一种快速构造多目标Pareto非支配集的方法：选举法则*

基于Pareto的多目标优化问题是进化算法的一个重要研究方向,而如何构造Pareto非支配集则是提高算法效率的关键所在。通过对选举现象的观察,同时针对多目标个体之间的特性,提出了一种快速求解多目标Pareto非支配集的方法: 选举法则(election principle,EP),分析了其时间复杂度为O(rmN),并对其进行了正确性证明。因为种群中实际的非支配个体数m比进化群体规模N小,所以与同类方法相比,EP有更高的效率,并通过了实验验证。     

基于改进庄家法则的多目标进化算法

非支配集的构造方法是多目标进化算法中最重要的问题。在用庄家法则构造非支配集时,若非支配个体较多,由于需要进行多轮比较,所以算法的计算复杂度较高。在庄家法则中引入一个副庄家,用以减少下一轮比较个体的个数,从而最终减少比较的轮数。数值实验表明：改进后的算法具有较高的运行效率。     

基于擂台赛法则和小生境技术的多目标进化算法

最优解集的构造和解的分布性是多目标进化算法的两个重要研究内容。用擂台赛法则构造非支配集具有较高的效率,而小生境共享技术可以提高种群的多样性。本文将小生境共享技术引入基于擂台赛法则的多目标进化算法,数值实验表明：改进后的算法保持了擂台赛算法运行效率高的特点,而且具有较佳的分布度。     

基于遗传多目标优化算法的Pareto最优解研究

遗传算法可有效求解多目标优化问题中的Pareto最优解,并利用MATLAB进行了仿真验证。     

改进多目标进化算法NSGA-II运行效率的方法

NSGA-II是一种性能优良的多目标进化算法,近年来非常流行。为了进一步改进NSGA-II的运行效率,采用了擂台赛法则作为构造非支配集的方法,提出了按需分层的策略。实验结果表明,提出的方法与NSGA-II相比具有更少的非支配集层数,支配比较次数和运行时间。     

多目标优化问题的有效Pareto最优集

多目标优化问题求解是当前演化计算的一个重要研究方向,而基于Pareto最优概念的遗传算法更是研究的重点,然而,遗传算法在解决多目标优化问题上的缺陷却使得其往往得不到一个令人满意的解。在对该类算法研究的基础上提出了衡量Pareto最优解集的标准,并对如何满足这个标准提出了建议。     

改进多目标进化算法NSGA-Ⅱ运行效率的方法

NSGA-Ⅱ是一种性能优良的多目标进化算法,近年来非常流行.为了进一步改进NSGA-Ⅱ的运行效率,采用了擂台赛法则作为构造非支配集的方法,提出了按需分层的策略.实验结果表明,提出的方法与NSGA-Ⅱ相比具有更少的非支配集层数,支配比较次数和运行时间.     

基于Pareto 解集关联与预测的动态多目标进化算法

针对动态多目标优化问题,提出一种基于Pareto解集关联与预测的动态多目标进化算法(LP-DMOEA),设计了基于超块的Pareto解集关联方法.该方法能够动态维护若干描述Pareto解变化规律的时间序列,通过对新环境下的Pareto解集进行预测来生成初始种群.将LP-DMOEA应用于非劣分类遗传算法(NSGA2),并对3类标准测试函数进行了实验,所得结果表明该方法能够有效求解动态优化问题.     

基于Pareto最优概念的多目标进化算法研究

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,重点阐述了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,并归纳了算法性能评估中需要进一步研究的几个问题。     

基于Pareto最优的PID多目标优化设计

现有的PID优化方法往往难以同时兼顾系统对时域和频域性能的要求,针对这一缺陷,提出了一种PID多目标优化方法：将动态性能指标作为优化目标,频域性能指标作为约束条件,采用基于Pareto最优的多目标优化算法对其求解。该算法采用新的拥挤距离计算方法,引入双重精英机制,进化效率高,得到的Pareto最优解集多样性好,决策者可根据当前工作需求从中选择最终的满意解。仿真结果证明了本文方法的有效性。     

基于Pareto最优解的零件制作方向优化研究

分析了快速成型工艺中零件制作方向对制件表面质量、所需支撑面积和零件制造时间的影响,分别建立了它们的优化数学模型。采用了基于Pareto最优解的多目标优化遗传算法NSGA－II进行优化计算,通过与单目标优化方法求得最优结果的对比,表明用多目标优化方法进行零件制作方向的优化计算,不仅可以求出比单目标方法更优的解,而且通过一次优化计算就可得到多个较优的零件制作方向。     

Tourism Route Recommendation Based on A Multi-Objective Evolutionary Algorithm Using Two-Stage Decomposition and Pareto Layering

Tourism route planning is widely applied in the smart tourism field. The Pareto-optimal front obtained by the traditional multi-objective evolutionary algorithm exhibits long tails, sharp peaks and disconnected regions problems, which leads to uneven distribution and weak diversity of optimization solutions of tourism routes. Inspired by these limitations, we propose a multi-objective evolutionary algorithm for tourism route recommendation(MOTRR) with two-stage and Pareto layering based on decom...     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.     

Z规格说明构造方法

比较完整地描述了Ｚ规格说明的结构和写规格说明的的步骤,并通过一个所设计的Ｚ规格说明的实例演示用Ｚ规格说明的过程。     

一种多目标进化算法解集分布广度评价方法

解集分布广度评价是多目标进化算法性能评价中的重要研究课题.作者提出了一种在未知Pareto最优面情况下解集分布广度评价方法(Spread Indicator,SI).不同于已存在的评价方法考虑极端个体,该方法利用边界解集对非支配集分布范围进行评价.对非支配集中边界解的性质和特征进行了详细的分析,讨论了边界解与极端解之间...     

一种基于节点能力区分的Pareto最优网络编码组播方法

快速数据分发在突发事件响应,军事领域等具有重要的应用。针对异构用户节点群体下快速数据分发问题,提出基于能力区分的拓扑构建和速率控制的网络编码组播协议CORE。CORE利用能力区分的自适应层次化拓扑构建鼓励节点提供高的上传带宽并优化系统范围吞吐率;利用直方图的方式对基于网络编码的数据传输进行流量控制,降低冗余数据的传输;基于分布式的速率控制实现Pareto最优的下载速率分配。实验结果表明CORE具有良好的可扩展性,能够充分利用异构节点的上传能力,提供区分的下载带宽分配,较高的数据传输吞吐率、低端到端网络延迟,能够提供异构网络环境下分发时间紧迫的数据分发服务。     

软件体系结构的迭代增量构建方法

软件体系结构是有效实现大粒度软件复用的重要方法，但如何具体实现软件体系结构一直没有得到有效的解决。在分析用例和软件体系结构之间关系的基础上，提出了一种用例驱动、迭代增量方式构建软件体系结构的方法及其模型，分析了迭代增量的过程及相关问题。