基于擂台赛法则和小生境技术的多目标进化算法

最优解集的构造和解的分布性是多目标进化算法的两个重要研究内容。用擂台赛法则构造非支配集具有较高的效率,而小生境共享技术可以提高种群的多样性。本文将小生境共享技术引入基于擂台赛法则的多目标进化算法,数值实验表明：改进后的算法保持了擂台赛算法运行效率高的特点,而且具有较佳的分布度。     

量子多目标进化算法研究

本文首次将量子计算的理论用于多目标优化,提出量子多目标进化算法（QMOEA）,其采用量子位染色体表示法,利用量子门旋转策略和量子变异实现群体的进化,使用ε支配关系构造外部种群以此保持算法的较好分布性,提出基于快速排序的非劣最优解构造方法加快算法运行效率,实验表明,这种方法与经典的多目标进化算法SPEA2相比,其收敛性更好且分布更均匀     

论量子多目标进化算法研究

第一次将量子计算的理论用途于多目标优化之上可以提出量子多目标进化算法其采用量子位研究微观粒子的运动规律的物理学分支学科,它主要研究原子、分子、凝聚态物质,以及原子核和基本粒子的结构、性质的基础理论,它与相对论一起构成了现代物理学的理论基础。量子力学不仅是近代物理学的基础理论之一,而且在化学等有关学科和许多近代技术中也得到了广泛的应用。     

基于Pareto的多目标克隆进化算法

为了克服部分多目标进化算法中容易出现退化与早熟,造成收敛速度过慢的不足,结合精英保留策略、基于近部规则的环境选择以及免疫克隆算法中的比例克隆等思想,提出一种基于Pareto的多目标克隆进化算法NPCA(Non-dominated Pareto Clonal Algorithm)。通过部分多目标优化测试函数ZDT和DTLZ对算法进行了性能测试,验证了该算法能获得分布更加均匀的Parcto前沿,解的收敛性明显优于典型的多目标进化算法。     

基于指标的多目标进化算法研究

基于指标的进化算法（IBEA）是一个出色的多目标优化算法。IBEA具有良好的收敛性,但在保持解的多样性方面对于某些问题却表现较差。对IBEA进行研究,分析其适应度分配原理,针对其缺点进行改进,并将IBEA与其他2个算法进行了测试比较。测试结果表明改进后的IBEA在保持了原算法优点的情况下使其在解的多样性方面有了较大改观。     

多目标优化差分进化算法

个体的适应度赋值和群体的多样性维护是进化算法的两个关键问题。首先,一方面,定义了Paretoε-支配关系的相关概念,通过Paretoε-支配关系确定个体的强度Pareto值,根据个体的强度Pareto值对群体进行Pareto分级排序,实现优胜劣汰;另一方面,使用拥挤距离估算个体的拥挤密度,淘汰位于拥挤区的一些个体,维持群体的多样性。然后,根据差分进化算法的特点,使用适当的进化策略和控制参数,给出了一种用于求解多目标优化问题的差分进化算法DEAMO。最后,数值实验表明,DEAMO在求解标准的多目标优化问题时性能表现优良。     

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.     

多目标协调进化算法研究

进化算法适合解决多目标优化问题,但难以产生高维优化问题的最优解,文中针对此问题提出了一种求解高维目标优化问题的新进化方法,即多目标协调进化算法,主要特点是进化群体按协调模型使用偏好信息进行偏好排序,而不是基于Pareto优于关系进行了个体排序,实验结果表明,所提出的算法是可行而有效的,且能在有限进化代数内收敛。     

一种改进的基于差分进化的多目标进化算法

近年来运用进化算法（EAs）解决多目标优化问题（Multi-objective Optimization Problems MOPs）引起了各国学者们的关注。作为一种基于种群的优化方法,EAs提供了一种在一次运行后得到一组优化的解的方法。差分进化（DE）算法是EA的一个分支,最开始是用来解决连续函数空间的问题。提出了一种改进的基于差分进化的多目标进化算法（CDE）,并且将它与另外两个经典的多目标进化算法（MOEAs）NSGA-II和SPEA2进行了对比实验。     

针对非均匀问题的多目标进化算法

文章针对解集分布非均匀的问题,提出了一种新的多目标进化算法,称之为GNEA(带小生境的网格进化算法)。在算法中,针对分均匀问题的特点,采用了小生境技术来保持解集的局部非均匀分布,以及网格技术来保证整个解集的分布度。为了让GNEA运行效率更高,提出了用庄家法构造非支配集的方法。最后通过与其他算法进行比较,验证了算法具有较好的运行效率,且在解决非均匀问题上是一种有效的多目标进化算法。     

演化多目标优化中的几何热力学选择

热力学遗传算法(Thermodynamical Genetic Algorithms,TDGAs)借鉴热力学中的自由能极小过程来统一处理多目标优化在逼近性和多样性两方面的任务.为提高TDGA的运行效率和解集分布均匀性,提出了一种几何热力学选择.在该选择中首先定义角度熵通过扇形采样来度量种群逼近方向的多样性.然后利用距离精英定义距离能量来度量种群的逼近程度,避免了耗时的非劣分层操作.此外,引入分量热力学替换规则以较低计算代价驱动种群的几何自由能快速下降.在多目标0/1背包问题上的实验结果表明,几何热力学选择极大地提高了TDGA的运行效率和解集分布均匀性;采用该选择的TDGA算法可生成与NSGA-II在逼近性和分布多样性上性能相当的解,但在运行效率上明显优于NSGA-II.     

多目标演化算法的收敛性研究

基于群体搜索的演化算法求解多目标优化问题有独特的优势,多目标演化算法已有的研究大多为算法的设计和数值试验效果的比较,理论研究往往被忽视．该文讨论了多目标演化算法的收敛性问题,针对一种网格化的简单易于实现的多目标演化算法模型定义了多目标演化算法强收敛和弱收敛等概念,给出了判断算法收敛性的一般性条件;在变异算子为高斯变异、目标函数连续的条件下,证明了提出的算法强收敛．数值实验验证了算法的可行性和有效性．     

A Study on Distribution Preservation Mechanism in Evolutionary Multi-Objective Optimization

This paper reviews a number of popular distribution preservation mechanisms and examines their characteristics and effectiveness in evolutionary multi-objective (MO) optimization. A conceptual framework consisting of solution assessment and elitism is presented to better understand the search guidance in evolutionary MO optimization. Simulation studies among different distribution preservation techniques are performed over fifteen representative distribution samples and the performances are compared based upon two distribution metrics proposed in this paper. The results and findings reported in this paper are valuable for better understanding of the working principle and characteristics of distribution preservation mechanisms, which are very useful for incorporating different distribution preservation features into MO evolutionary algorithms in a modular fashion or improving the effectiveness of existing preservation approaches.     

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.     

基于正交设计的多目标演化算法

提出一种基于正交设计的多目标演化算法以求解多目标优化问题(MOPs)．它的特点在于：(1)用基于正交数组的均匀搜索代替经典EA的随机性搜索,既保证了解分布的均匀性,又保证了收敛的快速性;(2)用统计优化方法繁殖后代,不仅提高了解的精度,而且加快了收敛速度;(3)实验结果表明,对于双目标的MOPs,新算法在解集分布的均匀性、多样性与解精确性及算法收敛速度等方面均优于SPEA;(4)用于求解一个带约束多目标优化工程设计问题,它得到了最好的结果——Pareto最优解,在此之前,此问题的Pareto最优解是未知的．     

Evolutionary Algorithms for Multi-Objective Optimization: Performance Assessments and Comparisons

Evolutionary techniques for multi-objective(MO) optimization are currently gainingsignificant attention from researchers invarious fields due to their effectiveness androbustness in searching for a set of trade-offsolutions. Unlike conventional methods thataggregate multiple attributes to form acomposite scalar objective function,evolutionary algorithms with modifiedreproduction schemes for MO optimization arecapable of treating each objective componentseparately and lead the search in discoveringthe global Pareto-optimal front. The rapidadvances of multi-objective evolutionaryalgorithms, however, poses the difficulty ofkeeping track of the developments in this fieldas well as selecting an existing approach thatbest suits the optimization problem in-hand.This paper thus provides a survey on variousevolutionary methods for MO optimization. Manywell-known multi-objective evolutionaryalgorithms have been experimented with andcompared extensively on four benchmark problemswith different MO optimization difficulties.Besides considering the usual performancemeasures in MO optimization, e.g., the spreadacross the Pareto-optimal front and the abilityto attain the global trade-offs, the paper alsopresents a few metrics to examinethe strength and weakness of each evolutionaryapproach both quantitatively and qualitatively.Simulation results for the comparisons areanalyzed, summarized and commented.     

一种基于云模型的多目标进化算法

在多目标进化算法的基础上,提出了一种基于云模型的多目标进化算法(CMOEA).算法设计了一种新的变异算子来自适应地调整变异概率,使得算法具有良好的局部搜索能力.算法采用小生境技术,其半径按X条件云发生器非线性动态地调整以便于保持解的多样性,同时动态计算个体的拥挤距离并采用云模型参数来估计个体的拥挤度,逐个删除种群中超出的非劣解以保持解的分布性.将该算法用于多目标0/1背包问题来测试CMOEA的性能,并与目前最流行且有效的多目标进化算法NSGA-II及SPEA2进行了比较.结果表明,CMOEA具有良好的搜索性能,并能很好地维持种群的多样性,快速收敛到Pareto前沿,所获得的Pareto最优解集具有更好的收敛性与分布性.     

优化设计中的多目标进化算法

近十多年来多目标进化算法是人工智能领域的一个相当活跃的研究热点。该文从非Pareto方法、基于Pareto方法及贝叶斯多目标优化算法等角度对当今多目标进化算法进行了分析,归纳了新出现的各种方法和技术,探讨了这个领域发展中存在的问题,并进一步给出了发展方向。此外文中分别对后两类提出了解决一般问题的计算效果较好的改进算法和新的算法。     

基于多重分形主曲线模型多目标演化算法研究

为了克服目前模型多目标演化算法多采用PCA,local PCA等线性建模方法,存在模型拟合效果不理想、对建模参数敏感等问题,提出一种基于多重分形的主曲线模型多目标演化算法( multifractal based principal curve multi-objective evolutionary algorithm,MFPC-MOEA).算法采用主曲线方法对解集分布进行非线性建模,通过建立种群个体分布概率模型,生成目标空间均匀分布的个体,保证优化结果的多样性.另外算法通过多重分形方法分析个体在解集空间中的分布,设计了基于多重分形谱的模型演化多目标算法建模开始评测标准,同时采用多重分形方法评估算法收敛程度,设计相关的演化多目标优化算法停止策略.新算法采用国际公认的ZDT,DTLZ测试函数进行实验验证,并与NSGA-II,MOEA/D,PAES,SPEA2,RM-MEDA经典演化多目标优化算法进行了实验比较.实验结果表明,该算法在HV,SPREAD,IGD,EPSIION性能指标上均有较好的表现.说明通过引入多重分形策略和主曲线建模方法,在一定程度上提高了解的质量,为求解多目标优化问题提供新的思路.