基于t-SNE加权和的高维多目标优化算法

传统的基于t-SNE的高维多目标优化算法在简化目标集时,虽然可以大大降低算法计算复杂度,但也可能损失目标集中有意义的部分属性,导致算法准确性降低.为此,对冗余目标和初始化种群双方面进行择优保留,提出了一种基于t-SNE加权和的高维多目标优化算法.利用加权和对t-SNE-NSGAⅡ算法处理的冗余目标集进行拟合,保留了部分种群的目标属性,提高了初始种群的质量,提升了算法的准确性,加快了算法收敛速度.实验表明,在目标超过5个时,基于t-SNE加权和的高维多目标优化算法的准确性和收敛性提升明显.当目标为10个时,空间分布度提升了38.7％.     

高维多目标问题的排序新方法

针对高维多目标优化问题,提出了一种新的排序方法．它通过产生近似最优目标向量来增加种群的规模,从而达到对真实个体的有效排序．首先构造一个理想的帕累托前沿面,然后将这个理想的帕累托前沿面分成若干个网格,使每个个体都对应惟一的一个网格,通过这个网格上的节点来判断这个体是不是非支配解．数值实验表明,即使对于50维目标的问题,收敛性度量值也小于1．此外,与当前的两种最具代表性的松弛的帕累托占优方法比较,该方法能同时保持解的多样性和收敛性．     

船舶主尺度设计的高维多目标多方向进化算法

针对现有船舶主尺度优化模型往往只考虑经济性能,而忽略安全性能的问题,引入初稳性作为安全性指标,建立了4目标优化模型,并提出一种高维多目标多方向进化算法对其进行优化求解。通过一组方向向量将搜索空间分解成多个寻优方向,并利用改进的方向角差分算法结合SBX算子加强各方向上的寻优能力和方向间的信息交互;最后,以改进的模糊支配和密度估计因子构造精英保留策略,提高种群的先进性和分布性。实验结果表明,高维多目标多方向进化算法能够迅速、客观地选择合理的船舶主尺度,可以给设计人员提供更多的选择,为船舶初步设计提供了一种简单、高效的新方法。     

一种适应度排序的高维多目标粒子群优化算法

针对高维多目标优化问题复杂度高,求解难度大的特点,提出了一种集成适应度排序的高维多目标粒子群优化算法.该算法通过获取种群中个体与参考点最近的向量,结合基于惩罚的边界交叉方法对种群中的个体进行排序,并对较差的个体进行删除,留下的精英个体被保存到外部档案中.将该算法与性能先进的4种高维多目标进化优化算法在13个标准测试实例...     

多目标进化算法综述

多目标进化算法已经成为解决多目标优化问题的主要方法之一。本文详细介绍了经典的多目标进化算法,并分析了各种算法所采取的策略,给出了各个算法优缺点分析。讨论了多目标进化算法的应用。     

多目标进化算法综述

多目标进化算法已经成为解决多目标优化问题的主要方法之一。本文详细介绍了经典的多目标进化算法,并分析了各种算法所采取的策略,给出了各个算法优缺点分析。讨论了多目标进化算法的应用。     

一种高维多目标血液透析服务患者调度进化算法

血液透析的患者调度问题具有高维多目标特征。从现实背景出发,结合问题特征,构造一种基于聚类的高维多目标进化算法。其中,个体编码采用多层次结构分别表征患者调度方案的属性,基于此问题的多目标特征设计交配池构造方法,并开发多类交叉和变异算子。基于聚类思想设计3种选择操作方法。通过现实案例扩展构造不同规模的计算案例,集中开展计算实验,先进行快速非支配排序,再通过聚类和个体支配区域大小进行种群选择,结果表明,该算法具有较好的优化效果。     

高维目标进化算法研究进展

主流的多目标进化算法在解决目标数目较少的优化问题时具有较好的性能,但当优化目标数目超过4维,即具有高维目标时,算法的性能很快下降,而且搜索的开销快速增长.高维目标进化算法的研究受到了进化计算与工程优化领域的高度关注.鉴于此,对高维目标优化问题的困难进行了分析,并对高维目标进化算法的研究进展进行了综述,总结了各类算法的特点与缺陷,并指出了未来进一步研究的方向.     

一种改进的高维多目标调和进化算法

针对传统的基于严格Pareto支配的多目标进化算法在计算3个以上目标的高维问题时出现收敛性不足的问题,以淘汰选择法ELECTRE-Ⅰ为构造基础,提出了一个改进的优势个体比较选择算子。该锦标赛规则可以有效克服Pareto选择压力不足的问题,与一般的锦标赛选择算子不同,该算子借助于面向最小优势子集选择的ELECTRE-Ⅰ法来找到同一层级非劣集中的优势个体,从而对每一层的非支配进化个体生成一个最小优势子集,进而给出进化个体中的优劣排序新规则,最后在典型高维测试集DTLZ函数上进行仿真实验。实验结果表明,该算法比经典多目标进化算法NSGA-Ⅱ、NSGA-Ⅲ、α-NSGA-Ⅱ和HV-NSGA-Ⅱ在求解某些特定问题集上具有更好的多样性与收敛性。     

Interactive Evolutionary Multi-Objective Optimization Algorithm Using Cone Dominance

As the number of objectives increases, the performance of the Pareto dominance-based Evolutionary Multi-objective Optimization (EMO) algorithms such as NSGA-II, SPEA2 severely deteriorates due to the drastic increase in the Pareto-incomparable solutions. We propose a sorting method which classifies these incomparable solutions into several ordered classes by using the decision maker's (DM) preference information. This is accomplished by designing an interactive evolutionary algorithm and constructing convex cones. This method allows the DMs to drive the search process toward a preferred region of the Pareto optimal front. The performance of the proposed algorithm is assessed for two, three, and four-objective knapsack problems. The results demonstrate the algorithm's ability to converge to the most preferred point. The evaluation and comparison of the results indicate that the proposed approach gives better solutions than that of NSGA-II. In addition, the approach is more efficient compared to NSGA-II in terms of the number of generations required to reach the preferred point.     

用改进蚁群算法求解多目标优化问题

蚁群算法是一种崭新的仿生模拟进化算法,该算法在许多领域已经得到应用。多目标优化问题是一类很重要的优化问题,优化与求解较难。对此,提出了一种改进蚁群算法用于求解多目标优化问题,得到一组变量的权重后,用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁寻食的方式,通过信息素来指引搜索。给出了具体的算法,示例仿真说明了其有效性,并表明该算法可以快速发现多个全局最优解。     

基于新型Memetic算法的多目标优化

为了更好地解决多目标优化问题,提出一种求解多目标优化问题的新型memetic算法。该算法利用微粒子群算法的全局搜索能力和同步启发式局部搜索相结合进行局部微调;利用基于模糊全局极值的概念处理种群中过早出现收敛以及解多样性保持等问题。通过进一步检测得出新算法的特点并展示其在多目标优化问题上的独立性和综合效应。同时应用新型算法对IEEE14节点标准电网进行无功优化计算。结果证明,该新型memetic算法具有很好的寻优能力,验证了该算法的有效性及科学性。     

一种改进的多目标粒子群优化算法

针对多目标粒子群优化算法在迭代过程中收敛速度和多样性方面的不足,提出一种改进的多目标粒子群优化算法(IMOPSO).采用基于栅格和拥挤距离的协同外部档案维护策略,通过更准确地选择收敛性和多样性性能更好的非劣粒子作为全局最优值,加快整个种群的收敛速度;采用分段Logistic混沌映射、外部档案检测机制及修改的粒子速度更新公式,分别在初始化阶段和迭代过程中增强种群的多样性;最后,通过对标准测试函数仿真测试证明了改进后的算法能够快速收敛至Pareto最优前沿并保持较好的多样性.     

基于多目标基因表达式编程的电路演化算法

为提高电路演化的效率和成功率,对电路设计中涉及的多个目标进行了定义与量化,并针对多目标优化问题,在基因表达式编程（GEP：Gene Expression Programming）的基础上,提出了基于多目标基因表达式编程的电路演化算法（MGEP：Multi-Objective Gene Expression Programming）。设计了演化电路中的GEP编码,定义和量化了电路演化的多个目标,利用非支配排序和适应度共享策略提高搜索方向的空间均匀性。通过数字电路演化实验证明,MGEP算法与GP算法相比进化时间减少了72．9％,同时得到的电路更简单实用,得到最优电路的比率分别比GP和传统的GEP提高了50．4％和38．9％。     

基于改进鲸鱼优化算法的多目标信号配时优化

为了使交叉口的通行效益最大化,构建以交叉口平均延误、平均停车次数最小以及最大通行能力最大化为优化目标的多目标函数模型,并提出一种基于自适应权重和levy飞行的改进鲸鱼优化算法(ALWOA)对信号控制交叉口进行配时方案优化.结合实际算例,将求解后的结果与现有方案、使用传统的Webster算法求解的方案、使用GA和标准WOA得到的方案进行对比.结果表明,使用ALWOA得到的配时方案明显优于其他方法,从而证明了改进后的鲸鱼优化算法以及函数模型在交叉口信号配时方案优化上的有效性.     

求解函数优化问题的混合进化规划算法

提出一种混合进化规划算法,将进化规划与免疫进化中的克隆扩增相结合.该算法一方面用自适应变异步长的进化规划来有效地控制种群的整体进化,以在全局范围内进行搜索;另一方面,对于当前代中最优个体本身,利用免疫进化中的克隆扩增算子,来进行小邻域的局部细搜,从而形成两层领域搜索机制,以保证全局和局部搜索能力.仿真结果表明,该算法收敛速度快,搜索精确度高,并具有良好的全局搜索能力.     

用于网络编码优化的改进量子进化算法

网络编码允许网络中间节点对输入数据进行处理而非简单转发,提高了网络的吞吐量和鲁棒性,已经被证明能够达到网络最大流最小割限制。但网络节点的编码操作引发了额外的计算及资源开销。为此,该文提出了一种针对网络编码优化的改进量子进化算法IQEA-NC,以满足达到理论多播速率的情况下最小化网络的编码开销目的。IQEA-NC对传统量子进化算法进行了有效的改进,降低了算法搜索空间,增强了全局搜索能力,同时避免了陷入局部最优。仿真对比实验表明,同已有的量子进化算法及其他进化算法相比,该方法提高了优化性能,在准确性和收敛速度上都具有较大的优势。     

进港飞机调度多目标优化问题的改进NSGA-II算法

基于多目标优化问题的Pareto最优解概念,提出了一种求解非劣解集的改进非支配排序遗传算法(NSGA-II),用于解决多条跑道情况下进港航班调度问题,要求航班总延误时间平方和及总延误成本两个目标最少。重点讨论了算法实现中的基于最近邻思想的启发式交叉算子和改进的变异算子,以及对非劣解集的筛选操作。最后进行了仿真实验,对优化结果进行了分析比较。研究结果表明改进NSGA-II算法对多跑道进港飞机调度多目标优化问题具有较好的应用前景。     

基于多目标优化的免疫遗传算法 在Matlab环境中的实现

阐述了基于多目标优化的免疫遗传算法基本原理，合理地在抗原聚类算法中引入孤立度算法。在该算法中，将优化问题的可行解对应于抗体及pareto最优个体对应于抗原，并运用改进的抗原聚类算法不断更新抗原群中的抗原，从而得到分布均匀的pareto最优解。并探讨了在Matlab环境下应用免疫遗传算法实现多目标优化，主要对增强度计算、pareto求优、抗原聚类等进行了算法实现。并以实例说明其在Matlab环境中实现的可行性。