多目标进化算法中多样性策略的研究

进化多目标优化中由于进化算子固有的随机误差以及进化过程中选择压力和选择噪音的影响使得进化群体容易丧失多样性,而保持进化群体的多样性不仅有利于进化群体搜索,而且也是多目标优化的重要目标。对多目标进化算法的多样性策略进行了分类,在统一的框架下描述了各种策略的机制,并分析了各自的特性。随后,分析并比较了多样性保持算子的复杂度。最后,证明了一般意义下多目标进化算法的收敛性,指出在设计新的多样性策略中需要保证进化世代间的单调性,避免出现退化现象。     

基于新的适应度函数和多搜索策略的高维多目标进化算法

为提高高维多目标进化算法的性能,提出了一个基于新的适应度函数和多搜索策略的高维多目标进化算法。该算法提出了一个新的适应度函数来平衡多样性和收敛性,并且设计了一个多搜索策略来帮助交叉算子产生优秀的后代进而提高收敛性。该适应度函数首先从当前种群和新产生的后代中挑出收敛性较好的个体,然后计算这些个体的稀疏程度;该多搜索策略选择稀疏且收敛的解来执行全局和局部搜索。数值实验测试了CEC2018高维多目标竞赛的15个测试问题,每个测试问题的目标个数分别为5、10、15。实验结果表明,该算法能找到一组比四种代表性算法（如NSGAIII、MOEA/DD、KnEA、RVEA）具有更好的多样性和收敛性的解集。     

量子多目标进化算法研究

本文首次将量子计算的理论用于多目标优化,提出量子多目标进化算法（QMOEA）,其采用量子位染色体表示法,利用量子门旋转策略和量子变异实现群体的进化,使用ε支配关系构造外部种群以此保持算法的较好分布性,提出基于快速排序的非劣最优解构造方法加快算法运行效率,实验表明,这种方法与经典的多目标进化算法SPEA2相比,其收敛性更好且分布更均匀     

论量子多目标进化算法研究

第一次将量子计算的理论用途于多目标优化之上可以提出量子多目标进化算法其采用量子位研究微观粒子的运动规律的物理学分支学科,它主要研究原子、分子、凝聚态物质,以及原子核和基本粒子的结构、性质的基础理论,它与相对论一起构成了现代物理学的理论基础。量子力学不仅是近代物理学的基础理论之一,而且在化学等有关学科和许多近代技术中也得到了广泛的应用。     

基于多目标进化算法的目标规划研究

1 引言目标规划是一类十分实用的重要模型,与一般多目标最优化模型不同,这类模型并不是考虑对各个目标进行极小化或极大化,而是希望在约束条件限制下,每一个目标都尽可能地接近于事先给定的各自对应的目标值。由于这类模型在处理问题时具有比较灵活、简便的特点,因而在工程技术和管理中应用非常广泛。本文研究逼近目标规划模型:     

自适应协同进化多目标进化算法

为了提高协同进化多目标进化算法的全局收敛性,提出了一种调用协同进化算子的自适应方法。其基本思想是：根据目标函数的变化率自动调用协同进化算子;当种群进化正常时,调用合作算子和吞并算子;当种群进化接近停滞时,调用分裂算子。通过数值实验用量化指标研究了新算法的收敛性和分布性,结果表明,与常规协同进化多目标进化算法相比,新算法不仅具有良好的分布性,而且全局收敛性有了明显的提高。     

基于邻域表的多目标进化算法

针对算法性能和运行时间的矛盾,提出一种基于邻域表的多目标进化算法(NLEA).采用类似于图中邻接表的结构对解个体进行存储,利用个体之间的邻近关系从拥挤程度和距离上对其进行分级适应度赋值,并根据适应值调整个体链表中的次序以便高效的进行环境选择操作.通过7个测试问题和3个方面的测试标准,结果表明新算法在较快速的接近真实的最优面的同时,拥有良好的分布性.     

多目标进化算法求解噪声适应度函数问题研究

多目标优化算法在现实生活中要解决的问题通常是带有不确定性的,适应度存在噪声干扰是不确定性的一个重要方面,所以多目标进化算法求解噪声适应度函数问题具有重要的现实意义,通过实验的方法,研究了3个典型多目标算法在不同规模下噪声干扰下的性能,4个评价方法在噪声环境下的有效性,以及传统的蒙特卡洛积分方法能够适用的范围,实验结果表明,3个典型多目标算法求解噪声适应度函数问题均不理想,传统的蒙特卡洛积分方法随着噪声规模的增加性能下降很快,同时需要更加适用于噪声适应度方程问题的评价方法.     

基于个体密集距离的多目标进化算法

外部种群维护和适应度赋值是多目标进化算法（MOEA）的两个重要部分,该文首先对这两个问题目前已有的处理方法进行了分析,然后提出了基于个体密集距离的外部种群维护方法,并在将所有个体根据Pareto支配关系分成四个层次的基础上,给出了一种由个体密集距离定义的适应度函数,最后将基于个体密集距离的多目标进化算法CMOEA应用于几个常用的测试函数,并和SPEA,SPEA-2进行了比较,计算结果表明CMOEA具有良好的搜索性能．     

多目标协调进化算法研究

进化算法适合解决多目标优化问题,但难以产生高维优化问题的最优解,文中针对此问题提出了一种求解高维目标优化问题的新进化方法,即多目标协调进化算法,主要特点是进化群体按协调模型使用偏好信息进行偏好排序,而不是基于Pareto优于关系进行了个体排序,实验结果表明,所提出的算法是可行而有效的,且能在有限进化代数内收敛。     

一种基于多目标遗传算法的非线性控制器

该文利用相位滞后仅38.1°的Clegg积分器构成一个非线性比例积分器,并利用多目标遗传算法对该控制器的三个参数进行优化,其中被优化的两个目标分别为被控系统的给定性能指标和抗负载扰动能力。然后将该控制器应用于一个存在饱和特性和间隙特性的双闭环调速系统,研究并比较了该系统在阶跃给定输入下的性能指标以及抗负载扰动的能力。仿真试验表明将该非线性控制器应用于具有多个非线性特性的动态系统能取得优良的性能。     

多目标蚁群优化研究综述

多目标蚁群优化是一类重要的多目标进化算法,它在解决多目标优化问题,尤其是多目标组合优化方面,具有优异的性能。首先,通过总结多目标蚁群优化的研究成果,将多目标蚁群优化分为基于帕累托的方法、基于指标函数的方法和目标分解法3类,并阐述了每类方法的特点和代表性算法;然后,展现了多目标蚁群优化在实际问题中的广泛应用;最后,探讨了目前多目标蚁群优化存在的问题。     

采用混沌变异的进化算法

根据混沌理论关于进化与混沌的关系,设计一种采用混沌变异算子的进化算法,并提出“尺度收缩”的变异策略。对极小值函数优化问题的仿真实例表明,混沌变异是实数编码进化算法变异算子的有效实现;而采用“尺度收缩”策略的混沌变异算子明显改善了群体平均适应值,提高了算法性能,是解决优化问题的有效方法。     

Evolutionary design of Evolutionary Algorithms

Manual design of Evolutionary Algorithms (EAs) capable of performing very well on a wide range of problems is a difficult task. This is why we have to find other manners to construct algorithms that perform very well on some problems. One possibility (which is explored in this paper) is to let the evolution discover the optimal structure and parameters of the EA used for solving a specific problem. To this end a new model for automatic generation of EAs by evolutionary means is proposed here. The model is based on a simple Genetic Algorithm (GA). Every GA chromosome encodes an EA, which is used for solving a particular problem. Several Evolutionary Algorithms for function optimization are generated by using the considered model. Numerical experiments show that the EAs perform similarly and sometimes even better than standard approaches for several well-known benchmarking problems.     

Pareto最优概念的多目标进化算法综述

群体搜索策略和群体间个体之间的信息交换是进化算法在解决多目标优化问题上的两大优势.目前,基于Pareto最优概念的多目标进化算法已成为多目标优化问题研究的主流方向.详细介绍了该领域的经典算法,特别对各种算法在种群快速收敛并均匀分布于问题的非劣最优域上所采取的策略进行了阐述,并归纳了算法性能评估中需要深入研究的问题.     

A Tabu-Based Exploratory Evolutionary Algorithm for Multiobjective Optimization

This paper presents an exploratorymultiobjective evolutionary algorithm (EMOEA)that integrates the features of tabu search andevolutionary algorithm for multiobjective (MO)optimization. The method incorporates the taburestriction in individual examination andpreservation in order to maintain the searchdiversity in evolutionary MO optimization,which subsequently helps to prevent the searchfrom trapping in local optima as well as topromote the evolution towards the globaltrade-offs concurrently. In addition, a newlateral interference is presented in the paperto distribute nondominated individuals alongthe discovered Pareto-front uniformly. Unlikemany niching or sharing methods, the lateralinterference can be performed without the needof parameter settings and can be flexiblyapplied in either the parameter or objectivedomain. The features of the proposed algorithmare examined based upon three benchmarkproblems. Experimental results show that EMOEAperforms well in searching and distributingnondominated solutions along the trade-offsuniformly, and offers a competitive behavior toescape from local optima in a noisyenvironment.     

一种新的正交多目标最优化遗传算法

文章首先构造了一个新的适应值函数,它以标准化后的目标函数的加权极大值作为个体的适应值,通过独特选取多组权重向量和正交试验方法,保持了种群的多样性,使得搜索方向在目标空间中均匀指向有效界面。该算法的显著特性是不管有效界面是否凸,都能找到足够多均匀分布的有效解。数值实验也表明了该算法非常有效。     

Evolutionary Multiobjective Design in Automotive Development

This paper describes the use of evolutionary algorithms to solve multiobjective optimization problems arising at different stages in the automotive design process. The problems considered are black box optimization scenarios: definitions of the decision space and the design objectives are given, together with a procedure to evaluate any decision alternative with regard to the design objectives, e.g., a simulation model. However, no further information about the objective function is available. In order to provide a practical introduction to the use of multiobjective evolutionary algorithms, this article explores the three following case studies: design space exploration of road trains, parameter optimization of adaptive cruise controllers, and multiobjective system identification. In addition, selected research topics in evolutionary multiobjective optimization will be illustrated along with each case study, highlighting the practical relevance of the theoretical results through real-world application examples. The algorithms used in these studies were implemented based on the PISA (Platform and Programming Language Independent Interface for Search Algorithm) framework. Besides helping to structure the presentation of different algorithms in a coherent way, PISA also reduces the implementation effort considerably.     

演化算法的时间复杂性

演化算法在工程领域取得了广泛的应用,但是其基础理论尚未完全建立。文章讨论了演化算法的时间复杂性,提出一个估计(1+1)EA平均计算时间的简单方法,对几个实例的应用显示了该方法分析演化算法计算时间的有效性。