QPSO算法求解无约束多目标优化问题

在分析了用基于目标加权的PSO算法(WAPSO)的基础上,研究了利用基于量子行为的微粒群优化算法(QPSO)来解决多目标优化问题.提出了基于目标加权的QPSO算法(WAQPSO),利用WAQPSO算法解决无约束的多目标优化问题,通过典型的多目标测试函数实验,验证了该算法解决无约束多目标问题的有效性.     

基于灰色综合关联分析的多目标优化方法

针对现有多目标优化方法存在的搜索性能弱、效率低等问题,提出一种基于灰色综合关联分析的多目标优化方法.该多目标优化方法采用单目标优化算法构建高质量的参考序列,计算参考序列与优化解的目标函数值序列之间的灰色综合关联度,定义基于灰色综合关联度的解支配关系准则,将灰色综合关联度作为多目标优化算法的适应度值.以带顺序相关调整时间的多目标流水车间调度问题作为应用对象,建立总生产成本、最大完工时间、平均流程时间及机器平均闲置时间的多目标函数优化模型.提出基于灰色关联分析的多目标烟花算法,对所建立的多目标优化模型进行优化求解.仿真实验表明,所提出多目标烟花算法的性能优于3种基于不同多目标优化方法的烟花算法及两种经典多目标算法,验证了所提出的多目标优化方法及多目标算法的可行性和有效性.     

基于遗传模拟退火算法的制造网格资源调度策略

为有效解决制造网格中资源调度问题,提出了多目标调度优化模型。并根据用户的要求,采用AHP算法确定各目标权重;联系到资源调度问题的特性,设计了基于遗传模拟退火算法的调度策略,最后给出一个典型实例,验证方法的有效性。     

基于改进鸽群优化算法的多无人机目标搜索

在三维未知环境中无人机目标搜索是一项非常具有挑战性和现实性意义的任务。鸽群优化算法相比于其他智能算法收敛速度快,搜索效率高,适用于目标优化任务,因此提出一种基于鸽群优化算法的多无人机目标搜索方法,无人机通过搜索目标留下的信息素搜寻目标。针对鸽群优化算法容易陷入局部最优的问题,利用基于差分进化策略对鸽群优化算法进行改进。仿真实验验证了提出的基于改进鸽群优化算法的多无人机目标搜索方法的合理性和有效性。     

基于区间可信度下界的多目标优化算法研究及应用

旨在填补多目标优化算法研究的不足,以制造业中多因素耦合作用下的多目标优化问题为研究对象,首先提出区间可信度和占优关系等概念;其次基于区间可信度和占优关系建立基于区间可信度下界的多目标优化算法;最后通过多目标数值优化对所建立的优化算法进行探究。结果显示,在γ的取值相同时,H测度与进化代数呈现正相关,可以说明随着个体进化代数的增大,所提出的基于占优可信度下界的算法得到的γ-Pareto前沿越能反映真实的Pareto前沿;通过文中建立的算法与IP-MOEA和SPGA的比较可以看出,文中所建立的基于区间可信度下界的多目标优化算法与实际情况的吻合度更高,说明所建立的算法可以填补多目标优化算法的不足。     

基于向量求值的QPSO算法在多目标优化中的应用

在分析了VEGA和VEPSO解决多目标问题的基础上,研究了基于量子行为的微粒群优化算法(QPSO)解决多目标问题,并提出一种基于向量求值的QPSO多目标优化算法,即VEQPSO。在VEQPSO算法中改进了粒子的进化公式,通过典型的多目标测试函数所做的实验,验证了该算法解决多目标问题的有效性。     

多目标蚁群优化研究综述

多目标蚁群优化是一类重要的多目标进化算法,它在解决多目标优化问题,尤其是多目标组合优化方面,具有优异的性能。首先,通过总结多目标蚁群优化的研究成果,将多目标蚁群优化分为基于帕累托的方法、基于指标函数的方法和目标分解法3类,并阐述了每类方法的特点和代表性算法;然后,展现了多目标蚁群优化在实际问题中的广泛应用;最后,探讨了目前多目标蚁群优化存在的问题。     

基于进化算法的多目标优化方法

进化算法在解决多目标优化问题中有其特有的优势.首先对多目标优化问题进行了描述;然后结合研究现状讨论了目前几种主要的基于进化算法的多目标优化方法,以及它们的优缺点;最后给出了多目标进化优化算法的一些应用,以及进化多目标优化算法的未来发展方向.     

基于约束满足的多目标双足机器人动态步态参数优化*

目前的步态优化算法仅仅实现了对单一目标的优化,把双足机器人步态优化看做是多目标优化问题,构建了衡量稳定性、能量消耗、步行速度三个目标评价函数。考虑到直接对多个目标加权求和的方法不能很好地处理多目标问题,提出一种新的基于约束满足的多目标步态参数优化算法,其思想是把基于惩罚函数的SPEA2(strength Pareto evolutionary algorithm2 )应用到多目标双足机器人动态步态参数优化问题上,规划出了同时满足这三个目标的动态优化步态。通过仿真实验表明了算法的有效性。     

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。     

通过网格改进的基于指标的进化算法

设计一种高效的演化多目标优化算法,使其能获得一组同时具有优异的收敛性和多样性的解集是一项很困难的任务。为了能高效求解多目标优化问题,在基于指标的进化算法(IBEA)的基础上：1)引入基于目标空间网格的多样性保持策略,保证算法近似前沿具有优异的分布性;2)引入反向学习机制,同时评估当前解和当前解的反向解,期望能找到一组较优的解从而加快算法收敛。通过6个标准测试函数对改进算法进行测试,其结果表明改进算法可以有效逼近真实Pareto前沿并且分布均匀。     

Fuzzy preference-based multi-objective optimization method

Multiobjective evolutionary computation is still quite young and there are many open research problems. This paper is an attempt to design a hybridized Multiobjective Evolutionary Optimization Algorithm with fuzzy logic called Fuzzy Preference-Based Multi–Objective Optimization Method (FPMOM). FPMOM as an integrated components of Multiobjective Optimization Technique, Evolutionary Algorithm and Fuzzy Inference System able to search and filter the pareto-optimal and provide a good trade-off solution for the multiobjective problem using fuzzy inference method to choose the user intuitive based specific trade-off requirement. This paper will provide a new insight into the behaviourism of interactive Multiobjective Evolutionary Algorithm optimization problems using fuzzy inference method.     

多构造蚁群优化求解置换流水车间调度问题

针对置换流水车间调度问题,提出了一种多构造蚁群优化求解算法。在该算法中,蚁群采用两种方式构造解,分别是基于NEH(Nawaz-Enscore-Ham,NEH)启发式算法和Rajendran启发式算法,并根据解的质量,自适应地调整两种构造方式在蚁群中所占的比例。对置换流水车间调度问题的基准问题测试表明,提出的算法是有效的。     

Pareto optimization of a five-degree of freedom vehicle vibration model using a multi-objective uniform-diversity genetic algorithm (MUGA)

In this paper, a new multi-objective uniform-diversity genetic algorithm (MUGA) with a diversity preserving mechanism called the ε-elimination algorithm is used for Pareto optimization of a five-degree of freedom vehicle vibration model considering the five conflicting functions simultaneously. The important conflicting objective functions that have been considered in this work are, namely, seat acceleration, forward tire velocity, rear tire velocity, relative displacement between sprung mass and forward tire and relative displacement between sprung mass and rear tire. Further, different pairs of these objective functions have also been selected for 2-objective optimization processes. The comparison of the obtained results with those in the literature demonstrates the superiority of the results of this work. It is shown that the results of 5-objective optimization include those of 2-objective optimization and, therefore, provide more choices for optimal design of a vehicle vibration model.     

一种求解多车辆合乘匹配问题的适应性算法

车辆合乘匹配问题是研究如何通过优化车辆路线及车辆一乘客匹配来搭乘尽量多的乘客的问题。目前国内 外的研究多存在模型单一、脱离实际、算法效率不高等问题。针对该问题,提出一种基于吸引粒子群算法的问题求解 方法。通过吸引粒子群算法进行多车辆问题向单车辆问题的转化,形成车辆同乘客之间的初次匹配。根据初次匹配 结果利用先验聚类的思想将初次匹配结果进行排序,寻找较优需求序列排序方式。最后,通过相应的匹配再优化策略 将需求序列进行再优化。对比实验表明,基于吸引粒子群算法的问题求解方式能以较高的搭乘成功率以及较低的花 费完成车辆合乘匹配问题。     

Multi-objective evolutionary optimization of polynomial neural networks for modelling and prediction of explosive cutting process

In this paper, evolutionary algorithms (EAs) are deployed for multi-objective Pareto optimal design of group method of data handling (GMDH)-type neural networks which have been used for modelling an explosive cutting process using some input–output experimental data. In this way, multi-objective EAs (non-dominated sorting genetic algorithm, NSGA-II) with a new diversity-preserving mechanism are used for Pareto optimization of such GMDH-type neural networks. The important conflicting objectives of GMDH-type neural networks that are considered in this work are, namely, training error (TE), prediction error (PE), and number of neurons (N) of such neural networks. Different pairs of theses objective functions are selected for 2-objective optimization processes. Therefore, optimal Pareto fronts of such models are obtained in each case which exhibit the trade-off between the corresponding pair of conflicting objectives and, thus, provide different non-dominated optimal choices of GMDH-type neural networks models for explosive cutting process. Moreover, all the three objectives are considered in a 3-objective optimization process, which consequently leads to some more non-dominated choices of GMDH-type models representing the trade-offs among the training error, prediction error, and number of neurons (complexity of network), simultaneously. The overlay graphs of these Pareto fronts also reveal that the 3-objective results include those of the 2-objective results and, thus, provide more optimal choices for the multi-objective design of GMDH-type neural networks in terms of minimum training error, minimum prediction error, and minimum complexity.     

Global optimization of an optical chaotic system by Chaotic Multi Swarm Particle Swarm Optimization

The control and estimation of unknown parameters of chaotic systems are a daunting task till date from the perspective of nonlinear science. Inspired from ecological co-habitation, we propose a variant of Particle Swarm Optimization (PSO), known as Chaotic Multi Swarm Particle Swarm Optimization (CMS-PSO), by modifying the generic PSO with the help of the chaotic sequence for multi-dimension unknown parameter estimation and optimization by forming multiple cooperating swarms. This achieves load balancing by delegating the global optimizing task to concurrently operating swarms. We apply it successfully in estimating the unknown parameters of an autonomous chaotic laser system derived from Maxwell-Bloch equations. Numerical results and comparison demonstrate that for the given system parameters, CMS-PSO can identify the optimized parameters effectively evolving at each iteration to attain the pareto optimal solution with small population size and enhanced convergence speedup.     

一种双链结构的多目标进化算法DCMOEA

提出一种双链结构的多目标进化算法(DCMOEA).该算法采用双链结构表示个体,执行过程中无需设置外部归档集合,并采用ε支配策略保持解群的多样性.DCMOEA与MOEA/D、NSGA-II、SPEA2和PAES一同在4个2-目标ZDT函数和4个3-目标DTLZ问题上进行实验,并从算法所获解集的收敛性、分布均匀性和宽广性3个方面进行比较,仿真实验结果表明了DCMOEA的综合性能最好,是一种颇具竞争力的多目标进化算法.     

多子群入侵杂草优化算法研究及应用

针对入侵杂草优化算法(IWO)进化后期种群多样性、优势个体易陷入局部极值的问题,提出一种基于K-均值聚类的多子群入侵杂草优化算法(K-MSIWO)。该算法利用K-均值聚类算法将杂草种群分为3个子群,通过种内和种间竞争策略建立个体之间、子群之间的协同进化关系,提高杂草种群的多样性。当算法的收敛速度下降时,对种群中早熟的个体采用随机扰动的变异策略,帮助其跳出局部极值。基准函数测试结果表明,将该算法用于二阶和高阶系统的PID控制器参数整定,与遗传算法的整定结果相比,系统超调量分别下降33.2%和50%,具有较好的寻优精度和一致性。     

多策略粒子群优化算法

为了克服粒子群优化算法易早熟、局部搜索能力弱的问题,提出了一种改进的粒子群优化算法--多策略粒子群优化算法。在群体寻优过程中,各粒子根据搜索到的最优位置的变动情况,从几种备选的策略中抉择出当代的最优搜索策略。其中,最优粒子有最速下降策略、矫正下降策略和随机移动策略可以选择,非最优粒子有聚集策略和扩散策略可以选择。四个典型测试函数的数值实验结果表明,新提出的算法比标准粒子群优化算法具有更强和更稳定的全局搜索能力。