基于自适应变异的多目标鸽群优化的无人机目标搜索

无人机在搜索任务中起着关键的作用,它能够在复杂环境中寻找到目标.无人机搜索问题是一个相对复杂的多约束条件下的多目标优化问题.大多数搜索算法不能满足搜索过程中高效率和低功耗的要求.本文所采用的目标搜索方法是一种基于Agent路由和光传感器的解耦滚动时域方法.为了优化目标搜索方法的参数,本文提出一种基于Agent路由和光传感器的自适应变异多目标鸽群优化(AMMOPIO)算法.利用自适应飞行机制可以获得较好的鸽群分布,种群具有多样性和收敛性.利用变异机制简化了鸽群优化算法中的模型,提高了搜索效率.实验仿真结果验证了所提出的AMMOPIO算法在目标搜索问题中的可行性和有效性.     

基于改进鸽群优化算法的多无人机目标搜索

在三维未知环境中无人机目标搜索是一项非常具有挑战性和现实性意义的任务。鸽群优化算法相比于其他智能算法收敛速度快,搜索效率高,适用于目标优化任务,因此提出一种基于鸽群优化算法的多无人机目标搜索方法,无人机通过搜索目标留下的信息素搜寻目标。针对鸽群优化算法容易陷入局部最优的问题,利用基于差分进化策略对鸽群优化算法进行改进。仿真实验验证了提出的基于改进鸽群优化算法的多无人机目标搜索方法的合理性和有效性。     

针对运动目标的多无人机协同鸽群优化搜索方法

针对多无人机协同运动目标搜索问题,本文设计了改进鸽群优化算法的协同搜索决策.首先,基于运动目标的独立性,建立了服从正态分布的目标概率信息图模型;为了提高环境中目标存在的确定度,建立了搜索环境的确定度信息图.其次,通过建立的吸引和排斥数字信息素图,引导无人机向未搜索区域飞行,减少重复搜索概率,提高协同目标搜索效率,并基于传统的鸽群算法,通过加入速度更新修正机制和精英代机制对其进行改进.然后,结合环境中目标的存在概率信息以及无人机搜索目标的探测信息,使用改进鸽群优化算法,规划无人机的最优搜索飞行路径.并设计避碰机制,以有效防止无人机搜索过程中的碰撞.最后,通过比较仿真实验验证了改进鸽群优化算法对运动目标协同搜索的有效性.     

基于自适应搜索策略的约束多目标优化算法

平衡目标函数和约束条件是现有约束多目标优化算法面临的共同难题。为了解决这个难题,文章提出了一种基于自适应搜索策略的约束多目标优化算法（ASSCMO）。为验证ASSCMO的性能,将其与3种优秀的约束多目标优化算法在两组基准测试集上进行仿真实验。实验结果表明,ASSCMO在求解约束多目标优化问题上更具有竞争力。     

基于高斯变异和自适应参考点的MOPSO优化算法

针对MOPSO优化算法在优化多目标问题当中收敛程度较差和容易进入部分最优的缺点,提出一种基于高斯变异和自适应参考点融合的MOPSO优化算法。利用高斯变异位置更新方法改善解集提前停止寻优现象,提高MOPSO优化算法在寻找最优过程中寻找解集的多样性;采用自适应参考点的外部档案维护策略,将收敛性较差的粒子剔除,提高算法的收敛性。实验结果表明:改进的MOPSO算法同传统的MOPSO算法相比,反向代距离和超体积比有了明显的改善,具有更好的解集多样性和收敛性。     

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。     

基于自适应局部搜索的进化多目标稀疏重构方法

在稀疏重构中,重构误差项和稀疏项通常使用一个正则化参数聚合成单目标函数,很难实现2个目标的均衡优化,这个缺陷通常导致稀疏重构精度低.为此,提出一种自适应局部搜索的多目标进化算法.首先,基于范数和l-1范数和l-{1/2}范数分别设计了2种梯度迭代软阈值法的局部搜索方法求得相应解,这2种局部搜索方法可以提高解的收敛速度和精确度;其次,通过比较对应的目标函数值来竞争选取每轮的优胜解;然后,采用基于竞争成功率的自适应择优局部搜索方法来产生后期解;最后,在帕雷托前沿面的膝盖区域上采用角度法选取最优解.实验结果表明:测量误差和稀疏项可以达到平衡,在重构精度方面,提出的方法远高于现有的传统单目标方法.相比于StEMO算法,当测量维度M=600时,该方法可以提高33.8%;当噪声强度δ=0.002时可以提高82.7%;当稀疏率K/N=0.3时可以提高7.38%.     

基于多点非均匀变异的多目标极值优化算法研究

多目标进化算法因其在解决含有多个矛盾目标函数的多目标优化问题中的强大处理能力,正受到越来越多的关注与研究。极值优化作为一种新型的进化算法,已在各种离散优化、连续优化测试函数以及工程优化问题中得到了较为成功的应用,但有关多目标EO算法的研究却十分有限。本文将采用Pareto优化的基本原理引入到极值优化算法中,提出一种求解连续多目标优化问题的基于多点非均匀变异的多目标极值优化算法。通过对六个国际公认的连续多目标优化测试函数的仿真实验结果表明：本文提出算法相比NSGA-II、 PAES、SPEA和SPEA2等经典多目标优化算法在收敛性和分布性方面均具有优势。     

改进果蝇优化算法在多目标搜索的应用

在实际工程优化问题中多数问题是多目标优化问题,多目标优化问题一直以来就是智能算法的研究热点。提出一种改进的果蝇优化算法,将其应用在多目标搜索领域,并成功使用该算法解决了一种多目标背包问题。算法在基本果蝇优化算法的基础上采用分群策略和动态半径,在群A中从种群位置开始以动态半径探索新的可行解,在群B中则通过非支配个体之间的交叉操作进行密集搜索。果蝇种群的位置在每一轮迭代产生的非劣解集中进行选取,提高了算法的收敛速度。通过在多个数据集下进行测试,并和粒子群算法、NSGA-2做了对比实验,最终结果显示使用该算法在特定条件下能取得较好的搜索效果,证明了使用果蝇优化算法解决多目标问题的可行性。     

基于动态拥挤距离的自适应变异演化算法

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。根据个体的非支配排序级数设计了一种自适应变异步长的柯西变异算子,对变异越界处理进行了改进;并定义和使用动态拥挤距离来保持群体中个体的均匀分布。最后通过对测试函数的实验,验证了算法的可行性和有效性。     

混合分散搜索的进化多目标优化算法

在进化多目标优化算法中,种群的多样性、对目标空间的搜索能力及算法的鲁棒性直接影响算法的收敛能力和解集的分散性。针对这些问题,提出了一种混合分散搜索的进化多目标优化算法(SSMOEA)。SSMOEA在混合分散搜索算法架构的同时,重新设计其多样性的选取策略,并引入协同进化机制。此外,为了提高算法的自适应性和鲁棒性,采用了一种新颖的自适应多交叉算子选择方法。SSMOEA与经典的多目标进化算法SPEA2、NSGA-Ⅱ和MOEA/D在12个基准测试函数上的对比结果表明,SSMOEA不仅在求得的Pareto最优解集的宽广性、均匀性和逼近性上有明显优势,而且算法的鲁棒性也有明显的提高。     

一种新的基于进化策略的多目标优化算法

用进化策略求解多目标优化问题时,为了提高解在决策变量空间中的搜索能力和保证Pareto前沿的多样性,提出了一种新的基于进化策略的多目标优化算法。运用自适应变异步长的进化策略,使解在决策变量空间中进行全局和局部搜索;并引入非劣解按一定比例进入下一代的方法,使完全被占优的个体有机会参与到下一代的繁殖,保持了解在Pareto前沿的多样性。该算法在保证解在决策空间多样性的同时,也保持了Pareto前沿的多样性。仿真实验表明,该算法具有良好的搜索性能。     

自适应多位变异遗传算法的实现

Genetic algorithm is a widely used optimization method. Crossover and mutation are two Basicl operatorsof the genetic algorithm. On the basis of analyzing the principles of simple genetic algorithm and discussing its exist-ing problems of crossover point and mutation bit, this paper presents a way of the adaptive multiple bit mutation ge-netic algorithm , which not only can keep the population diversity but also has quicker convergence speed. The resultsof the multi-modal function optimization show that the adaptive multiple bit mutation genetic algorithm is practical and efficient.     

基于多策略融合的混合多目标蝗虫优化算法

为提高蝗虫优化算法（GOA）求解多目标问题的性能，提出一种基于多策略融合的混合多目标蝗虫优化算法（HMOGOA）。首先，利用Halton序列建立初始种群，保证种群在初始阶段具有均匀分布和较高多样性；然后，通过差分变异算子引导种群变异，促进种群向优势个体移动同时进行更大范围寻优；最后，利用自适应权重因子根据种群优化情况动态调整算法全局搜索和局部寻优能力，提高优化效率及解集质量。选取7个典型函数进行实验测试，并将HMOGOA与多目标蝗虫优化、多目标粒子群（MOPSO）、基于分解的多目标进化（MOEA/D）及非支配排序遗传算法（NSGA Ⅱ）对比分析。实验结果表明，该算法避免了其他四种算法的局部最优问题，明显提高了解集分布均匀性和分布广度，具有更好的收敛精度和稳定性。     

多目标多时间窗车辆路径问题的鸽群-水滴算法

针对智能水滴算法求解带时间窗车辆路径规划收敛速度慢、计算精度差的问题,根据带时间窗车辆路径问题的应用要求,利用整数线性规划方法,以配送车辆的最小运输总成本、最短运输距离和最少安排数量为目标,综合考虑了车辆出发点、服务点、装载量、行驶距离、服务时间窗等诸多约束条件,构建了多目标多时间窗车辆路径模型;为了精准快速求解多目标多时间窗车辆路径模型,提出一种鸽群-智能水滴互补改进优化算法,将河道水滴离散二进制变换后,采用地图罗盘算子和地标算子分别改进水滴的流动速度和方向,并利用自适应变邻域扰动策略干扰水滴携带的泥土量,提高水滴算法的开发和探索能力;利用理想点法和罚函数与多目标优化混合方法分别处理多目标函数与约束条件,并以两种经典的带时间窗车辆路径问题为实例,通过与遗传算法、智能水滴算法和鸽群-水滴算法的计算结果进行比较,结果表明：在相同的算法参数和经济指标下,鸽群-水滴算法相比于智能水滴算法求解模型中的运输路径缩短20 km左右、运输成本节约403元左右,且该算法的求解时间和迭代次数也明显优于其他两种人工智能算法。     

融合分区和局部搜索的多模态多目标优化

为解决多模态多目标优化中种群多样性维持难和所得等价解数量不足问题,基于分区搜索和局部搜索,本研究提出一种融合分区和局部搜索的多模态多目标粒子群算法(multimodal multi-objective particle swarm optimization combing zoning search and local search,ZLS-SMPSO-MM)。在所提算法中,整个搜索空间被分割成多个子空间以维持种群多样性和降低搜索难度;然后,使用已有的自组织多模态多目标粒子群算法在每个子空间搜索等价解和挖掘邻域信息,并利用局部搜索能力较强的协方差矩阵自适应算法对有潜力的区域进行精细搜索。通过14个多模态多目标优化问题测试,并与其他5种知名算法进行比较;实验结果表明ZLS-SMPSO-MM在决策空间能够找到更多的等价解,且整体性能要好于所比较算法。     

基于自适应学习的多目标粒子群优化算法

将进化算法应用于某些多目标优化问题时,采用增加种群规模和进化代数的方法往往耗费大量的目标函数计算开销,且达不到提高种群进化效率的目的,为此提出了一种基于自适应学习最优搜索方向的多目标粒子群优化算法。采用自适应惯性权值平衡算法的全局和局部搜索能力,采用聚类排挤方法保持Pareto非支配解集的分布均匀性,使用最近邻学习方法为每个粒子在Pareto非支配解集中寻找一个最优飞行目标来提高其收敛速度并保持粒子群搜索方向的多样性。实验结果表明,提出的算法可在显著地降低函数评估成本的前提下实现快速的搜索,并使粒子群均匀地逼近Pareto最优面。     

多目标优化与自适应惩罚的混合约束优化进化算法

提出一种多目标优化与自适应惩罚函数相结合的方法来处理约束优化问题.首先利用多目标优化方法提取当前群体中的主要信息;然后进一步用自适应惩罚函数选出最有价值的信息.将这种约束处理技术与一种基于群的算法生成器模型相结合,即可得到一种新的约束优化进化算法.选取10个标准测试函数对新算法的性能进行数值实验,结果表明了所提出方法的有效性和较强的稳健性,与其他尖端算法相比得到了相似或更优的结果.     

基于多策略排序变异的多目标差分进化算法

针对多目标差分进化算法求解多目标优化问题时收敛慢和均匀性欠佳等不足,提出了一种基于多策略排序变异的多目标差分进化算法。该算法利用基于排序变异算子快速接近真实的Pareto最优解,同时引入多策略差分进化算子以保持算法的多样性和分布性。通过自适应策略,动态调整控制参数以提高算法的鲁棒性。从理论证明的角度分析了所提算法的收敛性。仿真实验结果表明,本文所提算法相对于近期相关文献中的改进算法具有更好的收敛性与多样性,从而表明了所提算法的有效性。