随机小生境遗传算法求解多目标优化问题

针对广东省某县区域经济发展的现状,提出了改进的经济多目标优化模型。针对实际系统提出了随机小生境Pareto遗传算法(RNPGA),并将之应用于区域模型的计算与仿真。仿真结果表明了此方法的有效性与先进性。     

求解多目标优化问题的新遗传算法

给出了求解多目标优化问题的一种新解法。定义了多目标优化问题的非劣方向,设计了方向杂交算子和简单的变异算子。标准算例的计算机仿真结果表明,新算法可以快速地找到一组范围广、分布均匀且数量充足的Pareto最优解。     

一种新的求解多目标优化问题的遗传算法

提出一种新的求解多目标优化问题的算法-GGGA。该算法运用几何斜率Pareto选择的精英策略,多个子种群从求解目标的不同方向进行区域演化,并借鉴了郭涛算法的多父体杂交算子。数据实验表明这是一种可行的有效算法。算法避免了基于Pareto占优比较的复杂性,在解空间的多样性和快速收敛性方面也显示出优越性。     

一种新的求解约束多目标优化问题的遗传算法

由于采用罚函数法将有约束多目标优化问题转化为无约束多目标优化问题会使求解不合理,因此,文章首先在无约束Pareto排序遗传算法的基础上,提出了一个简单、实用的能分别考虑目标函数和约束函数,而又可以避免采用罚函数的全新排序方法。接着,针对小生境技术在遗传后期依旧会出现遗传漂移现象和共享半径不易确定等缺陷,提出了一种易于实现的超量惩罚策略来替代小生境技术,用以改进种群的多样性。此外,还采用了Pareto解集过滤器、邻域变异和群体重组等策略对算法的寻优能力进行改进,并最终形成了一种求解有约束多目标优化问题的Pareto遗传算法(CMOPGA),还给出了具体的算法流程图。最后采用两个数值算例对算法的求解性能进行了测试。数值试验表明,采用CMOPGA可方便地求得问题的Pareto前沿,并能使求得的Pareto最优解集具有可靠、均布、多样等特点。     

基于遗传算法求解多目标优化问题Pareto前沿

该文给出了传统的求解多目标优化方法存在的问题,引入了当前研究多目标优化的新方法———基于遗传算法求解问题的pareto解,讨论了该方法要解决的关键问题———多样性保持及解决策略,并给出了一个求解pareto解集的新算法,算法简单、高效、鲁棒性强。最后给出了实验结果。     

一种多策略并行遗传算法及其收敛性分析

为解决传统遗传算法收敛速度慢、群体多样性不足的缺陷,提出了一种多策略并行的遗传算法;算法采用多策略并行处理的方式,产生不同策略模式下的个体,增加群体的多样性,再经过自适应迁移策略,提高算法的收敛速度;利用Markov链模型分析多策略并行遗传算法的收敛性;采用旅行商函数进行算法测试,结果表明改进算法的收敛性较传统遗传算法有较大的提高,具有较强的工程应用性能。     

求解约束优化问题的一种复合形遗传算法

研究约束优化问题是科学和工程应用领域经常会遇到的一类数学规划问题.现有的约束优化进化算法,通常的解决办法是将等式约束条件转化为成对的不等式约束条件来处理,转换会使得可行域的拓扑结构变化显著,直接影响了算法性能和解的精度.为解决上述问题,提出了一种改进的处理约束优化问题的新算法.新算法将约束优化问题转化为多目标优化问题,把复合形法嵌入到遗传算法中,通过将全局搜索和局部搜索机制有机地结合,利用遗传算法全局性好和复合形法快速高效的特点,以加快最优解的搜索进程.仿真结果表明,方法既有复合形法快速高效的特点,又有遗传算法全局性好的特点.与标准遗传算法相比,方法具有良好的求解约束优化性能和精度效果.     

多目标遗传算法求解认知无线电性能优化问题

认知无线电的性能优化是一个动态多目标优化问题。现有的Bio-CR模型基于遗传算法优化认知无线电的性能,它使用线性加权方法将此多目标优化问题简化为了一个单目标优化问题。针对Bio-CR很难确定每个适应度函数的权值和容易漏掉一些最优解的问题,提出了基于多目标遗传算法的认知无线电性能优化算法CREA。CREA能够根据信道条件和用户服务需求的变化动态地调整传输参数以优化性能,不仅克服了Bio-CR的两个缺点,而且通过保存计算结果进一步减少了遗传算法的运行次数。CREA首先根据信道条件的变化动态确定一组适应度函数,然后运行多目标遗传算法获得一个Pareto-optimal set,最后根据用户服务需求从中选出一个最满意解,并通知认知无线电更新自己的传输参数。Matlab仿真实验证明了CREA的正确性和有效性。     

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。     

一种新的求解多目标优化问题的混合遗传算法

分析了遗传算法和单纯形算法的特点，充分利用二者的优点，把单纯形算法作为一种局部搜索方法与变权系数遗传算法有机地结合起来，提出了一种求解多目标优化问题的混合遗传算法。数值实验表明该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。     

解约束多目标优化问题的一种鲁棒的进化算法

将约束条件与目标函数融合在一起,对有约束的多目标优化问题(MOP)建立了一种新的偏序关系,引入了约束占优的定义,并证明了在新的偏序关系意义下的Pareto最优集就是满足约束条件的Pareto最优集,从而在对种群中的个体进行评估或排序时,并不需要特别去关心个体是否可行,避免了罚函数选择参数的困难,尝试应用有限Markov链的有关理论证明了此进化算法的收敛性,用较复杂的Benchmark函数进行了大量的数值实验,测试结果表明新算法在解集分布的均匀性、多样性以及快速收敛性均较理想。     

遗传退火算法及收敛性分析

针对模拟退火算法收敛速度慢和遗传算法存在种群退化问题, 将二者有机地结合在一起, 提出了遗传退火算法, 证明了该算法的收敛性. 仿真结果表明, 遗传退火算法既克服了模拟退火算法收敛速度慢, 又解决了遗传算法中种群退化问题. 该算法不仅适用于一般的组合优化问题, 也适用于目标函数不确定和可变的情况.     

多目标演化算法的收敛性研究

基于群体搜索的演化算法求解多目标优化问题有独特的优势,多目标演化算法已有的研究大多为算法的设计和数值试验效果的比较,理论研究往往被忽视．该文讨论了多目标演化算法的收敛性问题,针对一种网格化的简单易于实现的多目标演化算法模型定义了多目标演化算法强收敛和弱收敛等概念,给出了判断算法收敛性的一般性条件;在变异算子为高斯变异、目标函数连续的条件下,证明了提出的算法强收敛．数值实验验证了算法的可行性和有效性．     

基于遗传算法的多目标电梯紧急疏散问题

(超)高层建筑高度的增加,使得人们仅通过楼梯间疏散的时间显著增加.电梯技术的提高使得在发生突发事件时使用电梯辅助疏散技术成为可能,这样可以极大提高建筑中人员疏散效率和安全性.仅考虑疏散时间最短的单电梯紧急疏散调度问题(Single Elevator Scheduling for Emergency Evacuation,S-ESEE)已经被证明是NP难问题,但模型中未考虑电梯数量的限制.本文提出一种最小化疏散时间和往返次数的多目标模型,并采用遗传算法计算避免陷入局部最优解,并且为节省运算时间将人群数量、电梯停靠损失等固定值单独计算,通过增加电梯停靠约束降低算法时间复杂度.通过数值分析结果表明:在楼层数较少时,两种算法差别不大;但随着疏散楼层数量的增加,本文算法可以获得更优解.     

最优保留遗传算法及其收敛性分析

最优保留ＧＡ（ＥＧＡ）是目前ＧＡ收敛性研究中比较典型的一类。在已有研究成果的基础上给出了ＥＧＡ更一般的规范化定义,指明了ＥＧＡ全局收敛的本质及其两种实现方式,并分别对它们进行了收敛性分析。最后提出一种变形的全局收敛的ＥＧＡ。     

一种新型多目标遗传优化算法及其应用研究

文章针对一般约束多目标优化问题，在设计了新的适应度函数和选择算子的基础上，提出一种新型多目标遗传算法。将其应用于集群目标靶场效能优化问题，验证了算法的有效性。     

遗传算法的收敛性研究

遗传算法的收敛性分析是遗传算法研究中的重要问题,直接关系到遗传算法的实际应用价值。给出遗传算法全局收敛性的定义,描述当前遗传算法收敛性分析的主要模型,对自适应遗传算法、并行遗传算法、小生境遗传算法等典型遗传算法的收敛性进行分析,给出相关的研究结果,并指出遗传算法收敛性研究的未来发展方向。研究结果对提高遗传算法收敛性具有参考价值。     

解多目标优化问题的新粒子群优化算法

通过定义的粒子序值方差和U-度量方差,把对任意多个目标函数的优化问题转化成为两个目标函数的优化问题。继而把Pareto最优与粒子群优化(PSO)算法相结合,对转化后的优化问题提出了一种新的多目标粒子群优化算法,并证明了其收敛性。新方法用较少计算量便可以求出一组在最优解集合中分布均匀且数量充足的最优解。计算机仿真表明该算法对不同的试验函数均可用较少计算量求出在最优解集合中分布均匀且数量充足的最优解。     

一种基于偏好的多目标调和遗传算法

最近涌现了各种进化方法来解决多目标优化问题,多数方法使用Pareto优胜关系作为选择策略而没有采用偏好信息.这些算法不能有效处理目标数目许多时的优化问题.通过在不同准则之间引入偏好来解决该问题,提出一种多目标调和遗传算法MOCGA(multi-objective concordance genetic algorithm).当同时待优化的目标数目增加时,根据决策者提供的信息使用弱优胜关系进行个体优劣的比较.这种算法被证明为能收敛至全局最优.对于目标数目为很多的优化问题,测试实验结果表明了这种新算法的有效性.