基于改进粒子群优化算法的约束多目标优化

针对约束多目标优化问题,提出一种改进的粒子群优化算法,采用距离量度和自适应惩罚函数相结合的约束处理技术,通过可行解比例有效均衡目标函数和约束条件,提高算法的边界搜索能力。定义新的k最近邻聚集密度,保持解集分布性,并将聚集密度和轮盘赌选择相结合选取全局最优粒子。仿真结果表明,该算法在Pareto解集均匀性及逼近性方面均具有优势。     

一种基于AEA的约束优化算法μ-AEA

提出一种基于AEA算法的约束处理方法,该方法通过引入在迭代中自适应调整的松弛参数μ,逐渐缩小相对可行域直至收敛到可行域,且充分考虑到不同函数具有不同的可行域大小的情况.松弛约束的引入能允许包含有用信息的不可行解进入到子代种群中,增加算法的搜索能力.同时,引入一种自适应惩罚函数法,它利用不同约束条件满足的难易程度来自适应地调整惩罚系数,保证惩罚力度不会过大或过小.通过11个标准测试函数实验表明,该方法具有较满意的结果,在处理工程约束优化问题方面具有很大的潜力.     

解约束优化问题的一种新的罚函数模型

罚函数法是进化算法中解决约束优化问题最常用的方法之一,它通过对不可行解进行惩罚使得搜索逐步进入可行域.罚函数常定义为目标函数与惩罚项之和,其缺陷一方面在于此模型的罚因子难以控制,另一方面当目标函数值与惩罚项的函数值的差值很大时,此模型不能有效地区分可行解与不可行解,从而不能有效处理约束.为了克服这些缺点,首先引入了目标满意度函数与约束满意度函数,前者是根据目标函数对解的满意度给出的一个度量,而后者是根据约束违反度对解的满意度给出的一个度量.然后将两者有机结合,定义了一种新的罚函数,给出了一种新的罚函数模型.并且设置了自适应动态罚因子,其随着当前种群质量和进化代数的改变而改变.因此它很易于控制.进一步设计了新的杂交和变异算子,在此基础上提出了解决约束优化问题的一种新的进化算法.通过对6个常用标准测试函数所作的数据仿真实验表明,提出的算法是十分有效的.     

一种新的自适应惩罚函数算法求解约束优化问题

提出一种新的自适应惩罚函数法,用来处理约束优化问题．这种方法根据当前群体中可行解的比例对目标函数和违反约束条件的程度作出合适的权衡,具有结构简单、参数少等优点．把它和一个简单的进化策略结合起来,得到了一种新的求解约束优化问题的进化算法．选取几个常见的测试函数对这种新方法进行了数值实验．结果表明,所提方法能够非常有效地处理各种约束优化问题,而且具有很强的稳健性;其性能优于或相似于一些尖端的算法．     

基于量子粒子群优化的多波束卫星联合资源分配算法

当使用元启发式算法求解多波束卫星联合资源分配问题时,时延约束和容量约束会导致计算复杂度增大,且算法难以收敛。对此,通过在目标函数中引入惩罚机制,在无效解的目标函数值加入了惩罚值,使得算法的优化解自适应地满足这两个约束。在此基础上,提出了基于量子粒子群优化的联合资源分配算法。仿真结果表明,惩罚策略的引入解决了应用元启发式算法时,难以处理时延约束和容量约束的问题,而带有惩罚机制的量子粒子群算法在分配公平性指数、总系统容量上均优于已有联合分配算法。     

基于改进粒子群算法的再入飞行器轨迹优化

采用基于距离量度和自适应惩罚相结合的约束处理技术的改进粒子群优化算法(PSO)应用于再入飞行器轨迹优化,避免适应值函数中复杂的罚函数及罚因子的设计,提高优化算法的通用性.以高超声速飞行器最小控制量再入轨迹优化为例,并对飞行器运动模型进行简化及控制量参数化.对两种不同的高超声速飞行器模型进行优化,仿真结果验证算法的有效性...     

改进的filter-SQP用于过程优化的研究(英文)

SQP法是求解非线性规划问题最有效的方法之一,在求解过程中,一般需要对惩罚函数进行线性搜索.惩罚因子的选择会带来一些问题,filter-SQP是Roger Fletcher和Sven Leyffer提出的一种不用惩罚函数的算法.本文红模块环境下应用改进的filter-SQP对化工过程优化进行了研究,提出了相应的算法.采用的优化策略是不可行路径法,filter中的约束目标是由断裂流方程、设计规定及不满足的不等式约束线性组合得到.使用filter检验是否接受QP步长作为下次迭代的出发点,避免了对惩罚函数进行线性搜索带来的弊端.当filter搜索失败时,提出了相应的处理策略,提高了算法的稳定性.用于判断优化是否收敛的判据不冉是K-T误差,而是目标函数和约束条件地同时收敛.提出了一个逐步规格化策略,提高了计算效率.计算实例表明,filter-SQP法优于传统的SQP法,本文提出的策略提高了算法的效率和稳定性.     

自适应惩罚策略及其在交通信号优化中的应用

针对约束优化问题的求解,设计了一种处理约束条件的自适应惩罚策略,用于将具有不等式约束和等式约束的优化问题转变为仅包含决策变量上、下限约束的优化问题。该策略通过引入约束可行测度、可行度的概念来描述决策变量服从于不等式约束和等式约束的程度,并以此构造处理约束条件的自适应惩罚函数,惩罚值随着约束可行度的变化而动态自适应地改变。为了检验该惩罚策略的有效性,针对单路口交通信号优化问题进行了应用研究,并用三种不同算法进行了大量的仿真计算,结果表明所设计的自适应策略在具有高度约束条件的城市交通信号优化问题中具有良好的效果。     

基于Oracle罚函数的自适应约束差分进化算法

为有效求解约束优化问题,减少算法参数,提出基于Oracle罚函数方法的自适应约束差分进化算法。为满足求解优化问题的常用标准,提出一种改进的Oracle罚函数方法。将改进的Oracle罚函数方法与三种自适应差分进化算法相结合,提出三种自适应约束差分进化算法。对11个典型测试函数的优化结果验证了Oracle罚函数方法与自适应差分进化算法结合的有效性。与参考文献中提出的算法的比较结果表明该方法具有良好的寻优性能,因此基于Oracle罚函数方法的自适应约束差分进化算法是一种有效约束优化方法。     

基于自适应搜索策略的约束多目标优化算法

平衡目标函数和约束条件是现有约束多目标优化算法面临的共同难题。为了解决这个难题,文章提出了一种基于自适应搜索策略的约束多目标优化算法（ASSCMO）。为验证ASSCMO的性能,将其与3种优秀的约束多目标优化算法在两组基准测试集上进行仿真实验。实验结果表明,ASSCMO在求解约束多目标优化问题上更具有竞争力。     

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。     

基于分解的多目标多因子进化算法

多目标多因子优化(MO-MFO)问题作为一类新的优化问题近年来受到了众多关注,其特点是需要利用单个种群来同时优化多个多目标优化任务.针对该问题,提出一个基于分解策略的多目标多因子进化算法(MFEA/D).算法通过多组权重向量,将MO-MFO问题中的每个任务分解成一系列单目标优化子问题,并用单个种群同时优化.在种群进化过程中提出不同任务之间的信息交流策略,以充分挖掘不同任务之间的有用信息,进而加快每个任务的收敛速度.基于10个多目标多因子标准测试问题的实验结果表明,所提出的不同任务之间的信息交流策略能够加快问题的求解速度,使得MFEA/D算法显著优于当前的MO-MFEA算法.     

分层多目标最优化进化算法

文章用进化算法给出了求解二层字典分层多目标最优化的方法,该算法把求解问题转化为多目标最优化,并研究了这两个问题的解集之间的联系。对多目标最优化定义了一个新的选择算子和适应值函数,这样定义的选择算子和适应值函数结合均匀设计能有效地引导搜索,直接求出问题的解而不用逐层求解。数值模拟表明该方法十分有效。     

动态罚函数法求解约束优化问题

针对罚函数法在求解约束优化问题时罚系数不易选取的问题,提出一种基于动态罚函数的差分进化算法。利用罚函数法将约束优化问题转化为无约束优化问题。为平衡种群的目标函数和约束违反程度,结合[ε]约束法设计了一种动态罚系数策略,其中罚系数随着种群质量和进化代数的改变而改变。采用差分进化算法更新种群直到搜索到最优解。对IEEE CEC 2010和IEEE CEC 2017两组基准测试集进行仿真实验,结果表明提出的算法具有较强的寻优性能。     

Constraint Handling in Multiobjective Evolutionary Optimization

This paper proposes a constraint handling technique for multiobjective evolutionary algorithms based on an adaptive penalty function and a distance measure. These two functions vary dependent upon the objective function value and the sum of constraint violations of an individual. Through this design, the objective space is modified to account for the performance and constraint violation of each individual. The modified objective functions are used in the nondominance sorting to facilitate the search of optimal solutions not only in the feasible space but also in the infeasible regions. The search in the infeasible space is designed to exploit those individuals with better objective values and lower constraint violations. The number of feasible individuals in the population is used to guide the search process either toward finding more feasible solutions or favor in search for optimal solutions. The proposed method is simple to implement and does not need any parameter tuning. The constraint handling technique is tested on several constrained multiobjective optimization problems and has shown superior results compared to some chosen state-of-the-art designs.      

基于进化算法的多目标优化方法

进化算法在解决多目标优化问题中有其特有的优势.首先对多目标优化问题进行了描述;然后结合研究现状讨论了目前几种主要的基于进化算法的多目标优化方法,以及它们的优缺点;最后给出了多目标进化优化算法的一些应用,以及进化多目标优化算法的未来发展方向.     

基于目标空间划分的自适应多目标进化算法

目前,多目标进化算法在众多领域具有极高的应用价值,是优化领域的研究热点之一.分析已有多目标进化算法在保持种群多样性方面的不足并提出一种基于解空间划分的自适应多目标进化算法（space division basedadaptive multiobjective evolutionary algorithm,简称SDA-MOEA）来解决多目标优化问题.该方法首先将多目标优化问题的解空间划分为大量子空间,在算法进化过程中,每个子空间都保留一个非支配解集,以保证种群的多样性.另外,该方法根据每个子空间推进种群前进的距离,自适应地为每个子空间分配进化机会,以提高种群的进化速度.最后,利用3组共14个多目标优化问题检验SDA-MOEA的性能,并将SDA-MOEA与其他5个已有多目标进化算法进行对比分析.实验结果表明：在10个问题上,算法SDA-MOEA显著优于其他对比算法.     

一种基于粒子群优化的多目标优化算法

论文提出了一种基于粒子群的多目标优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值和局部最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分布性能;采用动态惯性权重法来平衡粒子群对解空间的局部搜索和全局搜索,以提高算法的全局收敛性能。实验结果表明,论文算法是有效的,能有效的求解多种多目标优化问题。     

非线性规划问题的极大熵多目标粒子群算法

结合非线性规划的约束条件构造了一个新的极大熵函数,利用该函数将问题转化成了两个目标的多目标优化问题.通过对违反约束动态的进行惩罚,提出了一种新的极大熵多目标粒子群算法.该方法能有效的保持群体中不可行解的一定比例,从而增加了群体的多样性,而且避免了传统的过度惩罚缺陷,使群体更好地向最优解逼近.计算机仿真表明,该算法对非线性规划问题求解是非常有效的.