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。     

基于改进的遗传算法的装配序列规划

针对装配序列规划问题的特点,设计了具有针对性的杂交算子和变异算子.并应用Boltzman变比技术对遗传算法进行了改进,提出了一种基于改进的遗传算法的装配序列规划的方法.通过使用精英选择技术,保证最优种群能进入到下一代中.提出了一种应用简化关联图生成遗传算法初始种群染色体的方法,应用该方法并结合人工输入的方法,可以保证初始种群染色体的质量.实际应用证明,该方法比传统方法更加有效.     

基于改进郊狼优化算法的充电站选址定容规划

针对郊狼优化算法全局搜索能力不足、易陷入局部最优的缺陷进行了研究,在郊狼优化算法寻优进程中引入变形的精英保留策略,并在郊狼成长过程中加入环境影响因子,再将成长后的郊狼代入Kent映射遍历搜索空间,强化算法的开采能力和搜索性能,提出了一种改进郊狼优化算法,数值实验表明该算法具有较优的性能。以全社会经济成本和碳排放量为决策目标,构建了一个电动汽车充电站选址定容双层规划模型,并将改进后的郊狼优化算法求解该规划模型,验证了该算法的可行性和有效性。     

自适应遗传算法求解模糊作业车间调度问题

研究模糊作业车间调度问题(FJSSP),用三角模糊数表示模糊加工时间,用半梯形模糊数表示模糊交货期,以最大化最小客户满意度为调度目标,建立了模糊环境下Job-shop调度问题的模型。提出了一种自适应遗传算法,该算法采用基于优先列表的编码方式,提高了编码效率;在进化过程中对种群采用精英保留策略,确保最优个体不被破坏;并对自适应交叉变异算子进行了改进,使种群最优个体参与进化。仿真结果证明所提算法在寻优能力及收敛性能方面均有所改善。     

精英蜂群算法及考虑利益相关者的众包定价模型

任务分配是众包流程的关键所在,也是众包价值的重要体现。从众包活动参与者即主体企业、众包平台、平台会员的视角出发,研究服务众包定价问题。在考虑会员信誉度和任务聚集度的基础上,针对含有地理因素的众包任务设计打包分配定价方案。以服务成本、任务价值、会员收益等为导向,对不同任务进行组合配置,从而设计多目标规划任务配置及定价模型,并针对该模型构建了精英蜂群算法。在精英蜂群算法中,充分利用蜜源信息并着重考虑成长性较好的蜜蜂,进而避免了局部最优问题,提高了搜索效率。通过对众包服务企业运营数据分析,获取到众包服务会员特征及任务完成相关基础信息,以此进行仿真实验。仿真结果表明通过众包任务打包定价机制,任务完成率、企业总成本、三方总收益等方面均有显著优化。综合模型及数据实验可知,众包任务在定价与发布过程中根据自身特征差异,在无差异服务中只需要考虑会员信誉度,对于具有服务差异性的任务则需要考虑打包发布。     

基于混合二次对立学习的生物地理优化算法

针对生物地理优化(BBO)算法探索能力不强、收敛速度慢的缺点,提出一种基于混合二次对立学习的生物地理优化算法--HQBBO。首先,定义一种启发式的混合二次对立点,并从理论上证明其搜索效率优势;然后,提出混合二次对立学习算子,增强算法的全局探索能力,提高收敛速度;此外,还采用搜索域动态缩放策略和精英保留策略进一步提高寻优效率。对8个基准测试函数的仿真实验结果表明,所提算法在寻优精度和收敛速度上优于基本BBO算法和对立BBO算法(OBBO),表明其采用的混合二次对立学习算法对于其高收敛速度和全局探索能力是非常有效的。     

基于改进的遗传算法软硬件划分方法研究

随着芯片集成度的飞速发展,集成电路的设计已经进入了片上系统（Soc,Systemonchip）的时代。传统的软硬件分开设计的方法已经不在适合Soc设计的需要,而软硬件协同设计技术很好解决了传统设计方法所不能解决的问题。软硬件划分方法是软硬件协同设计中的一个关键问题,从基于多目标的遗传算法出发,主要做了两方面的改进：一方面引入小生境技术,进一步优化了算法;另一方面是引入精英保持策略,保证了算法的收敛性。     

一种改进的多目标粒子群优化算法

提出一种改进的多目标粒子群优化算法,该算法采用精英归档策略,由档案库中的非劣解提供粒子速度更新时的全局最优位置,根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的线密度度量非劣解前端的均匀性,通过删除小密度的非劣解提高非劣解前端的均匀性。针对多目标进化算法理论型指标的不足,设计了应用型评价指标。标准函数的仿真实验结果表明,所提算法能够获得大量的非劣解,快速地收敛于Pareto最优解前端,且分布比较均匀。