种群熵启动反向学习的动态多种群粒子群算法

针对传统粒子群优化算法在求解复杂优化问题时容易陷入局部最优和停滞的问题,提出采用种群熵启动反向学习的动态多种群粒子群算法。借鉴狮群算法划分狮群的思想,采用动态多种群划分策略,将粒子划分成3个不同行为子群,对其实施不同的位置更新公式,保持粒子在搜索过程中的多样性;在迭代阶段,为避免算法早熟,构建了各维重心反向变异策略丰富变异备选个体,并结合种群熵指标进行种群状态评价适时启动变异策略,帮助粒子跳出局部最优。最后,通过8个基准测试函数与同种类6种经典和新型改进算法,在不同维度下进行测试对比。数值实验结果表明,改进策略显著提升了粒子群算法搜索能力,在搜索精度和搜索速度方面均优于其他对比算法。     

基于动态种群多策略差分进化模型的多目标进化算法

针对复杂的多目标优化问题,根据不同差分进化策略的特点,提出一种基于动态种群多策略差分进化模型和分解机制的多目标进化算法（MOEA／D-DPMD）。该算法将种群划分为3个子种群,每个子种群分配一种差分进化策略。为了提高算法的性能,依据每种差分进化策略的贡献度,动态的调整子种群的规模,各差分进化策略之间相互配合协同进化。采用具有复杂的PS的LZ09系列基准函数,测试新算法的性能,仿真结果表明邻域规模为25时性能最好。通过不同差分进化策略之间的对比分析,新算法也具有较强的优势。将其与MOEAD／DE和NSGA-II算法对比分析,结果显示该算法的收敛性和多样性均优于另外两种算法,是求解复杂多目标问题的有效方法。     

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.     

一种新的限制精英的多目标进化算法

在NSGA-Ⅱ算法的基础上,文中提出了一种新的限制精英的多目标进化算法(LEMOEA).通过分布函数的引入,限制了精英选取的数量,增大了解的搜索区域,从而更好地维护了种群多样性.动态变异算子的引入,减缓了算法的收敛速度,增大了解的搜索区域,避免了算法早熟收敛或陷入局部最优.实验结果表明:LEMOEA比NSGA-Ⅱ有更好的收敛效果和种群多样性.     

基于多种群的差分进化算法

针对差分进化算法在寻优过程中存在的种群多样性快速消失,容易收敛到局部最优解,过早成熟的问题。文章提出一种多种群协同搜索的新机制,平衡差分算法前期的全局搜索能力和后期的局部搜索能力。对新改进的多种群差分算法使用基准测试函数进行了对比测试。测试结果表明,多种群差分算法相较于标准差分算法拥有更好的全局搜索能力,更高的精度。     

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

基于收敛速度和多样性的多目标粒子群种群规模优化设计

针对多目标粒子群优化算法种群规模难以确定的问题,文中提出了一种基于收敛速度和多样性的多目标粒子群优化（Convergence speed and Diversity-based Multi-Objective Particle Swarm Optimization,CD-MOPSO）算法.首先,利用优化过程的收敛速度和多样性指标构造种群规模适应度函数,完成了种群规模与优化性能关系的描述;其次,基于适应度函数设计了一种种群规模自适应调整方法,实现了种群规模的动态调整;最后,将提出的CD-MOPSO在基准优化问题ZDT上测试并应用于城市管网优化,实验结果显示CD-MOPSO能够根据求解问题自动调整种群规模,与NSGA-Ⅱ、MOPSO、SPEA2和EMDS-MOPSO相比具有更快的收敛速度和更好的优化结果.     

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.     

基于改进MOEA/D分解算法的天线阵优化设计

针对天线阵列设计需要优化的目标数量多、耗时长且难以收敛的问题，提出一种新的根据拥挤度动态调节邻域大小的基于分解的多目标进化算法MOEA/D。该算法引入一个拥挤参数集合，根据种群拥挤度的排名区间为子问题选取集合中不同的拥挤参数值，根据搜索阶段计算每个子问题的选择邻域和替换邻域，并间隔50代重新进行拥挤度排名计算达到动态调节邻域的目的，以平衡种群的收敛性和多样性。在对比实验中，选取测试函数DTLZ、WFG和直线阵列优化设计问题，将改进算法与其他4种算法进行性能对比。实验结果表明，改进算法在测试函数和直线阵列优化设计问题上表现均优于对比算法，搜索得到的Pareto解集满足天线阵列的设计需求。     

动态多目标优化的进化算法及其收敛性分析

给出了动态多目标优化问题的一种新解法.首先对时间变量进行了等区间离散化,在得到的子区间(称为环境)上定义了种群的静态序值方差和静态密度方差.然后把动态多目标优化问题近似地转化成了若干个两个目标的静态优化问题.在给出的一种能自动检测环境变化的应答算子下,提出了一种动态多目标进化算法,同时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是有效的.     

应用精英反向学习的多目标烟花爆炸算法

现实中的多目标优化问题越来越多,而且日益复杂.受混合多目标优化算法设计思想的启发,将烟花爆炸方法和精英反向学习机制引入至多目标优化领域,提出一种应用精英反向学习的多目标烟花爆炸算法(Multi-Objective Fireworks Optimization Algorithm Using Elite Opposition-Based Learning,MOFAEOL).该算法利用精英反向学习策略加强算法的全局搜索能力,利用烟花爆炸方法增强算法的局部搜索能力并提高求解的精度.这两种搜索机制相互协同以更好地平衡算法的全局勘探和局部开采的能力.MOFAEOL算法与另外5种代表性多目标优化算法一同在由ZDT系列和DTLZ系列组成的测试集上进行性能比较.实验表明,MOFAEOL算法在收敛性、多样性和稳定性方面均优于或部分优于其他对比算法.     

基于生态种群捕获竞争模型的多目标Memetic优化算法

本文针对复杂多目标优化问题Pareto前沿搜索难度大的特点,设计了一种结合多种群间捕获竞争、强化学习机制的多种群Memetic学习策略与进化计算模型.受种群进化、捕食种群与被捕食群体间的竞争等生态学原理的启发,提出了一种基于生态种群捕获竞争模型的多目标Memetic优化算法(Multi-Objective Memetic Algorithm based on Ecological Population Preying-competition Model,ECPM-MOMA).ECPM-MOMA算法设计并运用了捕获竞争、强化学习算子进行全局搜索,在种群进化过程中结合了Memetic搜索算子进行局部搜索.理论分析与实验结果表明,本文所提出的算法具有良好的收敛性能和分布特征,生态种群捕获竞争策略与进化计算模型对于解决复杂多目标优化问题是有效的.     

一种基于边缘分布估计的多目标优化算法

该文提出了一种基于边缘分布估计的多目标优化算法,通过在每一进化代中估计较优个体的边缘概率分布来引导算法对Pareto最优解的搜索。通过与基于拥挤机制的多样性保持技术、基于非支配排序的联赛选择、精英保留等技术的有机结合,使得算法在具有良好收敛性能的同时,具有很好的维持群体多样性的能力。通过一组典型测试函数实验对该算法的性能进行了分析,并与NSGA-II、SPEA、PAES等知名多目标优化算法进行了比较,结果表明该文算法收敛速度较快,且得到的非支配解集分布均匀,适合于复杂多目标优化问题的求解。     

一种增强型多目标烟花爆炸优化算法

现实中多目标优化问题的多样化和复杂化要求发展新的多目标优化算法.在混合多目标进化算法设计思想和新型进化模型的启发下,提出一种增强型多目标烟花爆炸算法eMOFEOA,该算法利用均匀化与随机化相结合的方法生成均匀分布的初始种群,为算法后续搜索提供较好的起始点;对烟花爆炸半径采用精细化控制策略,即不同世代的种群具有不同的爆炸半径,而且同一种群内部因个体支配强度的差异而具有不同的爆炸半径,以节省计算资源;利用简化的k-最近邻方法维持外部档案的多样性.本文算法与另5种对等比较算法一同在12个基准多目标测试函数上进行性能比较,实验结果表明eMOFEOA算法在收敛性、多样性和稳定性上具有总体上显著的性能优势.     

解决动态多中心问题的自学习差异进化算法

为解决动态环境下的多中心优化问题,提出自学习差异进化算法。通过评估特定个体检测到环境变化,自学习算子将群体引至新的环境,并保持群体的拓扑结构不变,以继续当前的进化趋势。采用邻域搜索机制加快算法的收敛速度,引入随机个体迁入机制增加群体多样性。实验以周期动态函数为测试对象,比较自学习差异进化算法与部分智能优化算法的性能,结果表明,新算法有更快的收敛速度和更好的环境适应能力。     

基于引导个体的预测策略求解动态多目标优化问题

很多现实的优化问题都是动态多目标问题,这类问题不仅具有多个目标,并且也受环境的影响不断变化.本文基于引导个体的预测策略提出一种新的求解动态多目标优化问题的策略.通过记录每次环境变化初始时和种群自主进化一小段时间后种群中心点位置的前后变化,预测最优解的所在方向.同时根据在该方向上均匀分布的若干检测个体,选出一串非支配的个体作为当前环境下的引导个体.为了避免陷入局部最优,在选出的引导个体周围一个小的区域半径内随机产生若干伴随引导个体.实验结果表明,新策略具有更快的响应环境变化的能力.     

多目标混合蛙跳算法中改进的种群分割方法

种群分割方法是混合蛙跳算法最重要的组成部分之一,直接影响算法的性能。针对多目标混合蛙跳算法,提出一种新的种群分割方法。该方法将代表潜在最优区域的非支配个体集合通过聚类的方式划分族群,目的是使不同族群在不同区域进行局部搜索,避免算法早熟。被支配个体则根据其与非支配个体集合的近似度分配到族群中,并通过随机加入其他族群个体的方式提高本族群的多样性。实验结果表明,本文的方法在提高多目标混合蛙跳算法的收敛性和收敛速度方面都具有优势,而且对于目标个数较多的优化问题（最多10个目标）仍能获得令人满意的结果。      

基于拥挤度因子的动态信息素更新策略蚁群算法

针对蚁群算法易陷入局部最优、收敛速度慢的问题,文中提出了一种基于拥挤度因子的动态信息素更新策略的蚁群算法(CFACS)。引入鱼群算法中拥挤度的思想,扩大种群中蚂蚁分布范围,使其探索更大的解空间,提高算法全局搜索能力;采用动态信息素更新策略,在每一次迭代中,自适应调整当前最优路径所释放的信息素浓度,保证蚁群前期的多样性,同时保证算法在后期的收敛性。求解TSP问题的仿真实验表明,改进算法求得解的质量和求解的收敛速度都明显优于传统蚁群算法,较好地平衡了种群多样性与收敛速度之间的矛盾。