具有偏序属性的偏爱Pareto占优关系

K个目标的多目标优化问题的经典Pareto最优前沿通常是K-1维的,当K3时,父亲群体和儿子群体常常全都非劣,以致于多目标演化算法无法进行优胜劣汰操作而失效.文中提出一种具有偏序属性的新型Pareto占优关系,称之为偏爱Pareto占优.它能够缩小Pareto集合的规模,因而只要用偏爱Pareto占优关系替代原有的经典占优关系,现有的多目标算法就可以有效地求解"很多"目标的优化问题.     

一种求解双目标job shop问题的混合进化算法

提出一种求解双目标job shop排序问题的混合进化算法．该算法采用改进的精英复制策略，降低了计算复杂性；通过引入递进进化模式，避免了算法的早熟；通过递进过程中的非劣解邻域搜索，增强了算法局部搜索性能．采用该算法和代表性算法NSGA-Ⅱ，MOGLS对82个标准双目标job shop算例进行优化对比，所得结果验证了该算法求解双目标job shop排序问题的有效性．     

一种优化模糊神经网络的多目标微粒群算法

模糊神经网络优化是一个多目标优化问题．通过对模糊神经网络和微粒群算法的深入分析，提出了一种多目标微粒群算法．在算法中将网络的精确性和复杂性分别作为目标进行优化，再用一种启发性分量加权均值法来选取个体极值和全局极值．算法能够引导粒子较快地向非劣最优解区域移动并最终获得多个非劣最优解，为模糊神经网络的精确性和复杂性的折中寻优问题提供了一种解决方法．茶味觉信号识别的仿真实验验证了该算法的有效性．     

遗传算法在多目标决策中的应用研究

1 引言多目标优化是实践中广泛存在的一种优化问题,其理论研究已经取得了一些进展,但是在算法上还不太成熟。一种求解方法是将各个目标加权,从而将多目标问题转化为单目标问题。另一种方法是求多目标规划问题的非劣解(Pareto意义下的最优解),供决策者从中选择。本文主要讨论如何求解多目标优化问题的Pareto有效解。现在,考虑如下带有等式约束和不等式约束的多目标优化问题。     

基于粒子群算法求解多目标优化问题

粒子群优化算法自提出以来，由于其容易理解、易于实现，所以发展很快，在很多领域得到了应用．通过对粒子群算法全局极值和个体极值选取方式的改进，提出了一种用于求解多目标优化问题的算法，实现了对多目标优化问题的非劣最优解集的搜索，实验结果证明了算法的有效性．     

多目标0-1规划的混沌优化算法

多目标问题在现实中有广泛应用,如何获得更多非劣解具有重要意义。通过利用混沌运动的遍历性、随机性、规律性等特点,设计了一种求解多目标0-1规划问题的混沌优化算法,并在计算机上予以实现。该混沌优化算法计算时间复杂度较小,在计算效率上有一定优势。计算结果表明,与已有算法相比,该算法能求得较多非劣解,能够有效求解多目标0-1规划问题。     

多目标优化遗传算法的收敛性定义及实例研究

寻找非劣解集合是遗传算法求解多目标优化问题的目标，而标准的遗传算法收敛性分析方法对多目标遗传算法的分析并不合适。本文利用有限马尔科夫链给出了遗传算法求解多目标优化问题的两个收敛性定义，并给出了一个实例研究及进一步的工作计划。     

基于MOPSO算法的卫星共形阵列天线多波束形成

针对共形阵列天线多波束方向图综合问题,提出一种基于最大方向性系数方法得到初始非劣解的多目标粒子群算法,求解满足多个期望波束和低副瓣要求的Pareto最优解。算法首先采用多目标分解策略,由多个单波束最优解的加权线性组合得到近最优解的非劣解。然后结合该非劣解,基于粒子空间和目标空间同时约束的局部搜寻策略,使用多目标粒子群算法优化多个波束,并降低副瓣。仿真结果表明,该算法有效地实现了卫星共形阵列天线的多波束形成和低副瓣,且能快速得到Pareto最优解分布。     

基于最大最小适应度函数的多目标粒子群算法

针对多目标优化问题提出了一种基于最大最小适应度函数（F_maximin）的粒子群算法，将此算法简称为IMPSO。它在求解多目标问题的非劣解前沿（Pareto Front）时表现出很好的性能。通过经典测试函数计算表明该算法保证收敛到多目标优化问题的Pareto最优前沿；同时，使用两个性能指标（GD和Diversity）验证了此算法优于其他的多目标粒子群优化算法。     

解决多目标优化问题的遗传算法研究

近年来,多目标优化问题求解已成为进化计算的一个重要研究方向。本文简要分析了多目标进化算法的研究现状,给出了一种基于非群体迭代型的小生境多目标优化遗传算法。算例测试结果表明该算法结合错位交叉算子具有较好的性能,能够使算法收敛到Pareto概念下的比较均匀的一组非劣最优解。     

Efficient skycube computation using point and domain-based filtering

Skyline queries have been increasingly used in multi-criteria decision making and data mining applications. They retrieve a set of interesting points from a potentially large set of data points. A point is said to be interesting if it is not dominated by any other point. Skyline cube (skycube) consists of skylines of all possible non-empty subsets of a given set of dimensions. In this paper, we propose two algorithms for computing skycube using bitmaps that are derivable from indexes. The Point-based skycube algorithm is an improvement over the existing Bitmap algorithm, extended to compute skycube. The Point-based algorithm processes one point at a time to check for skylines in all subspaces. The Domain-based skycube algorithm views points as value combinations and probes entire search space for potential skyline points. It significantly reduces bitmap access for low cardinality dimensions. Our experimental study shows that the two algorithms strictly dominate, or at least comparable to, the current skycube algorithm in most of the cases, suggesting that such an approach could be a useful addition to the set of skyline query processing techniques.     

一种改进的非支配排序多目标遗传算法

多目标进化算法的研究目标主要是使算法快速收敛,并且广泛而均匀分布于问题的非劣最优域。在NSGA-II算法的基础上,提出了一种新的构造种群的策略——按照聚集距离选取部分非支配个体,并选取部分较好的支配个体形成下一代种群。该策略与原算法相结合后的算法(NSGA-II+IMP)与原NSGA-II进行比较,结果表明新算法较好地改善了分布性和收敛性。     

改进人工蜂群算法及其在应急调度优化问题中的应用

针对于大规模灾难发生时首批“生命”物资的应急调度建模及优化求解问题,将受灾点缺失损失评价函数由线性扩充到非线性,对一次性消耗类和连续性消耗类物资建立了多对多约束多目标调度模型。基于Pareto支配和拥挤距离的概念将人工蜂群基本算法应用到此问题的求解,并对算法进行了以下改进：基于反向食物源的定义提出融合反向学习的食物源初始化,以提高初始解的质量;将反向学习策略和广泛学习策略融合到蜜蜂搜索过程,以反向食物源和其他较好食物源信息来引导蜜蜂搜索方向。三种规模的仿真实验表明,所提出算法所求出的非支配前沿解集更具多样性,分布更加广泛和均匀,能够为应急物资调度决策进行支持。     

基于Pareto最优解集的多目标粒子群优化算法

本文结合Pareto支配思想、精英保留策略、锦标赛和排挤距离选择技术,对传统的粒子更新策略进行改进,给出了一种新的粒子淘汰准则,提出了一种基于Pareto最优解集的多目标粒子群优化算法。最后,通过7个多目标标准测试函数进行测试。测试结果表明,该方法有效可行,其性能优于如NSGAII、SPEA2等多目标优化算法。     

MOEA/D线性插入方向向量策略研究

MOEA/D具有良好的收敛性、均匀的分布性、求解效率高等优点,普遍应用于求解多目标优化问题.然而对于Pareto前端复杂的多目标优化问题,预先设定均匀的权重向量并不能够维持Pareto最优解集的良好分布性.本文,首先分析均匀分布的权重向量、均匀分布的搜索方向二者与均匀分布的解集之间的关系,提出一种新的权重向量设置方式;其次基于进化过程中解集的分布,提出线性插入搜索方向策略,并将其转换为对应的权重向量,同时在MOEA/D中周期性应用该策略调整搜索方向,获取分布均匀的解集;最后将该算法在WFG系列测试问题上进行性能测试,并采用世代距离指标(GD)、Spacing指标(S)、超体积指标(HV)对算法收敛性和多样性进行对比分析,实验结果表明,与原始的MOEA/D、使用均匀分布的搜索方向MOEA/D、使用预处理的M OEA/D、M OEA/D-DU相比,改进的算法求出解集的多样性极大提高,收敛性明显增强,解集的整体质量显著提高.     

ADAPTIVE MULTI-OBJECTIVE OPTIMIZATION BASED ON NONDOMINATED SOLUTIONS

An adaptive hybrid model (AHM) based on nondominated solutions is presented in this study for multi-objective optimization problems (MOPs). In this model, three search phases are devised according to the number of nondominated solutions in the current population: 1) emphasizing the dominated solutions when the population contains very few nondominated solutions; 2) maintaining the balance between nondominated and dominated solutions when nondominated ones become more; 3) when the population consists of adequate nondominated solutions, dominated ones could be ignored and the isolated nondominated ones are allocated more computational budget by their crowding distance values for heuristic search. To exploit local information efficiently, a local incremental search algorithm, LISA, is proposed and merged into the model. This model maintains the adaptive mechanism between the optimization process by the online discovered nondominated solutions. The proposed model is validated using five ZDT and five DTLZ problems. Compared with three other state-of-the-art multi-objective algorithms, namely NSGA-II, SPEA2, and PESA-II, AHM achieves comparable results in terms of convergence and diversity metrics. Finally, the sensitivity of introduced parameters and scalability to the number of objectives are investigated.     

考虑多样化需求的诊疗设备维护和患者调度联合优化研究

针对诊疗设备维护和住院患者候诊难以有效协调的问题,建立了联合优化模型。首先,假设设备具有离散的劣化状态,将设备的劣化过程建模为连续时间马尔可夫链;其次,考虑到患者对诊疗设备的不同功能频率需求,以及不同劣化状态对患者治疗时间、费用的影响,以患者就诊顺序、检查策略、修复策略为决策变量建立了设备维护和患者调度模型;最后,采用改进后的非支配排序遗传算法对多目标问题进行了求解。实验结果验证了设备维护与患者调度联合优化模型的有效性。改进后的算法提高了整体和局部的搜索能力,且具有鲁棒性。     

一种结合多目标免疫算法和线性规划的双行设备布局方法

设备布局对于提高生产效率和降低运营成本具有重要意义. 本文针对半导体加工制造中常见的双行设备布局问题, 提出了一种结合多目标免疫算法和线性规划的双行设备布局方法来同时优化物料流成本和布局面积两个目标. 首先, 建立了问题的混合整数规划模型;其次, 针对问题既含有组合方面(机器排序)又含有连续方面(机器精确位置)的特点, 分别设计了一种多目标免疫算法来获取非支配的机器排序集合, 提出了一种基于线性规划的方法来构造任一非支配机器排序对应的连续的非支配解集;最后, 由所有连续的非支配解来构造最后Pareto解. 实验结果表明, 该方法对于小规模问题能获得最优Pareto解, 对于大规模问题能够获得具有良好分布性的Pareto解且其质量远好于NSGA-II和精确算法获得的解.     

一种基于快速排序的快速多目标遗传算法

多目标遗传算法的一个重要步骤就是构造非支配集,本文提出了一种基于快速排序的非支配集构造方法,提高了非支配集构造效率,并且在Deb提出的NSGAⅡ的基础上,改进了其种群构造策略,设计了一类新的多目标遗传算法。实验表明,这种方法比NSGAⅡ具有更快的收敛速度且保持了良好的分布性。     

基于历史数据和多目标优化的测试用例排序方法

针对如何提高测试用例序列的揭错效率和回归测试效益问题,提出一种基于历史数据和多目标优化的测试用例排序方法。首先,根据测试用例的文本主题相似性和代码覆盖相似性对测试用例集进行聚类,并根据历史执行信息对测试用例间的执行失败关系进行关联规则挖掘,从而为后续过程做准备;然后,利用多目标优化算法对每个类簇内的测试用例进行排序,在此之后生成最终排序序列,使相似的测试用例分隔开;最后,利用测试用例间的关联规则,动态调整测试用例执行次序,从而使可能失败的测试用例优先执行,以进一步提高缺陷检测效率。与随机排序方法、基于聚类的排序方法、基于主题模型的排序方法、基于关联规则和多目标优化的排序方法相比,所提方法的平均故障检测率（APFD）平均值分别提高了12.59%、5.98%、3.01%和2.95%,基于成本的平均故障检测率（APFDc）平均值分别提高了17.17%、5.04%、5.08%和8.21%。实验结果表明,所提方法能有效提高回归测试效益。