基于ε-支配的自适应多目标进化算法

提出一种新的基于ε-支配关系的自适应多目标进化算法(AEMOEA)。在每次的进化中保留端点,并从端点集中选取一个作为父本,参加进化,弥补了ε-MOEA算法中端点易被丢掉的缺陷;在进化过程中根据存档动态地调整ε的取值,使解的分布更加均匀;当存档中个体过多时,运用ε-支配关系进行剪切,使其个体数处在合理水平。通过5个常用双目标测试函数的计算,验证了该算法在求解质量上优于ε-MOEA、NAGA-II以及SPEA-2等主流多目标算法。     

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.     

基于ε-支配的多目标进化算法及自适应ε调整策略

提出了一类新的基于ε-支配关系的多目标进化算法.该算法采用配对比较选择和稳态替换策略,提高了算法的收敛速度,降低了计算时间.首先,在保持种群分布性上,采用了一种新的基于ε-支配关系的精英保留策略,避免了传统修剪策略所引起的Pareto前沿面的退化.其次,根据不同ε取值分析了算法收敛性,提出了一种自适应ε调整策略.最后,通过5个常用的双目标测试函数的计算,验证了包括该自适应调整策略的多目标进化算法在求解质量上显著强于NSGAII,SPEA2和ε-MOEA等主流多目标进化算法.     

多目标进化算法中基于角度偏好的ε-Pareto支配策略

利用参考点及角度值引入决策者的偏好信息,采用角度偏好区域设定方法将目标空间划分为偏好区域和非偏好区域,提出一种能区分偏好区域和非偏好区域中非支配解的支配策略——角度偏好的ε-Pareto支配策略.为验证所提出的支配策略的有效性,将其融入基于ε支配的多目标进化算法(ε-MOEA)中,形成AP-ε-MOEA.通过与融入G支配的G-NSGA-II和融入R支配的R-NSGA-II的性能对比实验表明,AP-ε-MOEA在以较快速度收敛到Pareto最优边界的同时,能较好满足决策者偏好.     

多目标优化非支配集构造方法的研究进展

多目标优化非支配集的构造是多目标进化算法研究领域的一个重要步骤,旨在研究用多目标进化算法解决多目标优化问题的效率。对多目标优化问题进行了描述并且给出了求解算法的一般框架,结合研究现状讨论了目前该领域几种主要的基于Pareto非支配集的构造算法,以及它们的计算时间复杂度;总结并展望了该领域未来的发展趋势。     

自适应的非支配排序遗传算法

针对带精英策略的非支配排序遗传算法不能根据环境变化自适应地动态调整运行参数,难以实现对解空间的高效搜索,提出一种自适应的非支配排序遗传算法.所提出算法根据运行阶段、运行代数和当前临时种群非支配个体数动态调整进化个体的运行参数,通过提高进化算子的自适应能力使算法具有自适应性.经实验对比,所提出算法在收敛性、多样性两方面确有提升,可以有效提高原算法的搜索能力.     

混合个体选择机制的多目标进化算法

在多目标进化算法中,如何从后代候选集中选择最优解,显著地影响优化过程.当前,最优解的选择方式主要是基于实际目标值或者代理模型估计目标值.然而,这些选择方式往往是非常耗时或者存在精度差等问题,特别是对于一些实际的复杂优化问题.最近,一些研究人员开始利用有监督分类辅助后代选择,但是这些工作难以准备准确的正例和负例样本,或者存在耗时的参数调整等问题.为了解决这些问题,提出了一种新颖的融合分类与代理的混合个体选择机制,用于从后代候选集中选择最优解.在每一代优化中,首先利用分类器选择优良解;然后设计了一个轻量级的代理模型用于估计优良解的目标值;最后利用这些目标值对优良解进行排序,并选择最优解作为后代解.基于典型的多目标进化算法MOEA/D,利用混合个体选择机制设计了新的算法框架MOEA/D-CS.与当前流行的基于分解多目标进化算法比较,实验结果表明,所提出的算法取得了最好的性能.     

多目标优化与自适应惩罚的混合约束优化进化算法

提出一种多目标优化与自适应惩罚函数相结合的方法来处理约束优化问题.首先利用多目标优化方法提取当前群体中的主要信息;然后进一步用自适应惩罚函数选出最有价值的信息.将这种约束处理技术与一种基于群的算法生成器模型相结合,即可得到一种新的约束优化进化算法.选取10个标准测试函数对新算法的性能进行数值实验,结果表明了所提出方法的有效性和较强的稳健性,与其他尖端算法相比得到了相似或更优的结果.     

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。     

演化多目标优化中的几何热力学选择

热力学遗传算法(Thermodynamical Genetic Algorithms,TDGAs)借鉴热力学中的自由能极小过程来统一处理多目标优化在逼近性和多样性两方面的任务.为提高TDGA的运行效率和解集分布均匀性,提出了一种几何热力学选择.在该选择中首先定义角度熵通过扇形采样来度量种群逼近方向的多样性.然后利用距离精英定义距离能量来度量种群的逼近程度,避免了耗时的非劣分层操作.此外,引入分量热力学替换规则以较低计算代价驱动种群的几何自由能快速下降.在多目标0/1背包问题上的实验结果表明,几何热力学选择极大地提高了TDGA的运行效率和解集分布均匀性;采用该选择的TDGA算法可生成与NSGA-II在逼近性和分布多样性上性能相当的解,但在运行效率上明显优于NSGA-II.     

基于小生境的多目标进化算法

进化算法求解多目标优化问题平衡收敛性和多样性面临的主要挑战在两个方面：增强对帕累托最优前沿的选择压力和获得多样性良好的解集。然而,随着目标维数的增加,基于帕累托支配关系的选择标准无法有效地解决以上问题。因此,设计了一种基于小生境的多目标进化算法。基于小生境,提出了一种新的支配关系,其中,设计了一个聚合函数和一种采用目标向量角的密度估计方法分别度量候选解的收敛度和分布性。为了保证解集的收敛性,在同一个小生境内,仅仅收敛度最好的解是非支配解。为了维护解集的多样性,在任何两个不同的小生境内,一个小生境内兼具收敛度和分布性良好的解支配另一个小生境内收敛性和分布性均差的解,将提出的支配关系嵌入VaEA取代帕累托支配关系,设计了一种多目标进化算法VaEA-SDN。VaEA-SDN与NSGA-Ⅲ、VaEA、MSEA、NSGAII-CSDR、RPS-NSGAII以及CDR-MOEA等先进的算法在DTLZ(Deb-Thiele-Laumanns-Zitzler)和MaF(manyobjective function)基准测试系列问题上进行了广泛的对比仿真实验。仿真结果表明,VaEA-SDN平衡收敛收敛性...     

基于多父体杂交的多目标演化优化算法

多目标优化问题是演化计算领域的一个新热点。提出了一种求解Pareto最优解集的新算法,它既能较快地收敛,又能有效保持种群的多样性。新算法引入了“约束占优”的概念;采用多父体杂交算子(一种多父体非凸线性组合算子),最小淘汰压力策略(每次只淘汰群体中的一个最差个体),以及适应值共享的niche技术,这样既保证了近似解集对Pareto前沿的逼近,又保持了解集分布的均匀性。对一些代表性的BenchMark问题(包括凸的与非凸的、连续的与间断的、带约束的与不带约束的各种问题)数值试验都取得了很好的结果。     

一种基于Hypervolume指标的自适应邻域多目标进化算法

通过定义反映个体之间邻近程度的指标(个体的树邻域包含关系),在考虑个体间支配关系的基础上,利用个体与其周边个体的树邻域密度进行适应度赋值;提出了一种2,3维情况下个体独立支配区域的Hypervolume指标的计算方法,该方法用于评价个体对群体的贡献时只需要1次计算(同类方法需要2次计算);当外部种群中非支配个体数目超过规定规模时,根据个体独立支配区域的Hypervolume指标的大小对其进行修剪;在此基础上,提出了一种基于Hypervolume指标的自适应邻域多目标进化算法ANMOEA?HI.对比实验结果表明,ANMOEA?HI在保证了解集收敛性的同时亦拥有良好的分布性.     

基于进化策略的函数优化

进化算法是基于生物进化模型发展起来的一个随机搜索技术,它模拟由个体组成的群体的集体并行学习过程.对于一个给定的问题,存在问题相应搜索空间,每一个个体表示所给定的问题的相应搜索空间的一个点.在进化算法中,选择(复制、重组)、交叉(杂交)、变异是3种最关键的基本操作,就实际函数求极小值的问题的具体实现进行描述,并根据实验的结果,讨论对该算法的一些改进.     

基于自适应局部搜索的进化多目标稀疏重构方法

在稀疏重构中,重构误差项和稀疏项通常使用一个正则化参数聚合成单目标函数,很难实现2个目标的均衡优化,这个缺陷通常导致稀疏重构精度低.为此,提出一种自适应局部搜索的多目标进化算法.首先,基于范数和l\\-1范数和l\\-{1/2}范数分别设计了2种梯度迭代软阈值法的局部搜索方法求得相应解,这2种局部搜索方法可以提高解的收敛速度和精确度;其次,通过比较对应的目标函数值来竞争选取每轮的优胜解;然后,采用基于竞争成功率的自适应择优局部搜索方法来产生后期解;最后,在帕雷托前沿面的膝盖区域上采用角度法选取最优解.实验结果表明:测量误差和稀疏项可以达到平衡,在重构精度方面,提出的方法远高于现有的传统单目标方法.相比于StEMO算法,当测量维度M=600时,该方法可以提高33.8%;当噪声强度δ=0.002时可以提高82.7%;当稀疏率K/N=0.3时可以提高7.38%.     

基于边缘计算的进化多目标优化图像隐写算法

边缘计算解决了终端因计算资源有限而不能运行复杂应用的弊端,在实际应用中可以支持计算资源受限的终端实现基于图像隐写的隐蔽通信.提出了一种适用于边缘计算场景的进化多目标优化图像隐写算法,首先将优化隐写不可察觉性和隐写安全性作为目标函数,给出了图像隐写的形式化定义;其次通过多个定向和非定向的高通滤波器对图像进行预处理,得到叠加的滤波残差作为秘密信息嵌入的候选位置;然后利用遗传算法中的基因操作,在候选位置中逐代寻找适应度高的个体以得到进化多目标优化问题的最优解;最后,在最优解对应的像素位置实现秘密信息的嵌入.通过和现有算法的仿真对比分析结果表明：提出的算法能够很好地保持图像质量,具有较好的抵抗隐写分析的能力.     

基于新模型的动态多目标优化进化算法

在动态多目标优化中,各目标通常相互冲突,其最优解往往有无穷多个,如何在时间连续发生变化的情况下依然能求出分布均匀且数量多的Pareto最优解供决策者选择十分重要.对动态多目标优化问题连续变化的时间变量区间进行了任意划分,在得到的每个时间子区间上把动态多目标优化问题近似为静态多目标优化问题,进而在每个子区间上定义了种群的静态序值方差和静态密度方差,然后把目标个数任意的动态多目标优化问题转化成一个双目标静态优化问题.在给出的一种能自动检测时间变化的自检算子下,提出一种新的动态多目标优化进化算法,并且证明了算法的收敛性.计算机仿真表明新算法对动态多目标优化问题求解十分有效.     

进化多目标优化算法研究

进化多目标优化主要研究如何利用进化计算方法求解多目标优化问题,已经成为进化计算领域的研究热点之一.在简要总结2003年以前的主要算法后,着重对进化多目标优化的最新进展进行了详细讨论.归纳出当前多目标优化的研究趋势,一方面,粒子群优化、人工免疫系统、分布估计算法等越来越多的进化范例被引入多目标优化领域,一些新颖的受自然系统启发的多目标优化算法相继提出;另一方面,为了更有效的求解高维多目标优化问题,一些区别于传统Pareto占优的新型占优机制相继涌现;同时,对多目标优化问题本身性质的研究也在逐步深入.对公认的代表性算法进行了实验对比.最后,对进化多目标优化的进一步发展提出了自己的看法.     

基于生态策略的动态多目标优化算法

动态多目标优化问题(dynamic multi-objective optimization problems, DMOP)的目标函数、约束条件或者问题的相关参数随时间变化,是多目标优化领域非常重要的研究难题,传统方法难以很好地追踪其变化的Pareto前沿.针对动态多目标优化问题特点,提出了一种基于生态策略的动态多目标优化算法(dynamic multi-objective optimization algorithm based on ecological strategy, ESDMO).各种群可以采取不同的进化策略应对外部环境变化,捕食种群与被捕食群体间的竞争也促进种群不断提高生存力.受此启发,采用了一种多种群协同进化机制与强化学习策略相结合的协同进化计算模型.该算法定义了一种环境自检算子用于检测环境的变化,不同的种群采取不同的生态策略来应对动态环境变化.经过各种类型的动态多目标优化问题测试,实验结果表明所提出的算法具有更好的解集多样性、均匀性和分布性,验证了该算法对于解决动态多目标优化问题是有效的.