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.     

一种基于多Agent的进化多目标优化算法

将进化多Agent系统引入多目标优化问题求解,通过Agent的局部搜索机制及Agent种群的协同进化机制来寻求Pareto最优解。在设计的进化算法当中借鉴了人工生命系统中的一些基本方法,如能量、小生境和迁移机制等。实例表明通过该进化算法求得Pareto最优解集具有很高的效率。     

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.     

一种求解约束多目标优化问题的线性进化算法

针对多目标优化问题,提出了一种新的基于实数编码的线性进化算法.新算法将约束优化问题的高维搜索空间通过线性变换映射到二维空间,在二维空间中探索原优化问题的解,并构造出一种线性适应度函数,重新设计了一种基于密度函数的交叉算子.对二组典型优化问题的测试表明,本算法是可行和有效的,解集分布的均匀性与多样性均较理想.     

多目标进化算法的研究与进展

多目标优化问题通常难以处理,在20世纪80年代中期人工智能的进化算法开始应用于该领域.近10年来涌现了很多种多目标进化算法,一些已成功应用到工程实践中,从而形成了最近的一个热门研究领域.本文阐述了多目标进化算法研究的有关工作进展,并提出今后需要研究的问题,旨在引起大家对此新兴研究领域的关注与兴趣,从而推动与此相关问题的研究.     

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。     

基于空间网格划分的多目标进化算法

为了有效求解多目标优化问题,找到分布宽广、均匀的Pareto解集,提出了一个基于空间网格划分的进化算法。将目标空间网格化,利用网格的位置,删除大量被支配个体。在杂交算子中利用了单个目标最优的个体信息,以增加非劣解的宽广性。利用一种新设计的基于最大距离排序的方法删除非劣解集中多余个体。数值实验表明提出的算法是可行有效的。     

多目标进化算法研究进展

进化算法具有本质上并行、不需要求导或其他辅助知识、一次运行产生多个解和简单易于实现等优点,被视为求解多目标优化问题的有效方法,目前已经形成了各种不同的多目标进化算法（MOEA）。本文首先回顾了多目标进化算法的研究起源,给出了多目标优化问题的数学描述;其次,详细分析了第一代多目标进化算法,其主要特征是简单易于实现,包括NSGA、NPGA、MOGA等,并指出这一代算法研究的成绩与不足;然后,对第二代多目标进化算法作了全面分析,指出其特征是强调效率,以精英保留策略为实现机制,且对SPEA、PAES、NSGAⅡ、NPGA2、PESA、Micro-GA等方法进行分析比较,还对这一代的研究作了总结;最后,对多目标进化算法的研究趋势作了展望和预测。     

基于演化算法实现多目标优化的岛屿迁徙模型

多目标演化算法(MOEA)利用种群策略，尽可能地找出多目标问题的Pareto最优集供决策者选择，为决策者提供了更大的选择余地，与其它传统的方法相比有了很大的改进．但提供大量选择的同时，存在着不能为决策者提供一定的指导性信息，不能反映决策者的偏好，可扩展性差等问题．本文提出了一个新的多目标演化算法(MOEA)计算模型…岛屿迁徙模型，该模型体现了一种全新的多目标演化优化的求解思想，对多目标优化问题的最优解集作了新的定义．数值试验结果表明，岛屿迁徙模型在求解MOP时有效地解决了以上问题，并且存在进一步改进的潜力．     

基于双层协同进化的多目标粒子群算法

针对当前算法在解决多模态多目标问题时获得的帕累托解集不完整、收敛性较差等不足,提出一种基于双层协同进化的多目标粒子群算法(double-layer co-evolutionary multi-objective particle swarm optimization algorithm,DCMOPSO)。利用双层协同进化机制划分上层探测种群和下层跟随种群,上下层协同进化以找到多个解;采用基于决策空间拥挤距离度量以维持解在决策空间的多样性。在12个测试函数上与其它6种算法进行比较,实验结果表明,DCMOPSO在决策空间中能够找到更多的帕累托解集,具有良好的收敛性能。     

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．     

基于（μ＋λ）选择策略的多目标优化分段遗传算法

在多目标优化遗传算法中，将整个种群按目标函数值划分成若干子种群，在各子种群内μ个父代经遗传操作产生λ个后代；然后将各子种群的所有父代和后代个体收集起来进行种群排序适应度共享，选取较好的个体组成下一代种群。相邻的非劣解容易分在同一子种群有利于提高搜索效率；各子种群间的遗传操作可采用并行处理；各子种群的所有
有个体收集起来进行适应度共享有利于维持种群的多样性。最后给出了计算实例。     

基于云模型的进化算法

基于云模型在非规范知识的定性、定量表示及其相互转换过程中的优良特征,结合进化计算的基本思想,提出一种基于云模型的进化算法.该算法利用云模型对物种的遗传变异进化统一建模,能够自适应控制遗传变异的程度和搜索空间的范围,从而可以快速收敛到最优解,较好地避免了传统遗传算法易陷入局部最优解和选择压力过大造成的早熟收敛等问题.仿真结果表明:该算法具有精度高、收敛速度快等优点.云模型和进化计算思想的有效结合一方面拓宽了云模型的应用领域,也为进化计算的研究进行了新的探索和尝试.     

一种快速的基于占优树的多目标进化算法

为了解决多目标进化算法中适应值指派(fitness assignment)的耗时问题,提出了一种新颖的适应值指派方法--占优树.占优树保存了个体之间的必要信息,暗含了个体的密度信息,而且显著减少了个体之间的比较.此外,基于占优树的淘汰策略没有花费额外的代价就保存了种群多样性.在此基础上,提出了一种新的基于占优树的多目标进化算法.通过6个测试问题和3个方面的测试标准,新算法在接近真实的最优前沿和保持种群的多样性方面,与SPEA2和NSGA-II性能相当,但速度要比它们快得多.     

一种基于偏序排名的高效的多目标演化算法

利用 Better函数对多目标优化问题 (MOP)建立了一种偏序关系 ,并通过这种偏序关系对种群中的个体进行排名 ,设计了一种高效的多目标演化算法 (EMOEA) ,应用有限 Markov链的有关理论证明了此演化算法的收敛性 ,同时对四个 Benchmark函数进行了数值试验 ,测试结果表明 ,新算法在解集分布的均匀性、多样性、精确性以及快速收敛性均优于已有的 MOEA.将此算法推广用于求解经济领域或工程领域的一些难题 ,则在实际中具有广阔的应用前景     

一种基于输运理论的多目标演化算法

提出了一种根据输运理论中的粒子输运方程、相空间能量定律和熵增法则构造的一种能够准确、高效地求解多目标优化问题的多目标演化算法(MOPEA).由于该算法使用了粒子系统从非平衡达到平衡的理论来定义求解多目标问题的Rank函数和Niche适应值函数,使得种群中的所有个体都有机会参与演化操作,以达到快速、均匀地求出多目标优化问题的Pareto最优解.数据实验显示,利用该算法求解多目标优化问题不仅能够使算法快速地收敛到全局Pareto前沿,同时由于该算法要求所有的粒子都要参与杂交和变异等演化操作,从而避免问题早熟现象的出现,并通过与传统演化算法的性能指标分析比较说明,使用该算法求解多目标优化问题具有明显的优越性.     

一种基于混合交叉策略的多目标演化算法

演化算法是求解多目标优化问题(MOP)重要而有效的方法,而应用演化策略、技巧是改善解性能的重要途径。论文叙述了多目标优化问题的有关概念,结合已有算法中的方法,设计了基于两种交叉操作相互结合的多目标演化算法(MOEAHC),该算法不仅具有较高的计算效率,而且能够保持解的多样性分布。测试结果表明该算法的良好性能。     

基于幂变换的多目标进化算法MOEA?D权重设计方法

在多目标最优化问题中,如何求解一组均匀散布在前沿界面上的有效解具有重要意义.MOEA?D是最近出现的一种杰出的多目标进化算法,当前沿界面的形状是某种已知的类型时,MOEA?D使用高级分解的方法容易求出均匀散布在前沿界面上的有效解.然而,多目标优化问题的前沿界面的形状通常是未知的.为了使MOEA?D能求出一般多目标优化问题的均匀散布的有效解,利用幂函数对目标进行数学变换,使变换后的多目标优化问题的前沿界面在算法的进化过程中逐渐接近希望得到的形状,提出了一种求解一般的多目标优化问题的MOEA?D算法的权重设计方法,并且讨论了经过数学变换后前沿界面的保距性问题.采用建议的权重设计方法,MOEA?D更容易求出一般的多目标优化问题均匀散布的有效解.数值结果验证了算法的有效性.