多目标约束优化免疫算法研究及其应用

基于生物免疫中抗体应答抗原的机理,提出具有动态性能的多目标约束优化算法,解决一般性的多目标约束最优化问题.该算法的关键在于如何充分模拟免疫应答的机制构建算子模块,以及如何提出约束条件处理和聚类新方法有效解决优化问题.其特点是稳健性及记忆细胞集保存优良抗体并用聚类算法限制其规模,抗体群规模动态调节及抗体应答的对象是抗原群,群体具有自我调节多样性和自适应环境的能力且能并行处理复杂优化问题.仿真事例比较验证该文算法的有效性及能处理高维优化问题.     

求解多目标投资组合优化模型的遗传算法

针对考虑最小交易量、交易费用,以及单项目最大投资上限约束的多目标投资组合模型,对目标函数添加惩罚函数项来处理约束条件的方法.本文通过对交叉算子、变异算子的改进,设计了一种遗传算法进行求解.实验算例表明,该算法是有效的.     

演化算法求解约束多目标优化问题

求解多目标优化问题的演化算法主要考虑如何处理相互冲突的多个目标间的优化,很少考虑对约束条件的处理.通过引入约束主导原理,提出一种无需采用罚函数,完全是基于个体排序的求解约束多目标优化问题的演化算法.对测试函数进行了实验,实验结果表明了该算法的可行性和有效性.     

约束多目标进化算法研究进展

约束多目标进化算法（CMOEAs）能够同时处理多个相互冲突的目标函数和约束条件,引导种群逼向可行域的最优解,受到了研究者的广泛重视。首先介绍了约束多目标优化问题（CMOPs）的相关定义和多目标进化算法（MOEAs）的三种分类;其次,系统地分析了当前CMOEAs中约束处理机制,凝练出当前主要的四种约束处理方法;然后,从基于支配、基于指标、基于分解三个方面对CMOEAs的研究进展进行了详细综述;最后,指明了CMOEAs存在的挑战和未来研究方向。     

多期证券投资组合问题的区间多目标规划求解方法

投资组合问题主要研究如何将有限的资金合理地分配到不同的金融资产中,以实现收益最大化与风险最小化之间的均衡.然而,证券市场往往具有很强的不确定性,投资者对于证券的期望收益率和风险损失率难以用精确数值描述,区间规划则是处理这类不确定性问题的有力工具.鉴于此,首先基于区间多目标规划建立一个以预期收益率、风险损失率和流动性为目标函数的多期投资组合选择模型;然后通过设计一个定向变异算子,改进基于偏好多面体的交互式遗传算法,并将上述算法的运算机制与所建模型的多期特性相结合以求解模型;最后在不确定交互进化优化系统上进行实证分析.实验结果表明,所提出算法能够根据投资者的不同需要得到相应最满意的多期资产组合.     

求解约束优化问题的佳点集多目标进化算法

结合数论中的佳点集理论和多目标优化方法,提出一种求解约束优化问题的进化算法。将约束优化问题转化为多目标优化问题,引入佳点集理论,以确保所构造的个体在搜索空间内分布均匀,设计变异算子增加个体多样性,采用分群局部搜索方式,并根据Pareto非支配关系选择群体中的优势个体。实验结果表明,该算法具有较好的稳定性。     

求解约束优化问题的多目标粒子群算法*

提出一种多目标粒子群算法处理约束优化问题(MOCPSO). 首先将约束优化问题转化为多目标问题, 然后给出一个不可行阈值来充分地利用不可行粒子的信息引导种群的飞行; 并提出一种粒子间的比较准则以比较它们的优劣; 最后, 为了增加种群的多样性, 提升种群跳出局部最优解的能力, 引入高斯白噪声扰动. 选取有代表性的标准测试函数对MOCPSO算法的性能进行仿真实验, 相比较其它算法, 结果显示MOCPSO算法是求解约束优化问题的有效算法.     

一种用于求解多目标组合优化的混合遗传算法

为高效求解多目标组合优化问题 ,提出一种进化计算与局部搜索结合的多目标算法。此算法基于个体排序数和密度值进行适应度赋值 ,采用非劣解并行局部搜索策略 ,在解的适应度赋值和局部搜索过程中使用 Pa-reto支配的概念。实验结果表明 ,新算法不仅提高了优化搜索的效率 ,且能够找到更多的近似 Pareto最优解。     

动态多目标免疫算法及其应用

基于生物免疫系统的机理及功能,提出一种动态多目标免疫算法。利用抗体的被控度及浓度设计抗体的亲和力。用环境记忆池保存优秀抗体,并依抗体浓度更新。记忆细胞参与相似或相同环境初始抗体群的生成。借助动态多目标测试问题,与同类算法仿真比较,结果表明,该算法较其他算法表现出更好的性能,能快速跟踪动态Pareto面且分布均匀,具有较强的求解实际动态问题的能力。     

用多目标演化优化算法解决约束选址问题

约束选址问题是一个多目标约束优化问题，传统算法（加权法）一次只能得到一个候选解，用多目标演化优化算法对其进行求解，可以一次得到多个候选解，给决策者提供更多的选择余地，以期获得更大的利益，数字试验表明，该方法优于传统多目标优化方法。     

改进的粒子群求解多目标优化算法

根据粒子群算法求解多目标问题的特点,个体极值和全局极值的选择不同会对实验结果产生很大影响。目前普遍的选择方法仅仅根据简单的支配关系,但是会存在两个解之间没有支配关系而导致不去更新个体最优值（PB）和全局最优值（GB）,这样会导致更好的个体极值和全局极值的遗漏从而降低收敛时间。文中提出一种新的个体极值和全局极值的选择策略。使用这种策略,可以加快收敛,提高准确性,防止非劣解的遗漏。通过几个测试函数的实验仿真,所得解集的分步性和多样性都有显著的提高。     

两种空间约束求解算法

进行了3个方面的研究：(1)对由3点3面组成的空间约束系统进行了几何分析和推导，并且利用数值解验证了几何分析和推导的正确性，从而进一步完善了Hoffmann提出的基于图构造方法的约束求解方法；(2)将遗传模拟退火算法结合于空间约束求解中，有效地克服了基于图构造方法的可扩展性差的缺陷，并可以解决过约束和欠约束的情况；(3)应用遗传模拟退火算法对3点3面约束系统进行求解，分析比较了基于图构造方法和基于遗传模拟退火算法两种约束求解算法．     

改进求解约束满足问题粗粒度弧相容算法

约束满足问题在人工智能领域有着广泛的应用.研究了约束满足问题的粗粒度维持弧相容求解算法,发现在求解过程中,对于指向已赋值变量的弧存在无效的修正检查,证明了这类修正检查是冗余的.提出一种方法避免这类冗余的修正检查,给出改进后的粗粒度弧相容算法的基本框架AC3_frame_ARR,该改进框架可用于改进所有粗粒度弧相容算法.实验结果表明,经过AC3_frame_ARR改进后的算法最多可以节省80%的修正检查次数和40%的求解耗时.     

Improving Coarse-Grained Arc Consistency Algorithms in Solving Constraint Satisfaction Problems

约束满足问题在人工智能领域有着广泛的应用.研究了约束满足问题的粗粒度维持弧相容求解算法,发现在求解过程中,对于指向已赋值变量的弧存在无效的修正检查,证明了这类修正检查是冗余的.提出一种方法避免这类冗余的修正检查,给出改进后的粗粒度弧相容算法的基本框架AC3_frame_ARR,该改进框架可用于改进所有粗粒度弧相容算法.实验结果表明,经过AC3 frame ARR改进后的算法最多可以节省80％的修正检查次数和40％的求解耗时.     

弧一致性符号ADD算法及在CSP求解中的应用

约束满足问题(CSP)是人工智能领域中一个重要的研究课题,弧一致性(AC)技术是提高约束满足问题求解效率的一种有效技术。对传统弧一致性技术进行了改进,给出了弧一致性的符号代数决策图(ADD)算法并将其应用于CSP求解。传统弧一致性技术在压缩问题的搜索空间时,一次只能处理一条约束上的一个值对;而借助ADD技术来压缩问题搜索空间,可以一次处理多条约束。算法首先通过01编码将CSP问题描述成伪布尔函数,并由ADD进行表示。然后基于传统弧一致性技术的算法思想,利用ADD的交、并和提取操作来实现约束传播和变量域过滤。最后将弧一致性的符号ADD算法嵌入到BT搜索算法中来实现对CSP的求解。对标准库中的测试用例以及随机生成的测试用例进行了实验仿真,结果表明,该算法求解CSP的时间既优于带弧一致性维护的回跳算法MAC3+BJ和MAC2001+BJ,也优于采用传统数据结构进行预处理的CSP求解算法BT+MPAC和BT+MPAC*。     

Searching the Solution Space in Constructive Geometric Constraint Solving with Genetic Algorithms

Geometric problems defined by constraints have an exponential number of solution instances in the number of geometric elements involved. Generally, the user is only interested in one instance such that besides fulfilling the geometric constraints, exhibits some additional properties. Selecting a solution instance amounts to selecting a given root every time the geometric constraint solver needs to compute the zeros of a multi valuated function. The problem of selecting a given root is known as the Root Identification Problem.In this paper we present a new technique to solve the root identification problem. The technique is based on an automatic search in the space of solutions performed by a genetic algorithm. The user specifies the solution of interest by defining a set of additional constraints on the geometric elements which drive the search of the genetic algorithm. The method is extended with a sequential niche technique to compute multiple solutions. A number of case studies illustrate the performance of the method.     

基于细胞元模型拓扑约束求解

在模型制造领域,对于拓扑约束的求解是一个比较新的课题,以往的研究一直局限在拓扑优化方面。而且对其应用也仅限于模型的定义方面,在模型的声明与约束求解方面却没有得到应用。文章提出一种基于细胞元模型拓扑约束求解方法,通过该方法可以确定模型拓扑声明的关系,文章假设一个模型是由一个或多个细胞元组成的,并且能够用这些细胞元的组合来表示,对模型进行拓扑约束求解就是用来确定细胞模型中的每个细胞元是否是全约束的。要做到这点,文章将每个细胞元用一个布尔变量表示,把拓扑约束问题映射成为布尔可满足性问题。再对新的问题进行求解,从而解决了模型的拓扑约束求解问题。     

有容量约束的随机多目标LIP模型及其求解算法

针对某些特殊物资的物流网络设计问题,以系统总成本最小与系统实时性程度最高为目标,建立一个考虑随机需求、设施容量约束、客户时限约束、带提前期的选址-库存问题(LIP)模型。该模型被描述为一个双目标的非线性离散混合整数规划模型。针对该模型,基于小生境技术设计一种改进的非支配排序多目标遗传算法Π(NSGAΠ),以丰富非支配解的数量。算例与对照实验结果表明,NAGAΠ可得模型的Pateto前沿解集,与标准NSGAII相比具有明显的优势,该模型及算法可应用于血站或者某些应急药品仓库的选址布局与库存决策。决策者可根据实际需要及偏好在一簇Pateto解中选择合适的优化决策方案。     

二元约束满足问题求解的结点开销模型

提出了在二元约束满足问题中以搜索结点个数为衡量标准的求解开销模型,该模型被应用于随机二元约束满足问题的求解开销相变分析中,并且比较了模型所导出的理论开销和实际中的搜索结点个数、约束检查次数、求解时间3种衡量标准的开销之间的相似性.在模型的基础上，探讨了求解启发式减少求解开销的作用，给出了一个新的变量选择启发式.     

半方差约束下的模糊随机收益率贷款组合优化模型

银行贷款的收益率在很多情况下具有模糊随机性。将贷款收益率刻画为模糊随机变量,使用半方差作为风险度量方式,建立半方差约束下的模糊随机收益率贷款组合优化模型,目的是在一定的半方差约束和置信水平下,最大化贷款组合的收益率不小于预置收益率的本原机会测度。应用集成模糊随机模拟、神经网络、遗传算法的混合智能算法进行求解,最后通过实例验证了模型和算法的可行性和有效性。