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。     

高维多目标问题的排序新方法

针对高维多目标优化问题,提出了一种新的排序方法．它通过产生近似最优目标向量来增加种群的规模,从而达到对真实个体的有效排序．首先构造一个理想的帕累托前沿面,然后将这个理想的帕累托前沿面分成若干个网格,使每个个体都对应惟一的一个网格,通过这个网格上的节点来判断这个体是不是非支配解．数值实验表明,即使对于50维目标的问题,收敛性度量值也小于1．此外,与当前的两种最具代表性的松弛的帕累托占优方法比较,该方法能同时保持解的多样性和收敛性．     

无线传感器网络中新的最小暴露路径问题及其求解算法

无线传感器网络中原始的最小暴露路径问题没有考虑对路径的实际限制条件,提出一种要求经过某一特别保护区域部分边界的最小暴露路径问题。由于无法建立相应的图模型,原有求解最小暴露路径问题的经典方法（网格法和维诺图法）对提出的新问题不再起效。先将该问题转化成带约束条件的优化问题,然后针对转化后的数学模型高度非线性、高维度而不好用确定性优化方法的特点,结合问题实际背景设计出混合人工蜂群求解算法。通过在多种情况下的仿真实验发现,设计的带约束条件优化模型和混合人工蜂群求解算法能有效解决提出的最小暴露路径问题。