多目标拆卸线平衡问题的Pareto细菌觅食算法*

拆卸线平衡问题的优化涉及多个目标,为克服传统方法在求解多目标拆卸线平衡问题时不能很好处理各子目标间冲突及易于早熟等不足,提出了一种多目标细菌觅食优化算法。算法采用Pareto非劣排序技术对种群进行分级,并结合拥挤距离机制评价同级个体的优劣。为提高算法收敛性能,在趋向性操作结束后引入精英保留策略保留优秀个体,并采用全局信息共享策略引导菌群不断向均匀分布的Pareto最优前沿趋近。通过不同规模算例的对比验证表明了算法的有效性与优越性。     

目标驱动离散布谷鸟搜索算法的不完全拆卸线平衡多目标优化

针对拆卸需求零件和危害零件的不完全拆卸线平衡问题,构建了优化拆卸序列长度、工作站数目、空闲时间均衡指标和拆卸成本的多目标不完全拆卸线平衡模型;为适应问题的离散性、多目标、多约束特性,提出了一种基于Pareto解集的目标驱动离散布谷鸟搜索算法.该算法首先建立模型与鸟窝位置、鸟蛋属性的映射关系,以此制定莱维飞行操作、巢寄生操作的离散化规则;然后通过以目标为导向的驱动操作实现单目标深度优化与多目标协同优化;为获得分布性良好的拆卸方案,采用拥挤距离机制筛选外部档案中的非劣解.对不同规模的3个实例与19个基准算例进行实验,验证了该算法的有效性和优越性;以某打印机的不完全拆卸为例,采用文中模型和算法进行不完全拆卸线平衡多目标优化,为决策者提供了侧重点不同的9种拆卸方案.     

考虑零件分类的U型拆卸线平衡问题与改进烟花算法求解

针对拆卸生产线中存在的不确定性和零件复杂性,构建以最小化工作站数、空闲指标、拆卸成本及零件分类指标的多目标数学模型并采用一种改进烟花算法对所提模型进行求解.首先,考虑所求解问题的特性对烟花算法进行离散化处理,重新定义了爆炸操作和变异操作,烟花个体产生爆炸火花和变异火花之后引入Pareto解集思想和NSGA-II拥挤距离机制对可行解进行筛选并更新烟花个体.其次,将所提烟花算法分别应用于求解中规模直线型和大规模U型拆卸线平衡问题算例中,并与其它算法的求解结果对比,验证改进烟花算法在直线型和U型拆卸线上的求解性能.最后,将所建模型和算法应用到打印机拆卸线中,并与直线型求解结果进行对比,对比结果表明所提方法有效可行.     

基于Pareto的多目标优化免疫算法

免疫算法具有搜索效率高、避免过早收敛、群体优化、保持个体多样性等优点。将其应用于多目标优化问题,建立了一种新型的基于Pareto的多目标优化免疫算法(MOIA)。算法中,将优化问题的可行解对应抗体,优化问题的目标函数对应抗原,Pareto最优解被保存在记忆细胞集中,并利用有别于聚类的邻近排挤算法对其进行不断更新,进而获得分布均匀的Pareto最优解。文章最后,对MOIA算法与文献[3]中SPEA算法进行仿真,通过比较两者的收敛性和分布性,得到了MOIA优于SPEA的结论。     

Pareto强度值演化算法求解多目标优化问题

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.本文定义和使用稀松密度来保持群体中个体的均匀分布,并将个体的Pareto强度值和稀松密度合并到个体的适应值定义中.通过对测试函数的实验,验证了算法的可行性和有效性.     

Pareto解集旋转的分类多策略预测动态多目标优化

为更有效地解决Pareto解集（Pareto set,PS）旋转的动态多目标优化问题,提出PS旋转的分类多策略预测方法（rotation-based forecasting method,RFM）。将PS的旋转类型分为PS中心点旋转、PS原点旋转和非标准旋转;针对以上不同的PS旋转类型,自适应地选择合适的预测模型,建立不同点集的时间序列,为后续进化提供初始种群。引入拉丁超立方策略（Latin hypercube strategy,LHS）生成的随机种群与上述预测种群共同构建新种群,保证种群的多样性。为验证算法的有效性,将RFM算法与DNSGA-II、PPS、SPPS和MMP算法在8个标准的动态测试函数上进行实验对比。实验结果表明,RFM算法取得了6个最优[IGD]值、7个最优[SP]值、3个最优[MS]值,证明了RFM算法可以更有效地解决基于PS旋转的动态多目标优化问题。同时验证了RFM算法的普适性,在FDA系列函数上进行实验对比,实验结果表明,该算法在处理非旋转的动态多目标优化问题中仍具有较优性能。     

多目标微粒群优化算法

通过设计一种Pareto解集过滤器,并在此基础上给出多目标优化条件下的微粒群算法群体停滞判断准则,基于该准则提出了一种多目标微粒群优化算法。算法利用Pareto解集过滤器提高了候选解的多样性,并使用图形法将所提算法与经典的多目标优化进化算法在一组标准测试函数上进行了比较,结果表明算法具有更好的搜索效率。     

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,但迄今仍缺少高效的优化技术。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。     

基于模拟退火的多目标优化算法

该文剖析了多目标优化问题和物体退火之间的关系,发现两者之间有着天然的联系,并在此联系的基础上,构建了一种新型的多目标优化算法———基于模拟退火的多目标优化算法。最后,基于典型算例的数值仿真验证了算法的有效性。     

求解机械优化的Pareto多目标中心粒子群算法

针对基于权重法的多目标算法无法求解约束多目标问题的缺陷,将中心粒子群算法与Pareto解集搜索算法相结合,提出一种Pareto多目标中心粒子群算法。将此方法用来优化气门弹簧的模型,实验结果表明,该优化方法能够快速准确地收敛于Pareto解集,并且使其对应的目标域均匀地分布于Pareto最优目标域。     

一种改进的多目标混合遗传算法及应用

在NSGA-II算法中引入自适应交叉算子和自适应变异算子,将模拟退火算法与改进的NSGA-II算法相结合,并应用到武器装备供应合同商的选择与评价中。实验结果表明,非劣解在目标空间分布均匀,算法收敛性好,为求解武器装备供应合同商选择的多目标问题提供了一种有效的工具。     

网格环境下资源负载均衡和优化调度研究

为了有效解决网格环境下资源的负载均衡问题,结合克隆算法,模拟退火算法和遗传算法的优点,提出了一种基于遗传模拟退火克隆算法的任务调度优化方法。仿真实验结果表明,该算法全局寻优能力强,能有效地实现资源的负载均衡,同时克服了遗传算法容易陷入局部最优的缺点,可以成功地应用于网格任务调度中。     

Medical image reconstruction using a multi-objective genetic local search algorithm

Image reconstruction from projections is a key problem in medical image analysis. In this paper, we cast image reconstruction from projections as a multi-objective problem. It is essential to choose some proper objective functions of the problem. We choose the square error, smoothness of the reconstructed image, and the maximum entropy as our objective functions of the problem. Then we introduce a hybrid algorithm comprising of multi-objective genetic and local search algorithms to reconstruct the image. Our algorithm has remarkable global performance. Our experiments show that we can get different results when we give different weights to different objective functions. We can also control the noise by giving different weights on different objective function. At the same time, we can adjust the parameter to let it have good local performance. Though the computation demands of the hybrid algorithm tends to be larger because of the random search of the GA, it is really a common feature of the global optimization method. Our results show that the hybrid algorithm is a more effective than the conventional method. We think our method is very promising for the medical imaging field.     

自适应多目标混合差分进化算法在联盟运输调度中的应用

传统的单目标算法运行一次只能得到一个解,而多目标算法运行一次可以得到一个解集。文中所提算法(DEASA)通过改进差分进化策略,设计重构,调整自适应参数,并采用擂台法则构建非支配集,将模拟退火策略融入到差分进化算法当中,进一步提高了算法的性能,降低了时间复杂度,增强避免陷入局部最优的能力。通过实验验证表明,该算法能有效地解决联盟运输调度问题。     

改进的退火遗传优化策略应用研究

地震参数反演属于典型的非线性优化问题。针对遗传算法和模拟退火算法各自的优缺点;将改进的遗传算法与模拟退火算法相结合;提出了改进的退火遗传算法（ISAGA）。该方法通过筛选和修复进行初始种群的选择;采用允许父代参与竞争的退火选择机制;并根据模拟退火思想对交叉和变异概率进行自适应的调整;从而增加了种群的多样性并提高了收敛速度。该方法既具备了遗传算法强大的全局搜索能力;也拥有模拟退火算法强大的局部搜索能力。经理论模型试算结果表明;该方法不仅收敛速度快;优化精度高;抗干扰能力强;而且避免了局部收敛和依赖初始模型等问题;计算所得反演参数更接近于实际观测值。     

多目标模拟退火算法及其应用研究进展

作为一种简单有效的多目标智能优化算法,多目标模拟退火(MOSA)算法已经引起了广泛研究并在许多领域得到应用。针对近二十年来MOSA算法及其应用的进展进行了系统的综述和评论。首先描述了MOSA算法的基本框架;接着讨论了几种典型的MOSA算法,重点探讨了这些算法的接受概率函数的计算方法,并对这些算法进行归类性分析;然后介绍了MOSA算法的应用进展;最后,根据当前MOSA算法的研究状况,展望了该算法若干值得进一步研究的方向和所面临的挑战。可为今后对MOSA算法的改进以及在实际工程应用中的研究提供综合参考。     

一种基于快速排序的快速多目标遗传算法

多目标遗传算法的一个重要步骤就是构造非支配集,本文提出了一种基于快速排序的非支配集构造方法,提高了非支配集构造效率,并且在Deb提出的NSGAⅡ的基础上,改进了其种群构造策略,设计了一类新的多目标遗传算法。实验表明,这种方法比NSGAⅡ具有更快的收敛速度且保持了良好的分布性。     

基于（μ＋λ）选择策略的多目标优化分段遗传算法

在多目标优化遗传算法中,将整个种群按目标函数值划分成若干子种群,在各子种群内μ个父代经遗传操作产生λ个后代;然后将各子种群的所有父代和后代个体收集起来进行种群排序适应度共享,选取较好的个体组成下一代种群。相邻的非劣解容易分在同一子种群有利于提高搜索效率;各子种群间的遗传操作可采用并行处理;各子种群的所有
有个体收集起来进行适应度共享有利于维持种群的多样性。最后给出了计算实例。     

一种混合人工蜂群算法求解顺序相依拆卸线平衡问题

拆卸线平衡问题直接影响回收再制造成本.为此,构建了最小工作站开启数量、最短总拆卸时间、均衡工作站空闲时间、尽早拆卸有危害和高需求零部件的多目标顺序相依拆卸线平衡问题优化模型,提出一种混合人工蜂群算法.所提出算法在观察蜂跟随阶段采用分阶段选择评价法,以便更好地区分蜜源;在侦查蜂开采阶段构建基于全局学习的搜索机制,以提高开采能力.蜜蜂寻优过程中设计了简化变邻域搜索策略,提高了寻优效率.对比实验结果验证了模型的有效性和算法的优越性.