混合多目标粒子群优化算法在热精轧负荷分配优化中的应用

通过对热精轧负荷分配过程的分析,选取负荷均衡、板形良好和轧制功率最低为目标,建立了热精轧负荷分配多目标优化模型.为了提高多目标优化算法解集的分布性和收敛性,提出了一种混合多目标粒子群优化算法(HMOPSO),该算法根据Pareto支配关系得到Pareto前沿进而保证种群收敛;采用分解策略维护外部存档,该策略首先根据Pareto前沿求出上界点对目标空间进行归一化处理,然后对种群进行分区处理进而保证种群的分布性能.仿真结果表明,HMOPSO的收敛性和分布性都好于MOPSO和d MOPSO;采用模糊多属性决策的方法从Pareto最优解集中选择一个Pareto最优解,通过与经验负荷分配方法相比,表明该Pareto最优解可以使轧制方案更加合理.     

基于控制流图支配树的测试数据灰度编码生成

为进一步提高数据测试算法性能,提出一种基于控制流图支配树的测试数据灰度编码进化生成算法。首先,利用三角分类程序示例构建数据测试的数据流控制流图,并利用其支配树关系构建测试数据的数据流分析,建立程序变量间的支配关系集;其次,结合遗传算法并利用支配关系及分支距离构建测试数据生成的适应值函数,同时在应用遗传算法时,采用灰度编码方式取代二进制编码,简化编码更新过程;最后,通过在测试程序样例中的实验对比显示,本文所提方法在测试性能上得到明显提升。     

Single-machine earliness–tardiness scheduling with two competing agents and idle time

Two-agent scheduling has gained a lot of research attention recently. Two competing agents who have their own objective functions have to perform their respective set of jobs on one or more shared machines. This study considers a two-agent single-machine earliness and tardiness scheduling problem where jobs have distinct due dates and unforced idleness in between any two consecutive jobs is allowed. The objective is to minimize the total earliness and tardiness of jobs from one agent given that the maximum earliness–tardiness of jobs from the other agent cannot exceed an upper bound. In other words, each job from the second agent has a hard due window, whereas each job from the first agent will incur a penalty if completed either before or after its due date. Two mathematical models of the problem are presented, and several necessary optimality conditions are derived. By exploiting the established dominance properties, heuristic algorithms are developed for the problem. Finally, computational experiments are conducted to assess the models and heuristic procedures.     

基于QoS模糊支配的并发服务组合方法

针对当前服务组合研究主要考虑单个用户请求而忽视并发请求的问题,提出一种基于QoS模糊支配的并发服务组合方法。根据QoS模糊支配关系,提出模糊支配得分的概念,以衡量服务的整体质量。在服务组合过程中,从每个组件中选出模糊支配得分最高的k个服务,去匹配批量的用户请求。对于每个组合请求,从每个相关组件的top-k服务中随机选择一个服务参与服务组合。实验结果表明,该方法可为用户提供较高质量的组合服务,具有较好的实时性。     

CP-nets的可满足性序列求解算法研究

CP-nets是一种简单、直观的图形化偏好表示工具,成为近几年人工智能的一个研究热点.然而对于CP-nets的基础性质——可满足性序列的研究却较少.通过构造CP-nets导出图,利用改进的图的深度优先遍历算法实现二值网的强占优测试,对强占优测试得到的可达矩阵进行分析,得出任意结构CP-nets的可满足性序列个数关系;给出了生成全部可满足性序列的算法;强化和扩充了CP-nets的基本概念,深化了CP-nets的基础理论研究.     

一种基于区分能力的多类不平衡文本分类特征选择方法

文本分类中的不平衡数据问题在现实应用中比较普遍。传统的特征选择方法在不平衡问题上倾向于多数类而忽略稀有类。针对这种倾向性该文提出了一种主导性分析量化方法,并基于对该方法的优化提出了一种基于类别区分能力的特征选择方法,即DA(Discriminative Ability)方法,该方法使用文档概率的最小绝对值差作为评分标准,一定程度上保证了特征选择在稀有类与多数类上的公平性。实验表明,DA优于CHI、IG、DFICF,尤其在F1宏平均指标上,DA在不平衡问题上能够取得更好的降维效果。     

不同支配关系的多目标算法的柔性作业调度

为了提高多目标进化算法所获得解的质量,研究者做了大量的研究,传统的基于Pareto支配关系的多目标进化算法具有一定的局限性。本文利用不同的支配关系与NSGA-II(Non-dominated Sorting Genetic Algorithm)算法相结合,对单机器人搬运的柔性作业车间调度的多目标优化问题进行求解,通过实验比较分析了不同方法在多目标优化问题求解中的优劣性。本文以NSGA-II为框架结合Lorenz支配关系和CDAS(Control Dominance Area of Solutions)支配关系并与传统的基于Pareto支配关系的NSGA-II三种算法去研究同一优化调度问题,发现基于Lorenz支配关系和CDAS支配关系的优化算法比基于传统的Pareto支配关系的优化算法的效果更佳。     

基于相关分析的多目标优化Pareto优劣性预测

昂贵多目标进化算法中,目标向量评估所需计算时间或实验成本高昂,大量昂贵评估必然导致成本灾难.本文根据多目标优化Pareto优劣性取决于各目标分量的序关系这一关键性质,提出一种序拟合方法进行Pareto优劣性预测.在分析样本数据决策空间与目标空间序相关性的基础上,通过线性相关的假设条件,建立低成本的序关系预测方程,并用预测的序关系确定Pareto优劣性.然后对典型多目标优化问题进行Pareto优劣性预测对比实验,结果表明所提方法显著提高了Pareto优劣性的预测精度.最后,将该预测方法集成到NSGA-II算法中,可以避免进化过程中的模型重构,有效减少昂贵目标向量的评估次数.     

一类p叶解析函数的性质

在RUSCHEWEYH S定义了解析函数的Ruscheweyh导数后,许多学者相继研究了与Ruscheweyh导数有关的单叶或多叶解析函数类．近年来,基于不同的线性算子,某些p叶解析函数类或亚纯函数类的性质和特征被广泛地研究．用Hadamard卷积定义线性算子Ia＋p,并利用算子Ia＋p,定义在单位圆内的解析的p叶函数类S^＊n＋p（η;A,B）,给出了此函数类的包含关系S^＊n＋p＋1（η;A,B）∪→cS^＊n＋p（η;A,B）和微分从属的最佳控制函数q1（z）,并根据参数A,B取不同的特殊值得出了相应的推论．     

用最近邻分类方法预测多目标优化d-Pareto支配性

为进一步提高预测精度, 修改候选解间原始Pareto支配性关系, 提出了d-Pareto支配性最近邻预测方法。结合多目标优化的自身特点, 给出了d-Pareto支配性最近邻预测框架, 并论证了d-Pareto支配性预测比Pareto支配性预测具有低平均预测错误率。同时也初步研究了d-Pareto支配性预测与多目标进化算法的交互作用。对几个经典多目标优化问题进行实验, 仿真结果表明d-Pareto支配性预测具有一定的可行性和有效性。