正交免疫克隆粒子群多目标优化算法

该文基于抗体克隆选择学说理论,提出了一种求解多目标优化问题的粒子群算法正交免疫克隆粒子群算法(Orthogonal Immune Clone Particle Swarm Optimization, OICPSO)。根据多目标的特点,提出了适合粒子群算法的克隆算子,免疫基因算子,克隆选择算子。免疫基因操作中采用了离散正交交叉算子来获得目标空间解的均匀采样,得到理想的Pareto解集,并引入拥挤距离来减少获得Pareto解集的大小,同时获得具有良好均匀性和宽广性的Pareto最优解集。实验中,与NSGA-II和MOPSO算法进行了比较,并对算法的性能指标进行了分析。结果表明,OICPSO不仅增加了种群解的多样性而且可以得到分布均匀的Pareto有效解集,对于多目标优化问题是有效地。     

多策略差分进化的元胞多目标粒子群算法

为了增加Pareto解集的多样性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种多策略差分进化的元胞多目标粒子群算法.该算法在分析粒子群优化原理基础上,将元胞自动机理论融入粒子群算法,研究粒子种群的交流结构和信息传递机制.为了避免粒子飞行速度过快陷入局部收敛,提出一种限制粒子飞行速度的策略,并引入一种多策略差分进化选择算子增加对粒子的扰动.实验证明,该算法相对于比较算法,有更好的收敛性和多样性.     

基于动态交换策略的快速多目标粒子群优化算法研究

本文提出了一种基于动态交换策略的快速多目标粒子群优化算法,通过把初始种群分割成Pareto和Non_Pareto集合,并在迭代过程中对Pareto解集进行动态调整,从而较好地完成了多目标优化算法对Pareto解集的搜索和逼近.实验和应用实例均表明了该算法的有效性和快速性,并通过性能指标ER的计算验证了本算法优于某些同类的多目标优化算法.     

一种消解协商僵局的多目标粒子群优化算法

解决协商僵局问题是协商优化中的重要研究课题.利用协商议题之间的相关性,提出了一种用于消解双边多议题协商僵局的多目标粒子群优化算法(MOPSO).MOPSO首先动态放宽僵局议题的保留值,然后将僵局议题相关的多个议题的保留值缩紧问题转化为一个多目标优化问题,通过粒子群搜索到Pareto最优解集,从而并行优化了这些相关议题的保留值,最后在不降低协商者整体利益条件下进行协商议题保留值向量等效置换.实验验证了MOPSO是有效的,其僵局解决能力明显比现有的其他方法强.     

基于改进烟花算法的多目标多机器人任务分配

多机器人任务规划是多机器人系统研究的主要问题之一,多目标多机器人任务规划是指同时对多机器人系统的多个指标进行优化。近年来,启发式算法越来越多地被用来解决多目标问题。本文提出了一种基于改进烟花算法的多目标多机器人任务分配方法,并详细讨论了多目标解的排序方法和选择策略。为了验证该方法的性能,对7个实例进行了实验,并对该方法和其他四种多目标算法,Non-dominated Sorting Genetic Algorithm II (NSGA-II), Strength Pareto Evolutionary Algorithm 2 (SPEA2),Pareto Envelope-based Selection Algorithm (PESA ) 和一种改进的Strength Pareto Genetic Algorithm 2 (SPGA2)在S-metric指标上进行了比较。实验结果表明,在解集质量、解集覆盖度方面,基于改进烟花算法的多目标多机器人任务分配方法具有明显的优势。      

基于余弦距离的多目标粒子群优化算法

针对粒子群优化算法具有的个体分布不均匀以及重复个体较多等缺陷,提出了一种基于余弦距离的多目标粒子群优化算法,该算法根据外部精英存储策略,利用余弦距离排挤机制来选取最分散的粒子,扩大 Pareto最优解集的收敛性和多样性,增强算法的全局寻优能力。通过采用标准多目标优化问题ZDTl～ZDT3进行仿真实验与粒子群算法、混沌粒子群算法、基于拥挤距离的多目标优化算法对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于基于拥挤距离排挤机制,并具有较高的效率     

基于群体智能算法的无人机协同搜索

为解决无人机集群进行协同搜索时的任务分配问题,在基于天牛须搜索的粒子群优化(BSO)算法的基础上设计了一种天牛粒子群混合(BSO-BAS)算法,克服了粒子群优化(PSO)算法易陷入局部最优解、寻优不稳定的缺点。以多旅行商模型(MTSP)为基础构建了多目标、多约束的无人机集群任务分配模型。通过实验仿真与原始寻优算法进行对比,验证了所设计算法求解无人机协同搜索任务分配问题的可行性和稳定性。     

基于双向搜索差分进化的多目标优化算法

针对差分进化算法求解多目标优化问题时易陷入局部最优的问题,设计了双向搜索机制以增强DE(Differential Evolution,DE)算法的局部搜索能力。一方面降低了算法陷入局部最优的风险,另一方面可增强Pareto解集的多样性,使Pareto前沿面的解集分布更为均匀。实验结果表明,相比于NSGA-II等同类算法,提出的方法在搜索Pareto最优解时效率更高,并且Pareto最优解集的精度及分布程度比前者更好。     

改进的多目标粒子群算法优化设计及应用

针对粒子群算法存在易陷入局部最优点的缺点,提出了一种改进的带变异算子的多目标粒子群优化算法。采用非支配排序策略和动态加权法选择最优粒子,引导种群飞行,提高帕累托(Pareto)最优解的多样性。与其他优化算法相比,该算法易于实现并且计算速度更快。通过计算Pareto前沿最优解设计最佳多层电磁吸收体,在吸收体的厚度与反射系数之间取得最佳折衷。通过对反射系数函数与吸收体厚度函数测试验证,该算法能够在保持优化解多样性的同时具有较好的收敛性。     

一种基于粒子群算法的螺旋迭代模型研究

实际工程优化过程中,对于多个目标的优化与求解最优值是值得研究的一个问题。文章基于粒子群算法研究多目标优化问题,实现二维多目标搜索,运用粒子群多目标求解模型迭代实现动态多目标搜索,最终得到非劣解在目标空间中的分布,构成了Pareto面,得到非劣解集,在实际问题中,提供最优解的备选,为工程实践优化和筛选最优解问题提供参考依据。