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。     

基于非均匀变异和多阶段扰动的粒子群优化算法

该文提出一种基于非均匀变异和多阶段扰动的粒子群优化算法,并对算法的搜索性能进行了一般性分析.首先,在算法执行的不同阶段利用对当前最优解施加大小不同的邻域扰动操作,很好地增加了群体多样性,提高了跳出局部陷阱的概率,同时加强了对当前最优解邻域内的精细搜索;其次,在粒子群优化算法中引入非均匀变异运算,并依据非均匀变异运算规律适应性地调整解向量的搜索步长.算法性能分析表明,本算法较好地兼顾了群体优化算法的多样性和精英学习强度之间的平衡问题.数值实验上,首先用12个经典测试函数,验证该文提出的几种新措施的有效性与互助性;其次,针对30维和50维的CEC2005测试函数集,所提算法NmP3PSO与经典算法wFIPS、CLPSO和OLPSO做了大量的仿真实验,结果表明该文提出的算法表现出富有竞争力的性能和稳定性.     

基于利维飞行和变异算子的萤火虫算法

为增强萤火虫的全局探索能力和避免陷入局部最优,提出一种基于利维飞行和变异算子的萤火虫算法。采用标准萤火虫算法进行常规寻优,社会学习用于平衡全局搜索和局部探索能力。引入利维飞行策略,实现萤火虫的随机移动,避免萤火虫陷入局部最优。引入遗传算法中变异算子,扩大萤火虫的多样性。将该算法在广泛采用的15个基准函数上进行测试并与5种萤火虫算法进行比较,测试结果表明,该算法具有较高的准确率和较快的收敛速度。     

基于混合变异的萤火虫群优化算法

基本萤火虫群优化GSO(Glowworm Swarm Optimization)算法在求解函数全局寻优问题时,存在后期收敛速度慢、容易陷入局部极值等问题。为此,提出一种基于混合变异的萤火虫群优化算法。该算法用混沌变异和边界变异来增加种群的多样性,避免算法陷入局部最优,且能使算法获得精度更高的解。运用六个标准测试函数进行测试,结果表明,改进后的萤火虫群优化算法比基本GSO算法具有更高的寻优速度、寻优精度和收敛率。     

一种基于个体密度估算的多目标优化演化算法

通过在目标空间中利用目标本身信息估算个体k最近邻距离之和,作为个体的密度信息,根据个体的密度信息对群体中过剩的非劣解进行逐个去除,以便更好地维护解的多样性,由此给出了一种基于个体密度估算的多目标优化演化算法IDEMOEA。用这个算法对几个典型的多目标优化函数进行测试。测试结果表明,算法IDEMOEA求解多目标优化问题是行之有效的。     

基于均匀局部搜索和可变步长的萤火虫算法

针对萤火虫算法（FA）收敛速度慢和求解精度不高的问题,提出一种基于均匀局部搜索和可变步长策略的萤火虫优化算法（UVFA）。首先,根据均匀设计理论建立局部搜索算子,对FA的搜索过程进行改进,以提升算法的局部开采能力和收敛速度;其次,利用可变步长策略,动态地调整算法搜索步长,以平衡全局和局部的勘探能力和开采能力;最后将均匀局部搜索算子和可变步长进行融合。通过对12个标准测试函数进行仿真实验,结果表明,UVFA的目标函数均值均明显优于FA、明智步长策略的萤火虫算法（WSSFA）、可变步长萤火虫算法（VSSFA）和基于均匀局部搜索的萤火虫优化算法（UFA）,并且时间复杂度明显降低,并且在低维和高维问题中均显示出了较好的质量,具有良好的鲁棒性。     

带高斯变异的人工萤火虫优化算法

针对基本萤火虫优化算法在求解函数全局最优值时的不足,提出了一种带高斯变异的人工萤火虫优化算法。该算法在萤火虫的移动过程中,应用了高斯变异策略,从而在一定程度上避免了算法陷入局部最优,且能获得精度更高的解。通过对六个标准测试函数进行测试,结果表明,改进后的人工萤火虫算法比基本萤火虫优化算法有更高的收敛速度、求解精度和收敛成功率。     

一种最大最小萤光素值人工萤火虫算法*

针对基本人工萤火虫算法存在着易陷入局部极小和进化后期收敛速度慢等缺点,提出了一种最大最小萤光素值人工萤火虫算法。该算法在萤光素值更新过程中,对荧光素的变化范围加以限定,给出最大最小萤光素值范围,从而避免算法陷入局部最优。通过八个典型函数测试,实验结果表明所提出的算法具有较强的全局搜索能力,且能有效地避免早熟现象,从而提高了人工萤火虫算法整体性能。     

一种高效的多目标演化算法

为了提高非劣解向Pareto最优前沿收敛的速度及进一步提高解的精度,在设计了一种新的杂交算子并改进了NSGA-Ⅱ的拥挤操作的基础上,提出了一种基于分级策略的多目标演化算法。数值实验表明,新算法能够非常高效地处理高维的最优前沿为凸的、非凸的和不连续前沿的多目标测试函数,得到的非劣解具有很好的分布性质。但在处理高维的具有太多局部最优前沿的多峰函数时极易陷入局部最优前沿。     

一种新颖的改进萤火虫算法

为了克服萤火虫算法收敛速度慢和易于早熟的缺陷,本文提出了一种新颖的改进混沌萤火虫算法(Improved Chaos Firefly Algorithm,ICFA)。ICFA算法利用逻辑映射混沌序列设计了一种混沌局部搜索算子,试图提升算法的收敛速度;ICFA算法利用立方映射混沌序列设计了一种混沌替换算子,试图避免算法的早熟收敛:同时,本文将ICFA算法与目前最有竞争力的改进萤火虫算法进行了一系列的比较研究。6个高维多峰函数的测试结果表明,与其他高效的改进萤火虫算法相比,本文提出的混沌萤火虫算法具有收敛速度快、寻优能力强的优点,是目前最优秀的改进萤火虫算法之一。     

A novel wise step strategy for firefly algorithm

Firefly algorithm is a bio-inspired optimization algorithm which has been empirically demonstrated to perform well on many optimization problems. However, it can easily get trapped in the local optima and causes low precision. Therefore, improvement of this disadvantage is the very important. In this paper, we propose a wise strategy for step setting, which considers the information of firefly's personal and the global best positions. The results show that the modified algorithm enhances the performance of the basic firefly algorithm.     

基于混合萤火虫算法的RFID网络多目标规划*

针对RFID网络规划问题,综合考虑其整体性能,建立约束多目标优化的网络规划模型;提出混合萤火虫多目标优化算法,在算法中引入新的搜索机制和非支配排序方法,以加强其搜索能力,并更有效逼近Pareto前沿。仿真研究表明,所提算法可以有效提高RFID网络的整体性能,即在保证标签覆盖率的同时,提高网络经济效益,降低阅读器冲突,平衡网络负载,实现对RFID网络的优良规划。     

混合分解和强度帕累托多目标进化算法

在多目标进化优化中,使用分解策略的基于分解的多目标进化算法(MOEA/D)时间复杂度低,使用〖BP(〗强度帕累托策略的〖BP)〗强度帕累托进化算法-2(SPEA2)能得到分布均匀的解集。结合这两种策略,提出一种新的多目标进化算法用于求解具有复杂、不连续的帕累托前沿的多目标优化问题(MOP)。首先,利用分解策略快速逼近帕累托前沿;然后,利用强度帕累托策略使解集均匀分布在帕累托前沿,利用解集重置分解策略中的权重向量集,使其适配于特定的帕累托前沿;最后,利用分解策略进一步逼近帕累托前沿。使用的反向世代距离(IGD)作为度量标准,将新算法与MOEA/D、SPEA2和paλ-MOEA/D在12个基准问题上进行性能对比。实验结果表明该算法性能在7个基准问题上最优,在5个基准问题上接近于最优,且无论MOP的帕累托前沿是简单或复杂、连续或不连续的,该算法均能生成分布均匀的解集。     

基于代理辅助多目标萤火虫算法的软件缺陷预测方法研究

针对软件缺陷预测中数据维度的复杂化和类不平衡问题,提出一种基于代理辅助模型的多目标萤火虫算法(SMO-MSFFA)的软件缺陷预测方法。该方法采用了多组策略萤火虫算法(MSFFA),以最小化数据的特征选择比率和最大化模型评测AUC值为多目标目标函数,分别以随机森林(RF)、支持向量机(SVM)和K近邻分类算法(KNN)为分类器构建软件缺陷预测模型。考虑到进化算法自身的迭代特点,嵌入代理模型离线完成部分个体评价函数的计算,以缩短计算耗时。在公开数据集NASA中的PC1、KC1和MC1项目上进行实验验证,与NSGA-II方法相比,在项目PC1、KC1和MC1上模型AUC均值分别提升0.17、降低0.01和提升0.09,平均特征选择比率分别降低0.08,0.17和0.05,平均耗时分别增加131 s,降低了199 s和降低了431 s。实验结果表明,提出的方法在提高模型性能、降低特征选择比率和缩短计算耗时方面具有明显的优势。     

一种新颖的仿生群智能优化算法：萤火虫算法*

萤火虫算法是受自然界中的萤火虫通过荧光进行信息交流这种群体行为的启发演变而来。作为一种新颖的仿生群智能优化算法,分析了萤火虫算法的仿生原理,从数学角度对算法实现优化过程进行了定义。通过典型的函数优化和组合优化问题对算法进行了仿真测试,测试结果表明了萤火虫算法在连续空间和离散空间优化的可行性和有效性,具有良好的应用前景。     

改进萤火虫算法求解多机器人路径规划

为解决多机器人在静态环境中的路径规划问题,以路径长度为优化目标模型,并针对此模型设计了多机器人萤火虫算法(MR-FA)。首先,考虑到路径安全性对环境中的障碍物采取扩张操作,设计初始化规则以提高生成初始种群的效率;其次,根据算法的连续性原理及特点,设计个体等长策略将维度不一致的个体转变为等维度个体以便于萤火虫的移动更新,并对移动更新后的不可行解采取路径修正策略;然后对规划出的每个机器人的移动路径进行碰撞检测,同时针对机器人不同的碰撞情况设计相应的避碰策略,即暂停—回退策略(PFS)、局部路径重规划策略(LPRS);最后,为验证MR-FA的有效性,在三组环境中进行仿真实验并与其他三种算法进行对比,综合得出MR-FA在解决多机器人路径规划时更有优势。     

GPU上的维度并行随机吸引策略萤火虫算法

随机吸引策略萤火虫算法是一种元启发式优化算法。它优化了标准萤火虫算法,不仅降低了其时间复杂度,而且提高了其优化能力。高维全局优化问题的求解是一个非常耗时的过程,为了减少优化高维问题所需时间,进一步简化了随机吸引策略萤火虫算法,降低了时间复杂度,同时设计了一种维度并行策略,提出了GPU上的维度并行随机吸引策略萤火虫算法。实验结果表明,本算法保持了随机吸引策略萤火虫算法的优化能力,且加速效果明显。     

基于最优类中心扰动的萤火虫聚类算法

萤火虫算法FA是受自然界中萤火虫的发光特性以及通过发光交流信息的现象启发提出的一种新的群智能优化算法。在该算法中,萤火虫被吸引向亮度高的萤火虫移动,最亮的萤火虫随机移动,导致该算法聚类时存在收敛速度较慢、后期容易在最优值附近振荡、稳定性较差的问题。据此,对萤火虫的移动方式和随机扰动方式做了改进,提出了一种改进的萤火虫聚类算法——基于最优类中心扰动的萤火虫聚类算法。实验比较了步长因子的取值。UCI数据集的仿真结果表明,该聚类算法的聚类效果较好,能消除FA在最优值附近反复振荡的问题,算法的稳定性和收敛性明显提高。     

基于多子群萤火虫算法的数据库查询优化

查询优化是提高数据库性能的关键技术,针对数据库查询优化效率低的难题,提出一种多子群萤火虫算法的数据库查询优化方法（MG-FA）。首先将数据库查询计划左深树看作一个萤火虫,然后将萤火虫群分为多个子群,各子群最优萤火虫通过信息交流找到数据库查询最优计划,最后进行数据库查询优化实例分析。结果表明,MG-FA是解决数据库查询优化的有效途径,能够获得理想的数据库查询计划,具有实际意义。