均衡分布性和收敛性的多目标粒子群优化方法

粒子群优化（PSO）算法是一种基于群体演化且非常有效的求解多目标优化问题的方法,但因经典算法中粒子进化存在趋同性导致算法易陷入局部Pareto最优前沿,使得解集收敛性和分布性不理想。为此提出了一种均衡分布性和收敛性的多目标粒子群优化（DWMOPSO）算法,算法中每个粒子根据自身在进化过程中记忆的个体最好适应度值构建进化速度,由进化速度的快慢动态调整各粒子惯性权重,增加粒子的多样性,从而提高粒子跳出局部最优解的概率。通过在5个标准测试函数上进行仿真实验,结果表明,与Coello的多目标粒子群优化(MOPSO)算法相比,DWMOPSO算法获得的解集在与真实解集的逼近性和解集的分布性两个方面都有了很大的提高。     

基于邻域竞赛的多目标优化算法

传统多目标优化算法（Multi-objective evolution algorithms,MOEAs）的基本框架大致分为两部分:首先是收敛性保持,采用Pareto支配方法将种群分成若干非支配层;其次是分布性保持,在临界层中,采用分布性保持机制维持种群的分布性.然而在处理高维优化问题（Many-objective optimization problems,MOPs）（目标维数大于3）时,随着目标维数的增加,种群的收敛性和分布性的冲突加剧,Pareto支配关系比较个体优劣的能力也迅速下降,此时传统的MOEA已不再适用于高维优化问题.鉴于此,本文提出了一种基于邻域竞赛的多目标优化算法（Evolutionary algorithm based on neighborhood competition for multi-objective optimization,NCEA）.NCEA首先将个体的各个目标之和作为个体的收敛性估计;然后,计算当前个体向量与收敛性最好的个体向量之间的夹角,并将其作为当前个体的邻域估计;最后,通过邻域竞赛方法将问题划分为若干个相互关联的子问题并逐步优化.为了验证NCEA的有效性,本文选取5个优秀的算法与NCEA进行对比实验.通过对比实验验证,NCEA具有较强的竞争力,能同时保持良好的收敛性和分布性.     

均衡分布性与收敛性的协同进化多目标优化算法

为了进一步提升多目标进化算法(MOEAs)的收敛速度和解集分布性,针对变量无关问题,借助合作型协同进化模型,提出一种均衡分布性与收敛性的协同进化多目标优化算法(CMOA-BDC). CMOA-BDC 首先设置一个精英集合,采用支配关系从进化种群与精英集合中选择首层,并用拥挤距离保持其分布性;然后运用聚类将首层分类,并建立相应概率模型;最后通过模拟退火组合分布估计与遗传进化,达到协同进化.通过与经典 MOEAs 比较的结果表明, CMOA-BDC 获得的解集具有更好的收敛性和分布性.     

基于密度熵的多目标粒子群算法

提出了一种基于密度熵的多目标粒子群算法（EMOPSO）。采用一个外部集保存所发现的Pareto最优解（精英）,并将外部集作为粒子的全局极值。为保证种群的多样性,当精英大于外部集的大小时采用一种基于密度熵的策略进行分布度保持,从而使所得到的解集保持良好的分布性。最后与经典的多目标进化算法（MOEAs）进行了对比实验,实验结果表明了该算法的有效性。     

新的基于LMI的鲁棒故障检测滤波器设计方法*

提出一种新的基于LMI的滤波器设计方法,能够解决在线性时不变系统中进行故障检测时所遇到的多目标优化问题。通常在故障检测中,H∞范数用于描述残差对于外界干扰的鲁棒性,而H指标用于描述残差对于故障的灵敏度。通过引入残差的误差值,将多个指标（H∞和H指标）统一转换成H∞范数,从而将故障检测滤波器的设计问题转换成对H∞范数优化问题;然后用一种新颖的基于LMI的方法来求解;最后,将本算法应用于某导弹发生故障的纵向平面模型,仿真结果表明了该算法能有效、及时地检测出故障。     

基于可变影响空间的多目标进化算法的解集均匀性评价方法

解集的均匀性评价是多目标进化算法中性能评价的要素之一.文中结合面向个体和面向空间的思想,提出可变影响空间的概念,并基于此提出一种解集均匀性评价方法——基于可变影响空间的多目标进化算法的解集均匀性评价方法(VISUM).该方法通过分析个体在可变影响空间内的相对均匀程度,能准确反映解集的分布均匀性.实验结果证明文中方法的可行性和有效性.     

一种改进的多目标演化算法

保持解集的多样性和分布性是多目标进化算法的关键之一。在NSGA-II的基础上,提出了一种用混合距离来估计个体的拥挤度,并使用优先队列根据个体的混合距离来逐个删除种群中超出的非劣解以保持解的多样性,实验结果表明,HD-NSGA-II比NSGA-II的解分布的更加合理且分布度有很大的提高。     

提高多目标进化算法分布性的动态调整机制

为提高多目标进化算法的分布性,提出一种基于极坐标的动态调整机制。在极坐标下,根据解集的拥挤程度,计算个体解的缩放系数。在进化过程中利用该缩放系数动态调整解集支配关系,适当提高分布性好的解在支配关系中的地位以改善解的分布。对测试函数的仿真试验结果表明,将该机制应用于经典算法能显著提高算法的分布性,同时保持良好的收敛性。     

基于改进MOEA/D算法的WSN覆盖优化方法*

为了优化无线传感器网络（WSN）的覆盖方法,针对MOEA/D中缺少对本代优质个体的保存和最优解集中的个体极少的两个问题,提出了粒子群优化的基于分解的多目标进化算法（MOEA/D-PSO）。通过保留种群本代优质个体,改进本地优化解集在进化过程中的搜索方向和搜索进度,弥补了MOEA/D不足。仿真实验证明,相对于MOEA/D和非支配排序遗传算法（NSGA-II）,MOEA/D-PSO所得非支配解更接近Pareto最优曲面,解集分布的均匀性和多样性表现更佳,WSN的覆盖范围更广,能量消耗更少。     

多目标进化算法的分布度评价方法

分析现存多目标进化算法分布度评价方法的特点和不足,提出一种在新的坐标下对解集进行分布度评价的方法。该方法把直角坐标系下的解集映射到另一个基于角度的坐标下,以避免算法因收敛性不同对分布性评价造成影响,把新的坐标空间划分成若干相等的区域,利用区域内的个体数评价解集的均匀性。理论分析与实验结果证明该方法能精确地评价解集的分布情况。     

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。     

一种基于树结构排序的多目标优化演化算法

多目标优化演化算法(MOEA)是一种新的解多目标优化问题(MOP)的有效算法。针对大多数MOEA采用的表示解优劣的Ranking技术存在的问题,该文提出了一种新的表示方法———树结构来表示解的关系。实验证明这种方法很好地达到Pareto最优,有效地保持解的多样性,而且收敛速度快。     

基于聚类排序选择方法的进化算法

为提高进化算法的效率,提出了聚类排序选择方法。主要工作有:(1)提出了新的种群内个体相似度度量,并使用种群所包含不同簇的数量来描述和度量种群的多样性;(2)为解决早熟问题提出了新的基于种群聚类和排序选择的聚类-排序选择方法;(3)导出了选择压力-种群多样性(SP-PD)方程,该方程能描述进化过程中选择压力随种群多样性变化的规律。在基于全面学习粒子群算法环境中作了详实的实验,对16个多峰函数进行了优化。实验结果表明,在10维和30维条件下,在15个函数优化中,新方法明显优于指数排序选择方法,最高能使精度提高4个数量级。     

一种改进的非支配排序多目标遗传算法

多目标进化算法的研究目标主要是使算法快速收敛,并且广泛而均匀分布于问题的非劣最优域。在NSGA-II算法的基础上,提出了一种新的构造种群的策略——按照聚集距离选取部分非支配个体,并选取部分较好的支配个体形成下一代种群。该策略与原算法相结合后的算法（NSGA-II+IMP）与原NSGA-II进行比较,结果表明新算法较好地改善了分布性和收敛性。     

一种改进的基于差分进化的多目标进化算法

近年来运用进化算法（EAs）解决多目标优化问题（Multi-objective Optimization Problems MOPs）引起了各国学者们的关注。作为一种基于种群的优化方法,EAs提供了一种在一次运行后得到一组优化的解的方法。差分进化（DE）算法是EA的一个分支,最开始是用来解决连续函数空间的问题。提出了一种改进的基于差分进化的多目标进化算法（CDE）,并且将它与另外两个经典的多目标进化算法（MOEAs）NSGA-II和SPEA2进行了对比实验。     

Using unconstrained elite archives for multiobjective optimization

Multiobjective evolutionary algorithms (MOEAs) have been the subject of numerous studies over the past 20 years. Recent work has highlighted the use of an active archive of elite, nondominated solutions to improve the optimization speed of these algorithms. However, preserving all elite individuals is costly in time (due to the linear comparison with all archived solutions needed before a new solution can be inserted into the archive). Maintaining an elite population of a fixed maximum size (by clustering or other means) alleviates this problem, but can cause retreating (or oscillitory) and shrinking estimated Pareto fronts - which can affect the efficiency of the search process. New data structures are introduced to facilitate the use of an unconstrained elite archive, without the need for a linear comparison to the elite set for every new individual inserted. The general applicability of these data structures is shown by their use in an evolution-strategy-based MOEA and a genetic-algorithm-based MOEA. It is demonstrated that MOEAs using the new data structures run significantly faster than standard, unconstrained archive MOEAs, and result in estimated Pareto fronts significantly ahead of MOEAs using a constrained archive. It is also shown that the use of an unconstrained elite archive permits robust criteria for algorithm termination to be used, and that the use of the data structure can also be used to increase the speed of algorithms using /spl epsi/-dominance methods.     

采用放松支配关系的高维多目标微分进化算法

为了提高进化算法在求解高维多目标优化问题时的收敛性和多样性,提出了采用放松支配关系的高维多目标微分进化算法。该算法采用放松的Pareto支配关系,以增加个体的选择压力;采用群体和外部存储器协同进化的方案,并通过混合微分变异算子,生成子代群体;采用基于指标的方法计算个体的适应度并对群体进行更新;采用基于Lp范数（0相似文献   

Effective local evolutionary searches distributed on an island model solving bi-objective optimization problems

Using multiple local evolutionary searches, instead of single and overall search, has been an effective technique to solve multi-objective optimization problems (MOPs). With this technique, many parallel and distributed multi-objective evolutionary algorithms (dMOEAs) on different island models have been proposed to search for optimal solutions, efficiently and effectively. These algorithms often use local MOEAs on their islands in which each local search is considered to find a part of optimal solutions. The islands (and the local MOEAs), however, need to communicate to each other to preclude the possibility of converging to local optimal solutions. The existing dMOEAs rely on the central and iterative process of subdividing a large-scale population into multiple subpopulations; and it negatively affects the dMOEAs performance. In this paper, a new version of dMOEA with new local MOEAs and migration strategy is proposed. The respective objective space is first subdivided into the predefined number of polar-based regions assigned to the local MOEAs to be explored and exploited. In addition, the central and iterative process is eliminated using a new proposed migration strategy. The algorithms are tested on the standard bi-objective optimization test cases of ZDTs, and the result shows that these new dMOEAs outperform the existing distributed and parallel MOEAs in most cases.     

不确定时滞系统的保代价H∞鲁棒可靠控制

针对一类不确定时滞受扰系统,研究了在执行器发生故障情况下系统具有保代价的H_∞鲁棒可靠控制器设计问题。根据Lyapunov稳定性理论,得到了系统存在保代价H_∞鲁棒可靠控制器应满足的一个矩阵不等式,进一步将这个矩阵不等式转化为线性矩阵不等式（LMI）,并给出了系统状态反馈控制器的设计方法。利用论文方法设计的鲁棒可靠控制器能够使得时滞系统对于任意允许的不确定量以及一个预先指定执行器子集中任意执行器失效不仅具有鲁棒容错性,并且使系统存在保成本上界以及具有指定H∞范数的干扰抑制能力。仿真结果表明了该可靠控制器设计方法的有效性。