基于免疫的多目标优化遗传算法*

提出一种基于免疫的多目标优化遗传算法.该算法模仿生物免疫系统过程,使用克隆选择算子和高斯变异算子提高了搜索效率和收敛性;创建了一个记忆细胞集来保存每代所产生的Pareto最优解,以便产生Pareto最优解集;提出一种有别于传统聚类算法的邻近排挤算法对记忆细胞集进行不断的更新及删除,保证了Pareto最优解集的分布均匀性.最后将该算法与SPEA算法分别进行了仿真,通过比较两者的收敛性和分布性,得到前者优于后者的结论.     

基于免疫算法的网络基站规划优化

针对传统网络基站规划方法的不足,提出一种基于免疫算法的优化方法。使用多目标优化方法对基站规划问题进行数学建模,免疫优化算法采用浓度调节选择概率机制、邻近排挤算法、循环交叉和改进的变异操作,能保证解的多样性以及Pareto最优解集均匀分布在前沿面上。仿真结果表明,该算法能够有效获得最优的基站分布方案,覆盖率达到97.6%。     

一种改进的多目标混合差分进化算法

将差分进化算法（DE）用于多目标优化问题,提出了一种精英保留和进化进程中非支配解集迁移操作的差分进化算法,以保证所求得多目标优化问题Pareto最优解的多样性。采用双群体约束处理技术,构建进化群体的Pareto非支配解外部存档集,并进行基于非支配解集的迁移操作,以增加非支配解的数目和质量。用多个经典测试函数测试的结果表明,与标准DE相比,该方法收敛到问题的Pareto前沿效果良好,能有效保持Pareto最优解多样性与收敛之间的平衡。     

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

基于动态Pareto解集的微粒群优化算法及其在多目标规划中的应用

在传统的微粒群优化算法的基础上,提出了一种基于动态Pareto解集的求解多目标规划问题的方法。Pareto解集在每次迭代过程中进行动态更新和信息共享,在加入新产生的Pareto近似最优解同时去除解集中已经不是Pareto解的数据,每个个体随机地与Pareto解集中的结果进行信息交换,从而保证在快速找到Pareto解的同时保持多样性。并通过三个标准的测试函数证明了算法的有效性。     

记忆增强的动态多目标分解进化算法

现实世界中的一些多目标优化问题经常受动态环境影响而不断发生变化,要求优化算法不断地及时跟踪时变的Pareto 最优解集.提出了一种记忆增强的动态多目标分解进化算法.将动态多目标优化问题分解为若干个动态单目标优化子问题并同时优化这些子问题,以便快速逼近Pareto 最优解集.给出了一个改进的环境变化检测算子,以便更好地检测环境变化.设计了一种基于子问题的串式记忆方法,利用过去类似环境下搜索到的最优解来有效地响应新的环境变化.在8 个标准的测试问题上,将新算法与其他3 种记忆增强的动态进化多目标优化算法进行了实验比较.结果表明,新算法比其他3 种算法具有更快的运行速度、更强的记忆能力与鲁棒性能,并且新算法所获得的解集还具有更好的收敛性与分布性.     

混合多目标粒子群优化算法在热精轧负荷分配优化中的应用

通过对热精轧负荷分配过程的分析,选取负荷均衡、板形良好和轧制功率最低为目标,建立了热精轧负荷分配多目标优化模型.为了提高多目标优化算法解集的分布性和收敛性,提出了一种混合多目标粒子群优化算法(HMOPSO),该算法根据Pareto支配关系得到Pareto前沿进而保证种群收敛;采用分解策略维护外部存档,该策略首先根据Pareto前沿求出上界点对目标空间进行归一化处理,然后对种群进行分区处理进而保证种群的分布性能.仿真结果表明,HMOPSO的收敛性和分布性都好于MOPSO和d MOPSO;采用模糊多属性决策的方法从Pareto最优解集中选择一个Pareto最优解,通过与经验负荷分配方法相比,表明该Pareto最优解可以使轧制方案更加合理.     

基于Pareto烟花算法的模糊分类系统设计

为提高模糊模型的精确性,利用烟花算法并结合Pareto最优解集的概念,提出一种模糊建模方法。采用模糊聚类方式构建初始模糊模型,使用烟花算法对模型的结构和参数进行优化学习。在每次迭代运算过程中,通过快速非支配排序算法和Pareto最优解集的概念对子代进行评估和选择。对Wine数据样本集进行仿真实验,结果表明,该方法能够在保证较高分类精度的前提下,建立结构简单、易于理解的模糊分类系统。     

一种新的多目标改进和声搜索优化算法

针对标准和声搜索算法存在收敛不稳定及不能用于多目标优化问题的缺陷,通过引入交叉算子、自适应记忆内搜索概率和调节概率,改进了传统的和声搜索算法;根据Pareto支配关系,结合算法和声记忆库内信息完全共享的特性,提出了基于动态Pareto最优前沿的能够求解多目标优化问题的多目标改进和声搜索算法。通过几个典型函数的仿真测试表明,提出的算法能够高效稳定地收敛于Pareto最优前沿,获得分布均匀的Pareto解集。     

基于分类的多策略预测方法求解动态多目标优化问题

实际生活中存在很多动态多目标优化问题,一旦环境发生变化,就要求进化算法能快速地跟踪优化问题随时间移动的Pareto前沿或Pareto解集.对此,提出一种基于分类的多策略预测方法(CMSP).首先,利用优化得到的近似最优解来检测Pareto解集(PS)的变化类型:不变、平移和其他.然后,针对不同的变化类型,采取不同的应对策略:若为不变,则保留精英个体,并保证多样性;若为平移,则对最优解集的中心点建立时间序列,通过预测梯度策略更新种群,将预测的个体与从旧种群中保留下来的个体进行比较,以保证预测的准确性;若为其他,则对多个特殊点建立时间序列以预测新环境中个体的位置.最后,引入种群保留策略和记忆恢复策略,有利于更充分地利用历史信息.实验结果表明,CMSP可以很好地进行动态多目标优化.     

基于Pareto的快速多目标克隆选择算法*

基于免疫系统中克隆选择原理,提出了一种多目标克隆选择算法MCSA。该方法只对部分当前所得到的Pareto最优解进行进化操作,所求得的Pareto最优解保留在一个不断更新的外部记忆库中,并选用一种简单的多样性保存机制来保证其具有良好的分布特征。实验结果表明,该方法能够很快地收敛到Pareto最优前沿面,同时较好地保持解的多样性和分布的均匀性。对于公认的多目标benchmark问题,MCSA在解集分布的均匀性、多样性与解的精确性及算法收敛速度等方面均优于SPEA、NSGA-II等算法。     

Evolutionary multiobjective optimization for base station transmitter placement with frequency assignment

We propose a new solution to the problem of positioning base station transmitters of a mobile phone network and assigning frequencies to the transmitters, both in an optimal way. Since an exact solution cannot be expected to run in polynomial time for all interesting versions of this problem (they are all NP-hard), our algorithm follows a heuristic approach based on the evolutionary paradigm. For this evolution to be efficient, i.e., goal-oriented and sufficiently random at the same time, problem-specific knowledge is embedded in the operators. The problem requires both the minimization of the cost and of the channel interference. We examine and compare two standard multiobjective techniques and a new algorithm - the steady-state evolutionary algorithm with Pareto tournaments. One major finding of the empirical investigation is a strong influence of the choice of the multiobjective selection method on the utility of the problem-specific recombination leading to a significant difference in the solution quality.     

基于Pareto的多目标进化免疫算法*

提出一种新的基于Pareto多目标进化免疫算法（PMEIA）。算法在每一代进化群体中选取最优非支配抗体保存到记忆细胞文档中;同时引入Parzen 窗估计法计算记忆细胞的熵值,根据熵值对记忆细胞文档进行动态更新,使算法向着理想Pareto最优边界搜索。此外,算法基于点在目标空间分布情况进行克隆选择,有利于得到分布较广的Pareto最优边界,且加快了收敛速度。与已有算法相比,PMEIA在收敛性、多样性,以及解的分布性方面都得到很好的提高。     

Markovian queue optimisation analysis with an unreliable server subject to working breakdowns and impatient customers

This study investigates an infinite capacity Markovian queue with a single unreliable service station, in which the customers may balk (do not enter) and renege (leave the queue after entering). The unreliable service station can be working breakdowns even if no customers are in the system. The matrix-analytic method is used to compute the steady-state probabilities for the number of customers, rate matrix and stability condition in the system. The single-objective model for cost and bi-objective model for cost and expected waiting time are derived in the system to fit in with practical applications. The particle swarm optimisation algorithm is implemented to find the optimal combinations of parameters in the pursuit of minimum cost. Two different approaches are used to identify the Pareto optimal set and compared: the epsilon-constraint method and non-dominate sorting genetic algorithm. Compared results allow using the traditional optimisation approach epsilon-constraint method, which is computationally faster and permits a direct sensitivity analysis of the solution under constraint or parameter perturbation. The Pareto front and non-dominated solutions set are obtained and illustrated. The decision makers can use these to improve their decision-making quality.     

Multi‐Objective Cost‐Detectability in Unfalsified Adaptive Control

Vector‐valued controller cost functions that are solely data‐dependent and reflect multiple objectives of a control system are examined within the framework of unfalsified adaptive control. The notion of Pareto optimality of vector‐valued cost functions and the conditions under which they are cost‐detectable are discussed. A sampled data/discrete‐time Level‐Set controller switching algorithm is investigated which allows for the relaxation of the assumption that the controller cost function be monotonically nondecreasing in time. This opens up the possibility of the use of fading memory cost functions which are nonmonotone. When an active controller is falsified at the current threshold cost level, the Level‐Set switching algorithm replaces it by an effectively unique solution of the weighted Tchebycheff method, thus ensuring the selection of an unfalsified Pareto optimal controller. Theoretical results for convergence and stability of the adaptive system are given. Simulation results validate the use of cost‐detectable multi‐objective cost functions. An example of a cost‐detectable cost function which uses fading memory norm of the fictitious tracking error as a performance measure is shown. This allows for computation of performance of nonactive controllers with respect to a reference model.     

一种基于记忆克隆选择的多目标免疫算法

借鉴生物免疫原理中克隆选择机理,设计了一种基于记忆克隆选择的多目标免疫算法。该算法构建了一种亲和度的快速计算方法,并在抗体种群全局搜索Pareto解的同时,也在记忆单元进行局部搜索,有效地提高了搜索效率和收敛性。选取了六种典型的多目标优化函数进行算法仿真测试研究,并与经典的多目标进化算法NSGA-II进行了比较。仿真研究结果证明了新算法在保证种群分布度的同时,拥有比NSGA-II更好的收敛性和速度。     

迁移工作流系统中基于Pareto的服务主体优选

建立了服务主体优选的数学模型，采用Pareto遗传算法对多目标问题进行优化，给出了适用于该模型的操作算子，并提出了在最优解集中选取决策方案的算法。实验结果表明，该方案效果明显优于文献[3]中给出的解决方案。     

TD-SCDMA基站选址的免疫优化实现

针对已有3G基站选址方法的不足和TD-SCDMA的特点,利用免疫算法,提出了一种基站选址优化实现方法。给出了算法模型和实现过程。算法充分考虑了覆盖和容量的需求,给出了基站数目的上限,有效降低了成本;抗体编码采用了一种基于基站坐标的编码方式,有利用工程应用;并采用了一种基于信息熵的抗体浓度选择方法,防止算法早熟收敛。仿真实验结果表明,该算法可以有效找到可行的基站布置方案,能以较小的代价获得较高的覆盖率和容量。