基于ε-支配的多目标进化算法及自适应ε调整策略

提出了一类新的基于ε-支配关系的多目标进化算法.该算法采用配对比较选择和稳态替换策略,提高了算法的收敛速度,降低了计算时间.首先,在保持种群分布性上,采用了一种新的基于ε-支配关系的精英保留策略,避免了传统修剪策略所引起的Pareto前沿面的退化.其次,根据不同ε取值分析了算法收敛性,提出了一种自适应ε调整策略.最后,通过5个常用的双目标测试函数的计算,验证了包括该自适应调整策略的多目标进化算法在求解质量上显著强于NSGAII,SPEA2和ε-MOEA等主流多目标进化算法.     

基于新的网格存优策略的多目标归档算法

网格方法被多个进化算法用来保持解集的分布性。基于ε支配概念的ε-MOEA本质上也是基于网格策略的。虽然ε-MOEA通常情况下都能在算法性能的各方面之间取得较为合理的折衷,但是由于其存在固有缺陷,很多时候表现出不容忽视的问题——当PFtrue对某一维的变化率在该维不同区域的差异较大时,解集中边界个体或代表性个体丢失——严重影响解集的分布性。针对这一问题,定义了一种新的δ支配概念和虚拟"最优点"的概念,提出了一种新的网格存优策略,并将之应用于更新进化多目标归档算法的归档集。实验结果显示,基于新的存优策略的进化多目标归档算法(δ-MOEA)具有良好的性能,尤其在分布性方面比NSGA2和ε-MOEA好得多。     

基于动态ε支配的多目标遗传算法

基于Pareto支配的MOEA存在着一些缺陷,如容易出现退化现象等。而基于ε支配的MOEA可以比较好地解决这些问题,并具有比较理想的收敛性和分布性。但是采用传统的ε-MOEA时,最大的困难就是ε的值的设定,并且传统的MOEA得出的解在边界部分个体的丢失现象也比较严重。针对这种情况提出了一种新的基于动态ε支配的多目标遗传算法(DEMOEA),它不需要手动设定ε的值,并且引入了动态网格概念来改善边界解丢失的现象。通过与其他两个经典的多目标进化算法的NSAGA-Ⅱ和SPEA-2的对比实验,表明提出的DEMOEA能在收敛性、分布性有较好的改进。     

一种基于ε-支配的多目标自组织迁移算法

提出一种基于ε-支配关系的多目标自组织迁移算法.首先对基于混合迁移行为的自组织迁移算法进行改进,将全面学习的思想引入个体的迁移过程中,使得个体的每个分量都可以向其他个体学习,从而进行充分的信息交换;通过引入学习因子扩展个体的迁移方向,使得步长可灵活变化,进而利用改进算法快速搜索多目标函数的Pareto最优解,并采用ε-支配关系以保持种群分布性;最后通过实验分析表明了所提出方法的有效性.     

多目标进化算法中基于角度偏好的ε-Pareto支配策略

利用参考点及角度值引入决策者的偏好信息,采用角度偏好区域设定方法将目标空间划分为偏好区域和非偏好区域,提出一种能区分偏好区域和非偏好区域中非支配解的支配策略——角度偏好的ε-Pareto支配策略.为验证所提出的支配策略的有效性,将其融入基于ε支配的多目标进化算法(ε-MOEA)中,形成AP-ε-MOEA.通过与融入G支配的G-NSGA-II和融入R支配的R-NSGA-II的性能对比实验表明,AP-ε-MOEA在以较快速度收敛到Pareto最优边界的同时,能较好满足决策者偏好.     

一种基于正态分布交叉的ε-MOEA

实数编码的多目标进化算法常使用模拟二进制交叉(simulated binary crossover,简称SBX)算子.通过对SBX以及进化策略中变异算子进行对比分析,并引入进化策略中的离散重组算子,提出了一种正态分布交叉(normal distribution crossover,简称NDX)算子.首先在一维搜索空间实例中对NDX与SBX算子进行比较和分析,然后将NDX算子应用于Deb等人提出的稳态多目标进化算法ε-MOEA(ε-dominance based multiobjective evolutionary algorithm)中.采用NDX算子的ε-MOEA(记为ε-MOEA/NDX)算法在多目标优化标准测试集ZDT和DTLZ的10个函数上进行了实验比较.实验结果和分析表明,采用NDX的?-MOEA所求得的Pareto最优解集质量明显优于经典算法ε-MOEA/SBX和NSGA-II.     

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。     

一种基于相似个体的多目标进化算法

分布性保持是多目标进化算法研究的一个重要方面,一个好的分布性能给决策者提供更多合理有效的选择。Pareto最优解的分布性主要体现在分布广度与均匀性两个方面。提出一种基于相似个体的多目标进化算法(SMOEA)。在种群维护中删除相似程度最大的个体;在进化操作中,选取了相似程度最大的个体进行进化。与目前经典算法NSGA-II和ε-MOEA进行比较,结果表明新算法拥有良好的分布性,同时也较好的改善了收敛性。     

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.     

基于空间距离的多目标差分进化算法*

在经典差分进化的基础上,提出了一种基于空间距离的多目标差分进化算法(SD-MODE),与目前经典算法NSGA-Ⅱ和ε-MOEA 进行比较,结果表明该算法拥有良好的分布性,同时也较好地改善了收敛性。     

HMOFA:一种混合型多目标萤火虫算法

现实中不断涌现出数目众多且日益复杂的多目标优化问题,迫切需要发展新型多目标优化算法以应对挑战.将基本萤火虫算法拓展至多目标优化领域,提出一种混合型多目标萤火虫算法HMOFA（hybrid multi-objective firefly algorithm）.该算法提出使用混合水平正交实验设计和连续决策空间量化的方法生成接近于用户指定规模且均匀分布于搜索空间的初始种群,为后续的进化提供良好的起始点;利用外部档案中的精英解个体引导萤火虫移动,促使算法较快收敛;运用3点最短路径方法维持外部档案的多样性.HMOFA算法与另外5种代表性多目标进化算法一同在17个基准多目标测试题上进行性能比较,实验结果表明,HMOFA算法在收敛性、多样性和鲁棒性方面总体上具有较显著的性能优势.     

面向多目标优化的适应度共享免疫克隆算法

多目标优化的日标在于使得解集能够快速的逼近真实Pareto前沿.针对解的分布性问题,以免疫克隆算法为框架,引入适应度共享策略,提出了一种新的具有良好分布性保持的多目标优化进化算法;算法建立外部群体以保存非支配解,以Pareto优和共亨适应度作为外部群体更新与激活抗体选择的双重标准.为了增强算法对决策空间的开发能力,引入...     

NSGA-II中一种改进的分布性保持策略

NSGA-II以其良好的收敛性和时间效率广泛应用于多目标优化中,然而其基于聚集距离的种群维护策略并不能很好地保持解集的分布性。提出一种改进的分布性保持策略,设置随种群密集程度自适应变化的阈值,动态地维护种群,使得分布性优秀的个体有更大的生存机会。与NSGA-II和ε-MOEA在5个测试函数上进行比较实验,结果表明改进算法在有效提高分布性的同时,拥有良好的收敛性。     

基于改进K 支配排序的高维多目标进化算法

为提高4目标以上高维多目标优化问题的求解性能,提出一种基于改进K支配排序的高维多目标进化算法(KS-MODE).该算法针对K支配的支配关系和排序方法进行改进,避免循环支配并增强选择压力;设计新的全局密度估计方法提高局部密度估计精确性;设计新的精英选择策略和适应度值评价函数;采用CAO局部搜索算子加速收敛.在4～30个目标标准测试函数上的实验结果表明,KS-MODE能够在保证解集分布性的同时大幅提升收敛性和稳定性,能够有效求解高维多目标优化问题.     

改进的约束多目标粒子群算法

在约束优化问题搜索空间分析的基础上提出了一种改进的约束多目标粒子群算法（CMOPSO）。提出一种动态ε不可行度许可约束支配关系作为主要约束的处理方法,提高了算法的边缘搜索能力和跨越非联通可行区域的能力。设计了一种新的密集距离度量方法用于外部档案维护,提高了算法的效率;提出了新的全局向导选取策略,使算法获得了更好的收敛性和多样性。数值仿真实验结果表明约束多目标粒子群算法算法可得到分布性、均匀性及逼近性都较好的Pareto最优解。     

混合分解和强度帕累托多目标进化算法

在多目标进化优化中,使用分解策略的基于分解的多目标进化算法(MOEA/D)时间复杂度低,使用〖BP(〗强度帕累托策略的〖BP)〗强度帕累托进化算法-2(SPEA2)能得到分布均匀的解集。结合这两种策略,提出一种新的多目标进化算法用于求解具有复杂、不连续的帕累托前沿的多目标优化问题(MOP)。首先,利用分解策略快速逼近帕累托前沿;然后,利用强度帕累托策略使解集均匀分布在帕累托前沿,利用解集重置分解策略中的权重向量集,使其适配于特定的帕累托前沿;最后,利用分解策略进一步逼近帕累托前沿。使用的反向世代距离(IGD)作为度量标准,将新算法与MOEA/D、SPEA2和paλ-MOEA/D在12个基准问题上进行性能对比。实验结果表明该算法性能在7个基准问题上最优,在5个基准问题上接近于最优,且无论MOP的帕累托前沿是简单或复杂、连续或不连续的,该算法均能生成分布均匀的解集。