性,可以保证子代个体的合法性.在经典测试函数集上的实验结果验证了本算法的可行性.     

求解全局优化问题的混合自适应正交遗传算法

提出了一种基于正交实验设计的混合自适应正交遗传算法(hybrid self-adaptive orthogonal genetic algorithm,简称HSOGA)以求解全局优化问题,此算法利用正交实验设计方法设计交叉算子,并提出一种自适应正交交叉算子.该自适应正交交叉算子根据父代个体的相似度自适应地调整正交表的因素个数和对父代个体进行因素分割的位置,生成具有代表性的子代个体,以更好地搜索空间.此外,新算法利用自适应正交交叉算子生成均匀分布的初始种群,以保证初始群体的多样性.同时引入了局部搜索策略以提高算法局部搜索能力和收敛速度.通过14个高维的Benchmark函数验证了算法的通用性和有效性.     

一种基于佳点集原理的约束优化进化算法

提出一种基于佳点集理论解决约束优化问题的进化算法.它将实分圆域中均匀分布的佳点映射到求解问题的搜索空间,使得所构造的个体能在搜索空间内分布比采用随机方式更加均匀,并引进预交叉机制来平衡佳点取点个数与算法搜索能力之间的矛盾.新算法的遗传算子基于佳点技术构造,精度不受空间维数的限制,有利于高维优化问题.对6个标准测试函数的数值实验结果验证了新算法的通用性、有效性和稳健性.     

基于单形正交实验设计的差分演化算法

为了克服传统差分演化(DE)算法在求解约束优化问题时出现的收敛性慢和容易陷入早熟等缺陷,提出一种新的基于单形正交实验设计的差分演化(SO-DE)算法。该算法设计了一种结合单形交叉和正交实验设计的混合交叉算子来提高差分演化算法的搜索能力;同时采用了一种改进的个体优劣比较准则对种群个体进行比较和选择。这种新的混合交叉算子利用多个父代个体进行单形交叉产生多个子代个体,从两者中选择优秀个体进行正交实验设计得到下一代种群个体。改进的个体优劣比较准则对不同状态下的种群采用不同的处理方案,其目的在于能够有效地权衡目标函数值和约束违反量之间的关系,从而选择优秀个体进入下一代种群。通过对13个标准测试函数和2个工程设计问题进行仿真实验,实验结果表明SO-DE算法求解的精度和标准方差都要优于HEAA算法和COEA/OED算法。SO-DE算法具有更高的精度以及更好的稳定性。     

基于演化策略算法的作业车间调度优化

提出一种基于工件操作次序的二维实数编码方法,采用演化策略算法求解作业车间调度问题。设计一种基于三点交叉互换的重组算子用于生成子代个体,并采用个体编码基因随机重新生成的方法设计变异算子。实验结果证明,演化策略算法能有效优化作业车间调度问题,与遗传算法和粒子群优化算法相比,其优化性能更好,并且基于三点交叉互换重组算子的演化策略算法的性能好于基于两点交叉和基于四点交叉互换重组算子的演化策略算法。     

一种基于佳点集原理的约束优化进化算法

提出一种基于佳点集理论解决约束优化问题的进化算法.它将实分圆域中均匀分布的佳点映射到求解问题的搜索空间,使得所构造的个体能在搜索空间内分布比采用随机方式更加均匀,并引进预交叉机制来平衡佳点取点个数与算法搜索能力之间的矛盾.新算法的遗传算子基于佳点技术构造,精度不受空间维数的限制,有利于高维优化问题.对6个标准测试函数的数值实验结果验证了新算法的通用性,有效性和稳健性.

     

求解约束优化问题的佳点集多目标进化算法

结合数论中的佳点集理论和多目标优化方法,提出一种求解约束优化问题的进化算法。将约束优化问题转化为多目标优化问题,引入佳点集理论,以确保所构造的个体在搜索空间内分布均匀,设计变异算子增加个体多样性,采用分群局部搜索方式,并根据Pareto非支配关系选择群体中的优势个体。实验结果表明,该算法具有较好的稳定性。     

自适应梯度指导交叉的进化算法

针对进化算法随机盲目搜索的缺点,提出一种新的自适应梯度信息指导交叉的进化算法.该算法首先利用混沌序列初始化种群,在迭代过程中,根据当前最优个体的梯度信息和种群与个体的聚集程度,自适应地确定最优个体的负梯度方向范围,在该范围内随机选择个体与当前最优个体进行算术交叉操作,使交叉后的个体以较大概率向较好解的方向进化.另外,引入自适应变异算子用于平衡算法的开发和探测能力.几个典型测试函数的实验结果表明,新算法具有较高的收敛精度.     

结合非固定多段罚函数的约束优化进化算法

利用非固定多段映射罚函数的约束条件,提出一种结合非固定多段罚函数的约束优化进化算法。该算法利用佳点集方法初始化种群,以保证其均匀分布在搜索空间中。在进化过程中,对种群进行单形交叉和多样性变异操作产生新的个体,增加种群的多样性。对6个经典Benchmark问题进行测试,实验结果表明,该算法能有效地处理不同的约束优化问题。     

基于内部罚函数的进化算法求解约束优化问题

为解决现有约束处理方法可行解的适应度函数不包含约束条件的问题,提出了一种内部罚函数候选解筛选规则.该候选解筛选规则分别对可行解和不可行解采用内部罚函数和约束违反度进行筛选,从而达到平衡最小化目标函数和满足约束条件的目的.以进化策略算法为基础,给出了基于内部罚函数候选解筛选规则的进化算法的一个实现.进一步地,从理论和实验角度分别验证了内部罚函数候选解筛选规则的有效性:以(1+1)进化算法为例,从进化成功率方面验证了内部罚函数候选解筛选规则的理论有效性;通过13个测试问题的数值实验,从进化成功率、候选解后代是可行解的比例、进化步长和收敛速度方面验证了内部罚函数候选解筛选规则的实验有效性.     

A self-adaptive linear evolutionary algorithm for solving constrained optimization problems

In many real-world applications of evolutionary algorithms, the fitness of an individual requires a quantitative measure. This paper proposes a self-adaptive linear evolutionary algorithm (ALEA) in which we introduce a novel strategy for evaluating individual’s relative strengths and weaknesses. Based on this strategy, searching space of constrained optimization problems with high dimensions for design variables is compressed into two-dimensional performance space in which it is possible to quickly identify ‘good’ individuals of the performance for a multiobjective optimization application, regardless of original space complexity. This is considered as our main contribution. In addition, the proposed new evolutionary algorithm combines two basic operators with modification in reproduction phase, namely, crossover and mutation. Simulation results over a comprehensive set of benchmark functions show that the proposed strategy is feasible and effective, and provides good performance in terms of uniformity and diversity of solutions.     

一种求解约束优化问题的线性进化算法

提出一种基于实数编码处理约束优化问题的线性算法,并对其复杂度和收敛性进行分析.该算法将约束优化问题的高维搜索空间通过线性变换映射到二维空间,在二维空间中探索原优化问题的解,从数学分析的角度给出一种线性适应度函数.算法中融入一种基于密度函数的交叉算子和变异算法,采用基于分级聚类的平均联接方式以维持Pareto最优解集个体数目.3组典型优化问题的测试表明,该算法是可行和有效的,解集分布的均匀性与多样性均较理想.     

多目标进化策略在无线传感器网络中的优化设计

无线传感器网络是由大量受能耗约束的节点组成,兼顾规模和节能的路由协议是无线传感器网络的重要部件。提出了基于多目标进化算法的无线传感器网络的路由优化设计,针对无线传感器网络的能耗、带宽、及时延等指标进行优化。在多目标进化算法中,通过对种群进行初始化、选择、交叉、变异等操作构建非支配集,并使用小生境技术保证种群的分布性。通过与LEACH及SSSL协议的比较,可知基于多目标进化算法可以有效地降低节点的能量消耗,减少网络带宽消耗,降低时延,延长网络的生存时间。     

Constrained optimization based on hybrid evolutionary algorithm and adaptive constraint-handling technique

A novel approach to deal with numerical and engineering constrained optimization problems, which incorporates a hybrid evolutionary algorithm and an adaptive constraint-handling technique, is presented in this paper. The hybrid evolutionary algorithm simultaneously uses simplex crossover and two mutation operators to generate the offspring population. Additionally, the adaptive constraint-handling technique consists of three main situations. In detail, at each situation, one constraint-handling mechanism is designed based on current population state. Experiments on 13 benchmark test functions and four well-known constrained design problems verify the effectiveness and efficiency of the proposed method. The experimental results show that integrating the hybrid evolutionary algorithm with the adaptive constraint-handling technique is beneficial, and the proposed method achieves competitive performance with respect to some other state-of-the-art approaches in constrained evolutionary optimization.     

A Multiobjective Optimization-Based Evolutionary Algorithm for Constrained Optimization

A considerable number of constrained optimization evolutionary algorithms (COEAs) have been proposed due to increasing interest in solving constrained optimization problems (COPs) by evolutionary algorithms (EAs). In this paper, we first review existing COEAs. Then, a novel EA for constrained optimization is presented. In the process of population evolution, our algorithm is based on multiobjective optimization techniques, i.e., an individual in the parent population may be replaced if it is dominated by a nondominated individual in the offspring population. In addition, three models of a population-based algorithm-generator and an infeasible solution archiving and replacement mechanism are introduced. Furthermore, the simplex crossover is used as a recombination operator to enrich the exploration and exploitation abilities of the approach proposed. The new approach is tested on 13 well-known benchmark functions, and the empirical evidence suggests that it is robust, efficient, and generic when handling linear/nonlinear equality/inequality constraints. Compared with some other state-of-the-art algorithms, our algorithm remarkably outperforms them in terms of the best, mean, and worst objective function values and the standard deviations. It is noteworthy that our algorithm does not require the transformation of equality constraints into inequality constraints     

An Evolutionary Algorithm for Global Optimization Based on Level-Set Evolution and Latin Squares

In this paper, the level-set evolution is exploited in the design of a novel evolutionary algorithm (EA) for global optimization. An application of Latin squares leads to a new and effective crossover operator. This crossover operator can generate a set of uniformly scattered offspring around their parents, has the ability to search locally, and can explore the search space efficiently. To compute a globally optimal solution, the level set of the objective function is successively evolved by crossover and mutation operators so that it gradually approaches the globally optimal solution set. As a result, the level set can be efficiently improved. Based on these skills, a new EA is developed to solve a global optimization problem by successively evolving the level set of the objective function such that it becomes smaller and smaller until all of its points are optimal solutions. Furthermore, we can prove that the proposed algorithm converges to a global optimizer with probability one. Numerical simulations are conducted for 20 standard test functions. The performance of the proposed algorithm is compared with that of eight EAs that have been published recently and the Monte Carlo implementation of the mean-value-level-set method. The results indicate that the proposed algorithm is effective and efficient.     

基于参考点的高维多目标粒子群算法

高维多目标优化问题一般指目标个数为4个 或以上时的多目标优化问题.由于种群中非支配解数量随着目标数量的增加而急剧增多,导致进化算法的进化压力严重降低,求解效率低.针对该问题,提出一种基于粒子群的高维多目标问题求解方法,在目标空间中引入一系列的参考点,根据参考点筛选出能兼顾多样性和收敛性的非支配解作为粒子的全局最优,以增大选择压力.同时,提出了基于参考点的外部档案维护策略,以保持最后所得解集的多样性.在标准测试函数DTLZ2上的仿真结果表明,所提方法在求解高维多目标问题时能够得到收敛性和分布性都较好的解集.