差分进化算法研究进展

作为一种简单而有效的新兴计算技术，差分进化算法（DE）已受到学术界和工程界的广泛关注．并取得了许多成功应用．为此，围绕差分进化算法的原理、特点、改进及其应用等方面进行全面综述．重点介绍了针对复杂环境的差分进化算法研究内容，包括多目标、约束、离散和噪声环境下的优化等．最后提出了有待进一步研究的若干方向．  

基于粒子群算法求解多目标优化问题

粒子群优化算法自提出以来，由于其容易理解、易于实现，所以发展很快，在很多领域得到了应用．通过对粒子群算法全局极值和个体极值选取方式的改进，提出了一种用于求解多目标优化问题的算法，实现了对多目标优化问题的非劣最优解集的搜索，实验结果证明了算法的有效性．  

多目标优化的演化算法

近年来．多目标优化问题求解已成为演化计算的一个重要研究方向，而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点．多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域．该文在比较与分析多目标优化的演化算法发展的历史基础上，介绍基于Pareto最优概念的多目标演化算法中的一些主要技术与理论结果，并具体以多目标遗传算法为代表，详细介绍了基于偏好的个体排序、适应值赋值以及共享函数与小生境等技术．此外，指出并阐释了值得进一步研究的相关问题．  

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.  

遗传算法求解复杂集装箱装载问题方法研究

现场集装箱装载问题多为多目标、多约束优化的复杂问题.遗传算法本身的鲁棒性、并行搜索性以及在NP完全问题求解中的广泛应用,表明遗传算法是解决复杂集装箱装载问题的有效途径.探讨了遗传算法在求解这一复杂问题过程中的应用,给出了有效的编码形式和解码运算.算例求解结果显示出很好的效果.  

基于学习的遗传算法及其在布局中的应用

布局问题属于具有很强应用背景的组合优化问题，除其内在的NP完全的计算复杂性，布局还包括约束复杂性问题和布局物体与空间的形状复杂性问题。针对布局求解中存在的问题，该文进行了基于全局优化的布局求解方法研究。布局问题中有一类关于复杂分片光滑连续函数全局优化算法，但目前的各种遗传算法的效率和精度不能令人满意。文中从生物可以从环境中学习生存技巧、自主的趋利避害的思路出发，增加了学习算子，引用函数的局部信息，构造拟牛顿方向，令每个个体在当前状态下有目的地搜索，最有效的向局部最优点趋进。通过典型测试函数与传统遗传算法，模拟退火算法，复合形法进行比较验算，表明该算法具有优良的求解质量和较好的求解效率；并以旋转卫星舱布局的简化模型为背景，建立多目标优化数学模型，与传统遗传算法和乘子法的计算结果比较，该算法求解的质量和效率更优。该文研究表明，基于学习的遗传算法在布局优化中具有应用潜力；启发式随机搜索策略和局部优化算法相结合的求解方案是解决复杂函数优化的有效途径。  

约束优化进化算法

约束优化问题是科学和工程应用领域经常会遇到的一类数学规划问题.近年来,约束优化问题求解已成为进化计算研究的一个重要方向.从约束优化进化算法=约束处理技术+进化算法的研究框架出发,从约束处理技术和进化算法两个基本方面对约束优化进化算法的研究及进展进行了综述.此外,对约束优化进化算法中的一些重要问题进行了探讨.最后进行了各种算法的比较性总结,深入分析了目前约束优化进化算法中亟待解决的问题,并指出了值得进一步研究的方向.  

多目标优化的一类模拟退火算法

多目标优化是运筹学中的重要研究课题，但迄今仍缺乏高效的优化技术。通过对搜索操作和参数的合理设置，提出了一类求解多目标优化问题Pareto最优解的高效模拟退火算法。基于典型算例的数值仿真验证了算法的有效性。  

基于极大极小距离密度的多目标微分进化算法

微分进化(differential evolution)是一种新的简单而有效的直接全局优化算法,并在许多领域得到了成功应用.提出了基于极大极小距离密度的多目标微分进化算法.新算法定义了极大极小距离密度,给出了基于极大极小距离密度的Pareto候选解集的维护方法,保证了非劣解集的多样性.并根据个体间的Pareto.支配关系和极大极小距离密度改进了微分进化的选择操作,保证了算法的收敛性,实现了利用微分进化算法求解多目标优化问题.通过对5个ZDT测试函数、两个高维测试函数的实验及与其他多目标进化算法的对比和分析,验证了新算法的可行性和有效性.  

多目标进化算法研究进展

进化算法具有本质上并行、不需要求导或其他辅助知识、一次运行产生多个解和简单易于实现等优点，被视为求解多目标优化问题的有效方法，目前已经形成了各种不同的多目标进化算法（MOEA）。本文首先回顾了多目标进化算法的研究起源，给出了多目标优化问题的数学描述；其次，详细分析了第一代多目标进化算法，其主要特征是简单易于实现，包括NSGA、NPGA、MOGA等，并指出这一代算法研究的成绩与不足；然后，对第二代多目标进化算法作了全面分析，指出其特征是强调效率，以精英保留策略为实现机制，且对SPEA、PAES、NSGAⅡ、NPGA2、PESA、Micro-GA等方法进行分析比较，还对这一代的研究作了总结；最后，对多目标进化算法的研究趋势作了展望和预测。