变邻域分解多目标自适应差分进化算法

分解方法是处理复杂问题常用的一种手段,而差分进化算法被广泛地应用于多目标优化问题(multiobjective optimization problems,MOP),为了克服经典差分进化算法和分解方法的缺陷,本文提出了一种自适应差分进化算法和变邻域分解方法相结合的新颖算法一ADEMO/D-ENS,该算法采用Tchebycheff方法将多目标优化问题分解成多维标量优化子问题,并利用邻域子问题的信息进行优化,基于邻域种群集依概率自适应选择邻域种群规模;同时采用概率匹配(]probability match,PM)自适应方法从差分策略池中选择差分进化策略;同时分析了算法的复杂度;最后,通过和经典的非支配排序遗传算法(non-dominated sorting genetic algorithmsⅡ,NSGA-Ⅱ)和多目标差分进化算法(multi-objective differential evolution algorithm,MODE)仿真对比,说明ADEMO/D-ENS方法可以更有效的处理多目标优化问题.     

基于改进元胞多目标遗传算法的机床主轴优化

为了进一步提高元胞遗传算法在求解多目标优化问题时的收敛性和分布性。在多目标元胞遗传算法的基础上,引入了三维空间元胞,提出了三维元胞多目标遗传算法。采用多目标基准测试函数对该算法进行了测试,并将其与目前比较流行的几种多目标遗传算法进行对比。结果表明,此种算法在收敛性和分布性上取得了更好的效果。采用以上这几种算法分别对机床主轴多目标优化问题进行了求解,相比其他几种算法,改进的多目标元胞遗传算法得到了更优的结果,说明了改进的算法在求解此问题时行之有效。     

一种自适应多目标离散差分进化算法

提出一种自适应多目标离散差分进化算法。该算法将差分进化引入多目标优化领域,采用一种新的自适应离散差分进化策略增强算法的全局搜索能力,以获得更优的Pareto近似解,并结合Pareto快速分层排序策略和基于聚集密度的按层修剪操作对种群进行更新维护,使解集保持良好的多样性。实例测试和算法比较表明,该算法能有效求解离散域和连续域上不同类型的多目标优化问题,且在收敛性、分布性、稳定性方面均表现较好。     

基于线性映射的多物种捕食元胞遗传算法

为提高捕食元胞遗传算法的性能及在基因型上对种群进行区分,提出一种基于线性映射的多物种捕食元胞遗传算法。该算法通过引入映射矩阵,改变种群基因型到表现型的映射关系,使不同物种间所携带的遗传信息不同。在进化过程中,不同物种采用不同的遗传方式进行交叉,并根据种群离散程度自适应调整映射矩阵系数控制种群进化方向,有效提高算法跳出局部最优的能力。对若干低维及高维典型函数进行仿真实验,将文中算法与其它同类算法对比,实验结果表明,文中算法在全局收敛率上具有较明显的优势。     

基于隐马尔可夫链的自适应MODE及应用

不同的控制参数设定和生成策略（交叉和变异）都会对多目标差分进化算法的性能产生显著影响。为实现其控制参数和变异策略的实时自适应调整,提出一种基于隐马尔可夫链的自适应多目标差分进化算法。该算法利用隐马尔可夫模型对种群信息进行分析并得到最优序列,通过最优序列与实际状态序列的对比得出变异缩放因子[F]与交叉概率[CR]的最大似然估计值,从而实现控制参数的自适应调整;同时,通过隐马尔可夫模型得到一组策略链来辅助多目标差分进化算法来选择合适的变异策略。通过与其他9种多目标进化算法在16个测试函数上的对比研究,结果表明所提算法的整体性能优于其他比较算法。最后,将该算法用于求解海铁联运能耗优化问题,所得结果能够为决策者提供多种可行方案。     

基于多中心城市策略的分层元胞遗传算法

为提高分层元胞遗传算法在解决复杂函数优化问题时的求解精度、收敛速度和求解效率.在分层元胞遗传算法的基础上借鉴西方经济理论中中心城市思想提出了一种基于多中心城市策略的分层元胞遗传算法.该算法在进化初期选择适应度值高的多个个体作为种群进化过程中的中心城市,中心城市周围元胞空间的个体按照一定的迁移规则往中心城市迁移,全局最优...     

解决多目标优化问题的差分进化算法研究进展

差分进化(differential evolution,DE)是一种简单但功能强大的进化优化算法.由于其优秀的性能,其诞生之日起就吸引了各国研究人员的关注.作为一种基于群体的全局性启发式搜索算法,差分进化算法在科学和工程中有许多成功的应用.本文对解决多目标优化问题的差分进化算法研究进行了综述,对差分进化的基本概念进行了详细的描述,给出了几种解决多目标优化问题的差分进化算法变体,并且给出了差分进化算法解决多目标优化问题的理论分析,最后,给出了差分进化算法解决多目标优化问题的工程应用,并指出了未来具有挑战性的研究领域.     

基于改进差分进化算法的PID优化设计

提出一种基于改进差分进化算法的PID控制器参数优化方法.针对差分进化算法的优化性能受控制参数取值和差分进化类型的影响较大,算法容易早熟收敛的问题,提出改进差分进化算法.该算法在标准差分进化理论基础上对差分矢量的初始种群、缩放因子、交叉概率和差分进化模式进行优化,将缩放因子和交叉概率由固定数值设计为随机函数,随着搜索过程的进行,自适应选取差分进化模式,从而增强搜索能力.在PID参数的优化设计中通过仿真实验研究,表明采用新方法获得的PID控制器性能优于基于常规方法、遗传算法和基本差分进化算法设计的PID控制器.     

多目标差分进化在热连轧负荷分配中的应用

提出一种基于差分进化算法的多目标进化算法, 该算法个体的选择是通过非支配排序和拥挤度距离进行综合考虑. 保证了算法收敛到Pareto最优解集的同时, 提高了最优解个体分布的多样性. 通过与非支配排序遗传算法Ⅱ(NSGA Ⅱ)算法进行仿真对比, 结果显示基于拥挤度排序的多目标差分进化算法在收敛性和Pareto最优解集分布的多样性上均优于NSGA Ⅱ算法. 最后将其引入到热连轧负荷分配优化计算中, 给出了目标函数的表达方式, 对多目标进化算法在热连轧负荷分配计算中的应用进行了研究.     

针对动态目标的多无人机协同组合差分进化搜索方法

针对多无人机动态目标协同搜索问题,提出一种组合差分进化无人机协同搜索航迹规划方法.建立动态目标协同搜索环境信息图模型及无人机运动模型.基于改进差分蝙蝠算法和自适应差分进化算法,设计基于种群数量自适应分配的组合框架,将差分进化算法中的变异、交叉和选择机制引入蝙蝠算法,构建组合差分进化算法的协同搜索算法,并对无人机动态目标协同搜索的航迹进行优化.针对待搜索目标轨迹随机多变且具有规避侦察特性的现实场景,建立可回访数字信息图和自适应目标搜索增益函数,从而提高无人机对动态目标的捕获能力.最后,通过仿真结果验证所提出的无人机动态目标协同搜索算法的有效性.     

用于游戏NPC路径规划的改进遗传算法

针对游戏非玩家控制(NPC)路径规划中传统遗传算法计算速度慢、正确率低等问题,设计了改进型遗传算法.提出了最佳种群规模估计方法,设计了基于精英主义思想的遗传算子.根据游戏地图的特点,引入了基于启发式深度优先搜索的变异操作.与传统遗传算法以及其他学者的改进算法进行了对比实验.实验结果表明:算法能够在保证正确率的前提下,提高计算速度,并且在多目标的环境下同样适用.     

一种求解多目标组合优化的遗传局部搜索算法

为改善遗传算法求解多目标组合优化问题的搜索效率,提出一种新的遗传局部搜索算法.算法采取非劣解并行局部搜索策略以及基于分散度的精英选择策略,并采用基于NSGA-Ⅱ的适应度赋值方式和二元赌轮选择操作,以提高算法收敛性,保持群体多样性.实验结果表明,新算法能够产生数量较多分布较广的近似Pareto最优解.     

Multi-objective genetic algorithm and its applications to flowshop scheduling

In this paper, we propose a multi-objective genetic algorithm and apply it to flowshop scheduling. The characteristic features of our algorithm are its selection procedure and elite preserve strategy. The selection procedure in our multi-objective genetic algorithm selects individuals for a crossover operation based on a weighted sum of multiple objective functions with variable weights. The elite preserve strategy in our algorithm uses multiple elite solutions instead of a single elite solution. That is, a certain number of individuals are selected from a tentative set of Pareto optimal solutions and inherited to the next generation as elite individuals. In order to show that our approach can handle multi-objective optimization problems with concave Pareto fronts, we apply the proposed genetic algorithm to a two-objective function optimization problem with a concave Pareto front. Last, the performance of our multi-objective genetic algorithm is examined by applying it to the flowshop scheduling problem with two objectives: to minimize the makespan and to minimize the total tardiness. We also apply our algorithm to the flowshop scheduling problem with three objectives: to minimize the makespan, to minimize the total tardiness, and to minimize the total flowtime.     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

一种基于极坐标的分布度保持策略

将极坐标的思想引入多目标遗传算法来保持解的多样性,由此提出了一种新的多目标遗传算法：PCGA2（Polar Coordinates Genetic AlgorithmsⅡ）;分析了基于极坐标的分布度保持策略的时间复杂度,并通过实验将PCGA2同当前流行的两种多目标遗传算法（NSGA2和SPEA2）进行了比较。实验数据表明该算法不仅在时间耗费上比较低,而且所得到的解具有非常好的分布度。     

A Novel Quantum - inspired Multi - Objective Evolutionary Algorithm Based on Cloud Theory

In the previous papers,Quantum-inspired multi-objective evolutionary algorithm(QMEA) was proved to be better than conventional genetic algorithms for multi-objective optimization problem.To improve the quality of the non-dominated set as well as the diversity of population in multi-objective problems,in this paper,a Novel Cloud -based quantum -inspired multi-objective evolutionary Algorithm(CQMEA) is proposed.CQMEA is proposed by employing the concept and principles of Cloud theory.The algorithm utilizes the random orientation and stability of the cloud model,uses a self-adaptive mechanism with cloud model of Quantum gates updating strategy to implement global search efficient.By using the self-adaptive mechanism and the better solution which is determined by the membership function uncertainly,Compared with several well-known algorithms such as NSGA-Ⅱ,QMEA.Experimental results show that(CQMEA) is more effective than QMEA and NSGA -Ⅱ.     

基于灰熵关联分析的流水车间多目标调度优化及算法实现

求解流水车间多目标调度优化问题及算法适应度值分配问题, 结合灰色关联度分析方法及信息熵理论提出灰熵关联度适应值分配策略, 利用灰关联系数结合熵值权重计算适应度值, 以灰熵关联度值引导启发式算法进化. 将该方法应用到差分算法及遗传算法中解决三目标流水车间调度问题. 实验表明: 灰熵关联度适应值分配策略能够解决该问题, 可以得到分布均匀的Pareto 前端; 同时, 基于此策略的差分算法得到的解好于遗传算法的解.     

数据驱动选择策略的多目标差分进化算法

针对多目标差分进化算法求解复杂多目标优化问题时,最优解选择策略中非支配排序计算复杂度高的问题,提出一种数据驱动选择策略的多目标差分进化(MODE-DDSS)算法.首先,设计多目标差分进化算法的优化解排序等级评估准则,建立基于评估准则的优化解排序等级评估库;其次,设计基于优化解双向搜索机制和无重复比较机制的数据驱动选择策略,实现优化解的高效搜索和快速排序;最后,构建数据驱动选择策略的多目标差分进化算法,降低算法在最优解选择操作中的时间复杂度,提高算法的寻优效率.实验结果表明,所提出的MODE-DDSS算法能够有效减少最优解在选择过程中的比较次数,提升多目标差分进化算法解决复杂多目标优化问题的寻优效率.     

结合Kriging和物理规划的多目标代理优化算法

遗传算法处理高耗时且具有黑箱性的工程优化问题效率不足。为了提高工程优化效率，结合Kriging代理优化和物理规划，提出了基于Kriging和物理规划的多目标代理优化算法。在处理多目标问题时，使用物理规划将多目标问题转换成单目标问题，再使用Kriging代理优化对单目标问题进行求解。通过两个多目标数值算例和一个工程实例对提出的算法进行验证。结果表明，提出的算法能够求出符合偏好设置的Pareto最优解，且算法的效率更高。     

基于新模型的多目标Memetic算法及收敛分析

将多目标函数优化问题转化成单目标约束优化问题.对转化后的问题提出了基于约束主导原理的选择方法,克服了多数方法只使用Pareto优胜关系作为选择策略而没有采用偏好信息这一缺陷;Memetic算法是求解多目标优化问题最有效的方法之一,它融合了局部搜索和进化计算.新的多目标Memetic算法引进C-metric,将模拟退火算法与遗传算法结合起米,改善了全局搜索能力.用概率论的有关知识证明了算法的收敛性.仿真结果表明该方法对不同的试验函数均可求出一组沿着Pareto前沿分布均匀且散布广泛的非劣解.