首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 46 毫秒

1.  多目标优化问题的有效Pareto最优集  被引次数:2
   黄斌  陈德礼《计算机与数字工程》,2009年第37卷第2期
   多目标优化问题求解是当前演化计算的一个重要研究方向,而基于Pareto最优概念的遗传算法更是研究的重点,然而,遗传算法在解决多目标优化问题上的缺陷却使得其往往得不到一个令人满意的解。在对该类算法研究的基础上提出了衡量Pareto最优解集的标准,并对如何满足这个标准提出了建议。    

2.  Pareto强度值演化算法求解多目标优化问题  被引次数:2
   杨林根  周育人  陈阳《现代计算机》,2005年第8期
   近年来,多目标优化问题求解已成为演化计算的一个重要研究方向,而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点.多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域.本文定义和使用稀松密度来保持群体中个体的均匀分布,并将个体的Pareto强度值和稀松密度合并到个体的适应值定义中.通过对测试函数的实验,验证了算法的可行性和有效性.    

3.  多目标演化算法  
   MO Hai-fang《数字社区&智能家居》,2008年第20期
   演化算法因其内在的并行行,在求解多目标优化问题时具有独特的优势。本文介绍多目标演化算法的基本原理,并详细讨论基于Pareto最优概念的多目标演化算法。    

4.  Pareto-MEC算法及其收敛性分析  
   周秀玲  孙承意《计算机工程》,2007年第33卷第10期
   介绍了一种新的多目标进化算法——Pareto-MEC。将基本MEC和Pareto思想结合起来处理多目标问题。提出了局部Pareto最优解集与局部Pareto最优态集概念,并利用概率论的基本理论证明了趋同过程产生的序列强收敛于局部Pareto最优态集。数值试验验证了Pareto-MEC算法的有效性。    

5.  一个多目标优化演化算法的收敛性分析框架*  被引次数:4
   覃俊  康立山《计算机应用研究》,2005年第22卷第2期
   由于演化算法求解多目标优化问题所得结果是一个优化解集——Pareto最优集,而现有的演化算法收敛性分析只适合针对单目标优化问题的单个。用有限马尔科夫链给出了演化算法求解多目标优化问题的收敛性分析框架,并给出了一个分析实例。    

6.  基于Pareto最优的电力系统多目标优化研究  
   陈深  陈育成  刘文胜《黑龙江电力》,2015年第37卷第1期
   针对基于Pareto最优的电力系统多目标优化问题研究进行了综述。首先对Pareto多目标优化问题进行概述,其次对基于Pareto最优的电力系统多目标优化问题的处理方法进行分析,并归纳了目前求解该领域Pareto最优的MOEA、ε-MOEA、SPEA、NSGA-II、NPGA和MOPSO智能优化算法的特点。最后对基于Pareto最优的电力系统多目标优化的研究趋势和发展方向进行了展望。    

7.  基于Pareto最优概念的多目标进化算法研究  被引次数:1
   王向慧  连志春  徐志英  唐云岚《计算机工程与应用》,2008年第44卷第27期
   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,重点阐述了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,并归纳了算法性能评估中需要进一步研究的几个问题。    

8.  模拟退火算法与遗传算法结合及多目标优化求解研究  被引次数:2
   胡静  李金龙  曹先彬《计算机应用与软件》,2000年第17卷第11期
   多目标优化问题是目前遗传算法应用研究的一个重点。本文针对经典遗传算法在多目标优化计算中,难以获得足够的比较均匀的Pareto优集的不足,提出一种热力学遗传算法,研究热力学中熵和温度的概念,并综合利用约束交叉、适应度共享技术来进行目标函数的优化计算。实验结果显示,这种改进型遗传算法能得到一个较好的Pareto优集。    

9.  Pareto最优概念的多目标进化算法综述  被引次数:1
   唐云岚  赵青松  高妍方  陈英武《计算机科学》,2008年第35卷第10期
   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.    

10.  基于ε占优的正交多目标差分演化算法研究  被引次数:2
   龚文引  蔡之华《计算机研究与发展》,2009年第46卷第4期
   演化多目标优化是目前演化计算中热门研究方向之一.但是,要设计一种高效、鲁棒的演化多目标优化算法,使其找到接近最优和完整的非劣解集是一项很困难的任务.为了能有效求解多目标优化问题,提出了一种新的多目标差分演化算法.新算法具有如下特征:1)利用正交实验设计和连续空间量化的方法产生初始群体,使得初始群体中的个体可以均匀分布于搜索空间,并且可以使好的个体在演化过程中得到利用;2)采用Archive群体保存非劣解,并利用ε占优方法更新Archive群体,从而可以使算法较快获得分布很好的Pareto解集;3)为了加快算法收敛,提出一种基于随机选择和精英选择的混合选择机制.通过8个标准测试函数对新算法进行测试,并与其他一些多目标演化算法进行比较,其结果表明新算法可以有效逼近真实Pareto前沿且分布均匀,并且在收敛性和多样性的求解精度和稳    

11.  基于多目标遗传算法的水资源优化配置  被引次数:5
   郑海利  鞠勤国  刘美侠  郑文超《东北水利水电》,2011年第29卷第5期
   文章基于进化计算思想提出了水资源优化配置的多目标遗传算法,建立了基于并列选择多目标遗传算法的水资源优化配置模型。并结合实例分析,求出水资源优化配置问题的Pareto最优解。优化结果表明,该算法应用在水资源优化配置中是合理、有效的。    

12.  基于非支配排序遗传算法的变速器多目标优化设计  被引次数:1
   范钦满  吴永海  徐诚《机械设计》,2008年第25卷第12期
   以某新型货车变速器为研究对象,基于多目标遗传算法和有限元法,建立其多目标优化模型,包括优化数学模型和参数化的有限元模型,以多学科优化软件iSIGHT为平台,集成有限元软件ANSYS,使用基于Pareto最优概念的非支配排序遗传算法,寻求变速器在最小体积、最大传动总重合度和最小中心距目标下的最优结构设计方案,并获得了问题的Pareto最优解集.文中提出的分析方法能够有效地解决复杂结构的多参数多目标优化问题.    

13.  多目标量子编码遗传算法  被引次数:4
   邹谊  魏文龙  李斌  肖金超  庄镇泉《电子与信息学报》,2007年第29卷第11期
   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.该文提出一种基于量子遗传算法的多目标优化算法,利用量子遗传算法的高效全局搜索能力,在整个解空间内快速搜索多目标函数的Pareto最优解,利用量子遗传算法维持解集多样性的特点,使搜索到的Pareto最优解在前沿均匀分布.通过求解带约束的多目标函数优化问题,对该文算法的多目标优化性能进行了考察,并与NSGAII,PAES,MOPSO和Ray-Tai-Seow's算法等知名多目标优化算法进行比较,结果证明了该文算法的有效性和先进性.    

14.  柔性作业车间多目标调度优化研究  
   刘晓霞  谢里阳  陶泽  郝长中《东北工学院学报》,2008年第29卷第3期
   研究了多目标柔性作业车间调度问题(FJSP),提出了一种基于Pareto的混合遗传算法,并建立了包括生产周期、总拖期时间和机床负载在内的多目标优化模型.该算法采用基于工序的编码方式和活动化解码方法,将Pareto排序策略与Pareto竞争方法结合起来.为了保证解的多样性,采用小生境技术并同时使用多种交叉方法,用Pareto解集过滤器保存进化过程中的最优个体,防止最优解的遗失.算法最后给出问题的Pareto最优解集.仿真试验证明,提出的混合遗传算法可以有效解决多目标FJSP.    

15.  基于Pareto熵的多目标粒子群优化算法  被引次数:3
   胡旺  Gary G. YEN  张鑫《软件学报》,2014年第25卷第5期
   粒子群优化算法因形式简洁、收敛快速和参数调节机制灵活等优点,同时一次运行可得到多个解,且能逼近非凸或不连续的Pareto最优前端,因而被认为是求解多目标优化问题最具潜力的方法之一.但当粒子群优化算法从单目标问题扩展到多目标问题时,Pareto最优解集的存储与维护、全局和个体最优解的选择以及开发与开采的平衡等问题亦随之出现.通过目标空间变换方法,采用Pareto前端在被称为平行格坐标系统的新目标空间中的分布熵及差熵评估种群的多样性及进化状态,并以此为反馈信息来设计进化策略,使得算法能够兼顾近似Pareto前端的收敛性和多样性.同时,引入格占优和格距离密度的概念来评估Pareto最优解的个体环境适应度,以此建立外部档案更新方法和全局最优解选择机制,最终形成了基于Pareto熵的多目标粒子群优化算法.实验结果表明:在IGD性能指标上,与另外8种对等算法相比,该算法在由ZDT和DTLZ系列组成的12个多目标测试问题集中表现出了显著的性能优势.    

16.  遗传算法在多目标优化应用中的对比研究  被引次数:2
   宋立敏  贾小平  韩方煜《计算机与应用化学》,2005年第22卷第11期
   多目标优化应用研究在过程工程领域越来越受重视。本文首先给出了多目标优化问题的一般形式,指出多目标问题求解任务:引导搜索向整个的Pareto优化范围;Pareto优化前沿上保持解集的多样性。在简要论述遗传算法求解多目标技术的基础上,对应用了遗传算法求解多目标的两种方法进行了对比研究,并给出了线性加权遗传算法和一种多目标遗传算法的计算框图。指出线性加权法求解Pareto最优解时不能不能很好地处理非凸区域、均匀分布的权重值不能生成均匀分布的Pareto前沿等局限性,以及多目标遗传算法生成种群多样性及Pareto最优解均匀分布的优点,并用实例进行了验证说明。    

17.  多个体参与交叉的Pareto多目标遗传算法  被引次数:25
   朱学军  薛量  李峻  陈彤《电子学报》,2001年第29卷第1期
    Pareto多目标遗传算法是利用Pareto最优的概念发展出的一种求解多目标优化问题的向量优化方法,能够得到Pareto最优解集.由于采用常规的两个体参与交叉的遗传算法,使整个算法耗费在小生境(Niche)算子上的时间太多,导致算法的效率较低.本文发展出多个体参与交叉的Pareto多目标遗传算法,群体中的个体采用真实值表示,使该算法的速度大大提高,同时证明了相应的模式定理,并提出用方差和熵来分析该算法对解群多样性的影响.最后用算例说明了采用多个体参与交叉的Pareto多目标遗传算法与常规算法比较的结果,证明了本文提出算法的优越性.    

18.  基于免疫应答原理的多目标优化免疫算法及其应用  被引次数:12
   黄席樾  张著洪《信息与控制》,2003年第32卷第3期
   基于免疫应答原理,合理地构建免疫算子及引入一种新的小生境技术, 提出一种解决多目标优化问题的免疫算法. 在此算法中,将优化问题的可行解对应抗体及Pareto最优个体对应抗原,这种抗原存于抗原群中,并应用新的聚类算法不断更新抗原群中的抗原, 进而获大量的Pareto最优解, 这些解能很好地分布在Pareto面(此指由Pareto最优解构成)上. 理论证明了该算法能获Pareto最优解. 最后,将该文的算法与文献\[3\]的算法SPEA进行仿真比较, 获该算法的有效性, 此表明免疫算法解决多目标优化问题具有广阔的前景.    

19.  基于多父体杂交的多目标演化优化算法  被引次数:2
   陈文平  康立山《计算机工程与应用》,2003年第39卷第10期
   多目标优化问题是演化计算领域的一个新热点,提出了一种求解Pareto最优解集的新算法,它既能较快地收敛,又能有效保持种群的多样性,新算法引入“约束占优”的概念;采用多父体杂交算子(一种多父体非凸线性组合算子),最小淘汰压力策略(每次只淘汰群体中的一个最差个体),以及适应值共享的niche技术,这样既保证了近似解集对Pareto前沿的逼近,又保持了解集分布的均匀性,对一些代表性的Bench Mark问题(包括凸的与非凸的,连续的与间断的,带约束的与不带约束的各种问题)数值试验都取得了很好的结果。    

20.  基于多目标进化算法的锅炉热损失优化研究  
   刘定平  陈敏生《自动化仪表》,2006年第27卷第6期
   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.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号