基于新模型的动态多目标优化进化算法

在动态多目标优化中,各目标通常相互冲突,其最优解往往有无穷多个,如何在时间连续发生变化的情况下依然能求出分布均匀且数量多的Pareto最优解供决策者选择十分重要.对动态多目标优化问题连续变化的时间变量区间进行了任意划分,在得到的每个时间子区间上把动态多目标优化问题近似为静态多目标优化问题,进而在每个子区间上定义了种群的静态序值方差和静态密度方差,然后把目标个数任意的动态多目标优化问题转化成一个双目标静态优化问题.在给出的一种能自动检测时间变化的自检算子下,提出一种新的动态多目标优化进化算法,并且证明了算法的收敛性.计算机仿真表明新算法对动态多目标优化问题求解十分有效.     

基于协同进化的约束多目标优化算法

针对约束多目标优化算法存在难以有效地兼顾收敛性和多样性的问题,提出一种基于协同进化的约束多目标优化算法.第一阶段,通过基于稳态演化的可行解搜索方式得到一个具有一定数量可行解的种群;第二阶段,将这个种群拆分为两个子种群,并通过双子种群协同进化的方式实现对收敛性和多样性的兼顾;最后采用标准约束多目标优化问题CF1～CF7、...     

基于进化算法的多目标优化方法

进化算法在解决多目标优化问题中有其特有的优势.首先对多目标优化问题进行了描述;然后结合研究现状讨论了目前几种主要的基于进化算法的多目标优化方法,以及它们的优缺点;最后给出了多目标进化优化算法的一些应用,以及进化多目标优化算法的未来发展方向.     

动态多目标优化进化算法研究进展

动态多目标优化问题(Dynamic multi-objective optimization problems, DMOPs)已成为工程优化的研究热点, 其目标函数, 约束函数和相关参数都可能随时间不断变化, 如何利用搜索到的历史最优解对新的环境变化做出快速响应, 是设计动态多目标优化进化算法(Dynamic multi-objective optimization evolutionary algorithm, DMOEA)的重点和难点. 本文在介绍DMOEA的基础上, 分析了近年来基于个体和种群级别的环境响应策略, 多策略混合等的DMOEA主要研究进展, 并介绍了DMOEA的性能测试函数, 评价指标以及在工程优化领域中的应用, 分析了DMOEA研究中仍面临的主要问题, 展望了未来的研究方向.     

基于粗糙集理论与差分进化的混合多目标优化算法

针对传统算法求解约束多目标优化所得近似解精度不高、分布性能不好的问题,提出一种基于粗糙集理论与差分进化的混合算法.首先利用多目标差分进化生成一个初始的近似 Pareto 前沿;然后利用粗糙集理论提高Pareto 前沿的分布质量.选取一组标准的多目标约束测试问题,采用混合算法与 NSGA-II 算法进行仿真求解,对比结果表明,所提出的算法在求解约束多目标优化问题时具有更好的近似解分布和更优越的近似解性能.     

一类带约束动态多目标优化问题的进化算法

动态多目标约束优化问题是一类NP-Hard问题,定义了动态环境下进化种群中个体的序值和个体的约束度,结合这两个定义给出了一种选择算子.在一种环境变化判断算子下给出了求解环境变量取值于正整数集Z+的一类带约束动态多目标优化问题的进化算法.通过几个典型的Benchmark函数对算法的性能进行了测试,其结果表明新算法能够较好地求出带约束动态多目标优化问题在不同环境下质量较好、分布较均匀的Pareto最优解集.     

基于(μ+1)演化策略的多目标优化算法

使用(μ 1)演化策略求解多目标优化问题，利用群体中个体间的距离定义拥挤密度函数以衡量群体中个体的密集程度，个体适应值定义为个体的Pareto强度值和拥挤密度值之和。通过对测试函数的实验，验证了算法的可行性和有效性，该算法具有简单、稳健等特点。     

动态进化多目标优化中的串式记忆方法

如何利用过去搜索到的最优解对新的环境变化做出快速响应,是动态进化多目标优化(Dynamic Evolutio-nary Multi- objective Optimization,DEMO)研究的一大挑战。为此提出了一种串式记忆(Bunchy Memory,BM)方法。设计了基于极小化效应函数的抽取过程,从非支配集中抽取一串记忆串,以便保持记忆的多样性;将记忆体组织成串式队列的方式,以便将过去数次环境变化下抽取的记忆串存入记忆体;提出了基于二进制锦标赛选择的检索过程以复用记忆体中过去的最优解,来快速响应新的变化。BM方法具有良好的记忆效果,显著地提高了DEMO算法的收敛性和多样性。4个标准测试问题上的实验结果表明,BM方法比其它3种方法具有更好的记忆能力。相应地,集成了BM方法的DEMO算法所获得解集的收敛性与多样性也明显好于其它3种DEMO算法。     

基于偏好信息的动态引导式多目标寻优策略研究

传统的多目标进化算法研究的重点是获得分布在整个Pareto边界上的最优解集,而在现实问题中,决策者只对边界上某些区域分布的解感兴趣.纳入决策者偏好信息的多目标进化算法的研究很有实际意义.因此节约计算资源、快速有效地找到偏好区域的Pareto解集成为其研究的重点.针对该问题,本文提出基于偏好信息的动态引导式多目标寻优策略.该策略通过设置参数ε反映搜索过程中引导区域的动态性,参数控制DM偏好范围.将解与引导区域的距离作为响应选择策略的一个因素,从而有效地获得期望区域内的折衷解.实验结果表明,该算法具有较好的收敛性.     

多目标演化算法的进展研究

回顾多目标演化算法的研究历史,给出问题相应的数学描述;其次,分析经典的第一代多目标进化算法,阐明这一代算法的优点与不足;对新一代多目标进化算法作详细的分析,其主要特点是构造外部种群实现精英保留机制;最后多目标进化算法的研究方向作展望.     

基于多区域中心点预测的动态多目标优化算法

现实生活中存在很多动态多目标优化问题(DMOPs),这类问题要求算法在环境变化后快速收敛到新的Pareto前沿,并保持解集的多样性,随着Pareto前沿复杂程度的增加,这一问题更加突出.鉴于此,提出一种基于多区域中心点预测的动态多目标优化算法(MCPDMO).首先,根据环境变化的严重程度将种群划分为多个子区域,使得个体的分配更加适应动态变化的环境;然后,分别计算每个子区域的中心点,对不同子区域在不同时刻的中心点建立时间序列,并利用差分模型预测新环境的最优解集,以提高算法对不同环境变化的响应能力;最后,为验证算法的有效性,与3种动态多目标优化算法在10个标准测试函数上进行仿真实验.实验结果表明,所提出算法在具有复杂Pareto前沿的动态问题上表现出更优的收敛性和分布性.     

基于偏好信息的多目标微粒群优化算法研究

在实际决策过程中,决策者可能并不需要完全获悉所有的决策方案,而是只对一些特定方案产生兴趣,对此,提出指定目标间重要关系和给定目标空间参考点情况下的多目标微粒群优化算法.以格栅作为解的多样性保持策略,对于给定目标间重要关系的偏好信息,可以获得特定区域的多个解;对于给定参考点的偏好信患,可以同时获得多个特定区域中的多个解,有利于决策者进行更有效的决策.通过对典型测试问题的仿真实验,验证了本算法的正确性和有效性.     

多目标优化算法NSGA-II的改进

该文提出了NSGA-II算法的一种改进算法—INSGA。在引入算术交叉算子的同时,提出并引入累积排序适应度赋值策略。实验表明,INSGA具有更高的收敛速度和更好的种群多样性。     

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Pareto 解集关联与预测的动态多目标进化算法

针对动态多目标优化问题,提出一种基于Pareto解集关联与预测的动态多目标进化算法(LP-DMOEA),设计了基于超块的Pareto解集关联方法.该方法能够动态维护若干描述Pareto解变化规律的时间序列,通过对新环境下的Pareto解集进行预测来生成初始种群.将LP-DMOEA应用于非劣分类遗传算法(NSGA2),并对3类标准测试函数进行了实验,所得结果表明该方法能够有效求解动态优化问题.     

基于斜率淘汰策略的多目标演化算法

提出一种新的多目标演化算法——基于斜率淘汰策略的多目标演化算法。利用基于斜率的淘汰策略,在演化过程中能以较低的时间复杂度更新精英空间、保存精英个体(Elitist),且取得的解数量大,既保证了近似解集对Pareto前沿的逼近,又很好地保持了解集分布的均匀性。对于一些代表性的Benck Mark问题,数值试验都取得了非常好的效果。     

基于离线搜索的人工免疫动态多目标优化算法

为了能在环境快速变化后迅速找到新环境下的Pareto解,提出了一种基于离线搜索与在线优化相结合的人工免疫动态多目标进化算法。首先,所提算法预估优化过程中可能会出现的动态环境。其次,算法搜寻到上述预估环境下的近似Pareto解,并将其存储在离线解集中。动态发生后,所提算法采用基于离线解集的动态响应策略来重新获得一组高质量的初始种群。随后,基于抗体消灭抗原的免疫思想设计了一种子代生成策略,使重新获得的初始种群快速靠近当前环境下优化问题的真实Pareto解,进而提高算法的优化效率。为了验证该算法的有效性,在动态多目标优化问题标准测试集上进行对比实验。实验结果表明,所提算法能够更快速准确地跟踪动态环境下的Pareto前沿。     

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。     

动态选择与替换策略的多目标约束优化进化算法

提出一种基于动态选择与替换策略的多目标优化进化算法用于求解约束优化问题.新算法首先将约束优化问题转化为两个目标的多目标优化问题,基于Parto支配关系,把初始种群分为Pareto子集和Non-Pareto子集,引入一种非劣个体保护偏好策略,动态选取一定比例的最优非劣个体直接进入下一代群体,剩下的非劣个体随机替代Pareto子集中的个体.Pareto子集和Non-Pareto子集分别进行单形交叉和多样性变异操作产生新的子种群.对13个标准测试问题的数值实验结果表明新算法的有效性.     

动态多目标优化:测试函数和算法比较

生活中存在大量的动态多目标优化问题,应用进化算法求解动态多目标优化问题受到越来越多的关注,而动态多目标测试函数对算法的评估起着重要的作用.在已有动态多目标测试函数的基础上,设计一组新的动态多目标测试函数.Pareto最优解集和Pareto前沿面的不同变化形式影响着动态多目标测试函数的难易程度,通过引入Pareto最优解集形状的变化,结合已有的Pareto最优解集移动模式,设计一组测试函数集.基于提出的测试函数集,对3个算法进行测试,仿真实验结果表明,所设计的函数给3个算法带来了挑战,并展现出算法的优劣.