修正免疫克隆约束多目标优化算法

针对约束多目标优化问题,提出修正免疫克隆约束多目标优化算法.该算法通过引进一个约束处理策略,用一个修正算法对个体的目标函数值进行修正,并对修正后的目标函数值采用免疫克隆算法进行优化,用一个精英种群对可行非支配解进行存储.该算法在优化过程中,既保留了非支配可行解,也充分利用了约束偏离值小的非可行解,同时引进整体克隆策略来提高解分布的多样性.通过对约束多目标问题的各项性能指标的测试以及和对比算法的比较可以看出:该算法在处理约束多目标优化测试问题时,所得解的多样性得到了一定的提高.同时,解的收敛性和均匀性也得到了一定的改进.     

教与同伴学习粒子群算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出了带Pareto非支配解集的教与同伴学习粒子群算法。首先,以工件的最大完工时间、最大机器负荷和所有机器总负荷为优化目标建立了多目标柔性作业车间调度模型。然后,该算法结合多目标Pareto方法和教与同伴学习粒子群算法,采用快速非支配排序算法产生初始Pareto非支配解集,用提取Pareto支配层程序更新Pareto非支配解集,同时采用混合分派规则产生初始种群,采用开口向上抛物线递减的惯性权重选择策略提高算法的收敛速度。最后,对3个Benchmark算例进行仿真实验。理论分析和仿真表明,与带向导性局部搜索的多目标进化算法(MOEA-GLS)和带局部搜索的控制遗传算法(AL-CGA)相比,对于相同的测试实例,该算法能产生更多更好的Pareto非支配解;在计算时间方面,该算法要小于带向导性局部搜索的多目标进化算法。实验结果表明该算法可以有效解决多目标柔性作业车间调度问题。     

改进多目标帝王蝶算法

帝王蝶优化算法结构简单,能够较好的完成寻优搜索要求,但在多目标问题上,算法的精度和非支配解的分布性较差.针对以上不足之处,本文提出一种改进型多目标帝王蝶算法(Improved multi-objective monarch butterfly algorithm,IMOMBO),对非支配解进行拥挤度排序,所有非支配解个体都以当前最优个体为中心点映射镜像点,并朝向镜像点奔袭,以此增加个体在Pareto前沿上的收敛性和算法精度.在算法迭代后期,对部分较优个体进行Logistic混沌映射,以改善个体在Pareto前沿上的分布性.随机选用ZDT和DTLZ测试函数集中的函数进行算法性能验证,实验结果证明,本算法可以很好地保证非支配解个体的收敛特性和分布特性.     

基于多目标数据生成的昂贵多目标进化算法

昂贵多目标优化问题是一类需要同时优化多个相互冲突且评估计算成本十分昂贵的目标的复杂优化问题,需要算法在计算资源受限的情况下尽可能找到目标值好且多样性好的一系列非支配解.进化计算方法是求解多目标优化问题的有效手段,但在求解昂贵多目标优化问题时仍面临多样性和收敛性这两个方面的挑战,即难以找到多样性好且收敛到全局最优的一系列解.针对上述挑战,本文提出了新型的基于多目标数据生成的昂贵多目标进化算法.本文的贡献点和创新点主要有以下三个方面.首先,本文提出并证明了非支配解生成定理,并基于此提出了多目标数据生成方法,以更有效地搜索到更多非支配解,提高算法的多样性.其次,本文提出了多种群多代理框架,使用多个代理模型替代评估成本昂贵的真实目标函数,并协同演化多个种群对多个代理模型进行协同求解,从而提高算法的收敛性.再次,基于上述提出的方法和框架,本文提出了基于多目标数据生成的昂贵多目标进化算法,以对昂贵多目标优化问题进行求解.为了验证算法性能,本文在两个著名测试集的共16个问题上进行了丰富的大量测试实验,并与现有的五个前沿算法进行对比.实验结果表明,本文提出的算法能在大部分问题上取得比所有对比算法都更好...     

具有多形态种群协同进化的多目标优化算法

为提高进化多目标优化算法在维持最优解多样性方面的性能,获得分布更均匀的Pareto非支配解集,文中提出一种具有多形态种群协同进化的多目标优化算法.该算法构建一种多形态种群协同进化架构,通过引入最小向量夹角的相似性度量方法,给出次优非支配个体选择策略,从而提高种群的多样性.算法还提出一种基于排序链表的拥挤个体删除策略,进一步提高解集分布的均匀性和宽广性.与经典算法对比结果表明,文中算法在解的分布性和多样性方面均有较好表现,尤其在解集分布均匀性方面优势较明显.     

基于多目标免疫系统算法的云任务调度策略

针对云计算环境下任务调度问题,为减少任务完工时间,同时降低任务执行费用,提出一种改进的基于多目标免疫系统的任务调度算法IMISA来寻找较优的可行分配方案。与传统分配适应度值不同,该算法将抗体群划分为非支配解集和支配解集,分别将非支配解的独立支配区域面积、支配解与所有非支配解所围成的多边形面积作为相应的抗体-抗原亲和力,根据相应亲和度计算克隆比例后克隆变异生成子代。在CloudSim平台上进行仿真实验,结果表明,与NSGA-Ⅱ及多目标免疫系统算法(MISA)相比,IMISA能够找到具有更短完工时间及更小的执行费用的调度方案,同时获得的Pareto解集也具有更好的分布性。     

多目标协同正弦优化算法求解分布式流水车间调度问题

针对最小化最大完工时间(makespan)、总拖期以及平均空闲时间的多目标序列相关准备时间分布式流水车间调度问题, 本文提出一种多目标协同正弦优化算法(MCSOA). 算法主要包括4个核心阶段: 在多邻域搜索阶段,提出了基于关键工厂的搜索策略, 并通过正弦优化算法控制搜索范围; 在破坏重构阶段, 设计了一种迭代搜索策略引导个体的进化方向, 同时使用正弦优化算法平衡全局开发与局部搜索; 在选择阶段, 使用非支配排序与参考点的方法筛选优质解, 外部档案集用于存储所有非支配解; 在协同阶段, 设计种群间共享与竞争机制, 平衡3个目标的优化. 本文通过多目标优化的均匀性、反世代距离和覆盖率3项性能指标验证算法的有效性, 并使用非参数检验证明所提出的算法具有显著性优势.     

面向多目标流水车间调度的多种群多目标遗传算法

针对制造型企业普遍存在的流水车间调度问题,建立了以最小化最迟完成时间和总延迟时间为目标的多目标调度模型,并提出一种基于分解方法的多种群多目标遗传算法进行求解.该算法将多目标流水车间调度问题分解为多个单目标子问题,并分阶段地将这些子问题引入到算法迭代过程进行求解.算法在每次迭代时,依据种群的分布情况选择各子问题的最好解及与其相似的个体分别为当前求解的子问题构造子种群,通过多种群的进化完成对多个子问题最优解的并行搜索.通过对标准测试算例进行仿真实验,结果表明所提出的算法在求解该问题上能够获得较好的非支配解集.     

一种基于粒子群优化的多目标优化算法

论文提出了一种基于粒子群的多目标优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值和局部最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分布性能;采用动态惯性权重法来平衡粒子群对解空间的局部搜索和全局搜索,以提高算法的全局收敛性能。实验结果表明,论文算法是有效的,能有效的求解多种多目标优化问题。     

一种新的多目标粒子群优化算法

论文提出了一种基于拥挤度和动态惯性权重聚合的多目标粒子群优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值,用外部存档策略保存搜索过程中发现的非支配解;采用适应值拥挤度裁剪归档中的非支配解,并从归档中的稀松区域随机选取精英作为粒子的全局最优位置,以保持解的多样性;采用动态惯性权重聚合的方法以使算法尽可能地逼近各目标的最优解。仿真结果表明,该算法性能较好,能很好地求解多目标优化问题。     

膜系统下的一种多目标优化算法

提出一种基于膜优化理论的多目标优化算法,该算法受膜计算的启发,结合膜结构、多重集和反应规则来求解多目标优化问题。为了增强算法的适应能力,采用了遗传算法中的交叉与变异机制,同时在膜中引入外部档案集,并采用非支配排序和拥挤距离方法对外部档案集进行更新操作来提高搜索解的多样性。仿真实验采用标准的KUR和ZDT系列多目标问题对所提出的算法进行测试,通过该算法得出的非支配解集能够较好地逼近真实的Pareto前沿,说明所提算法在求解多目标优化问题上具有可行性和有效性。     

改进自适应多种群NSGA-Ⅲ算法的研究

针对第三代非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅲ,NSGA-Ⅲ)在处理高维多目标函数时存在收敛精度低和搜索性能差等问题,提出一种自适应多种群NSGA-Ⅲ算法。首先将传统算法的单一种群划分成四个亚种群,并为每个亚种群分配不同的交叉算子;其次提出外部最优解集(external optimal solution set,EXS)的概念,通过计算个体更新最优解集的参与量来自适应调节每个亚种群的大小;最后利用局部搜索策略提高EXS的局部搜索性能。采用四个不同的测试函数,与七种对比算法进行仿真验证,结果表明在处理高维多目标优化问题时,提出算法的性能指标整体优于其他对比算法,能够获得较好的算法收敛性和种群多样性。     

异构集成代理辅助多目标粒子群优化算法

针对代理辅助进化算法在减少昂贵适应度评估时难以通过少量样本点构造高质量代理模型的问题,提出异构集成代理辅助多目标粒子群优化算法。该方法通过使用加权平均法将Kriging模型和径向基函数网络模型组合成高精度的异构集成模型,达到增强算法处理不确定性信息能力的目的。基于集成学习的两种代理模型分别应用于全局搜索和局部搜索,在多目标粒子群优化算法框架基础上,新提出的方法为每个目标函数自适应地构造了异构集成模型,利用其模型的非支配解来指导粒子群的更新,得出目标函数的最优解集。实验结果表明,所提方法提高了代理模型的搜索能力,减少了评估次数,并且随着搜索维度的增加,其计算复杂性也具有更好的可扩展性。     

采用双档案协同进化离散多目标烟花算法的低碳疫苗冷链优化配送

建立低碳疫苗冷链配送问题的约束多目标优化模型,在满足可用车数量、车辆容量约束和时间窗约束的条件下,考虑最小化碳排放的企业运输成本和客户不满意度。提出一种双档案协同进化的离散多目标烟花算法,采用消除车辆数量和容量约束的解码方式,设计了部分映射爆炸算子,设置可行解档案和不可行解档案协同进化,并对不可行解档案实施可行性搜索。实验结果表明,与已有算法相比,所提算法在低碳疫苗冷链配送问题上能高效地搜索到一组收敛精度和分布性能更优的Pareto非支配解。     

冷轧机组批量作业计划模型与算法

针对编制冷轧机组作业计划受到钢卷宽度跳跃、入口厚度跳跃和出口厚度跳跃等多个工艺约束的问题, 把排产过程归纳为非对称双旅行商问题, 建立了冷轧机组生产作业计划的Pareto多目标模型. 提出了基于Pareto非支配集的自适应多目标蚁群算法, 利用自适应蚁群算法和Pareto非支配集思想, 综合考虑多个目标, 自适应地提供蚂蚁路径搜索参数, 并对得到的非支配解集对应路径更新信息素, 引导蚂蚁向最优解集方向搜索, 最终提供多个可行的批量作业计划, 根据生产要求从中选择合适的最优排产结果. 利用某冷轧薄板厂实际的生产数据进行仿真实验, 表明模型与算法在冷轧机组批量作业计划编制过程中具有可行性.     

A Novel Quantum - inspired Multi - Objective Evolutionary Algorithm Based on Cloud Theory

In the previous papers,Quantum-inspired multi-objective evolutionary algorithm(QMEA) was proved to be better than conventional genetic algorithms for multi-objective optimization problem.To improve the quality of the non-dominated set as well as the diversity of population in multi-objective problems,in this paper,a Novel Cloud -based quantum -inspired multi-objective evolutionary Algorithm(CQMEA) is proposed.CQMEA is proposed by employing the concept and principles of Cloud theory.The algorithm utilizes the random orientation and stability of the cloud model,uses a self-adaptive mechanism with cloud model of Quantum gates updating strategy to implement global search efficient.By using the self-adaptive mechanism and the better solution which is determined by the membership function uncertainly,Compared with several well-known algorithms such as NSGA-Ⅱ,QMEA.Experimental results show that(CQMEA) is more effective than QMEA and NSGA -Ⅱ.     

基于Map-Reduce模型的云资源调度方法研究

为提高Map-Reduce模型资源调度问题的求解效能,分别考虑Map和Reduce阶段的调度过程,建立带服务质量(QoS)约束的多目标资源调度模型,并提出用于模型求解的混沌多目标粒子群算法。算法采用信息熵理论来维护非支配解集,以保持解的多样性和分布均匀性;在利用Sigma方法实现快速收敛的基础上,引入混沌扰动机制,以提高种群多样性和算法全局寻优能力,避免算法陷入局部最优。实验表明,算法求解所需的迭代次数少,得到的非支配解分布均匀。Map-Reduce资源调度问题的求解过程中,在收敛性和解集的多样性方面,所提算法均明显优于传统多目标粒子群算法。     

Integrated production and delivery with single machine and multiple vehicles

This paper considers a class of multi-objective production–distribution scheduling problem with a single machine and multiple vehicles. The objective is to minimize the vehicle delivery cost and the total customer waiting time. It is assumed that the manufacturer’s production department has a single machine to process orders. The distribution department has multiple vehicles to deliver multiple orders to multiple customers after the orders have been processed. Since each delivery involves multiple customers, it involves a vehicle routing problem. Most previous research work attempts at tackling this problem focus on single-objective optimization system. This paper builds a multi-objective mathematical model for the problem. Through deep analysis, this paper proposes that for each non-dominated solution in the Pareto solution set, the orders in the same delivery batch are processed contiguously and their processing order is immaterial. Thus we can view the orders in the same delivery batch as a block. The blocks should be processed in ascending order of the values of their average workload. All the analysis results are embedded into a non-dominated genetic algorithm with the elite strategy (PD-NSGA-II). The performance of the algorithm is tested through random data. It is shown that the proposed algorithm can offer high-quality solutions in reasonable time.     

Hybridizing a multi-objective simulated annealing algorithm with a multi-objective evolutionary algorithm to solve a multi-objective project scheduling problem

In this paper, a multi-objective project scheduling problem is addressed. This problem considers two conflicting, priority optimization objectives for project managers. One of these objectives is to minimize the project makespan. The other objective is to assign the most effective set of human resources to each project activity. To solve the problem, a multi-objective hybrid search and optimization algorithm is proposed. This algorithm is composed by a multi-objective simulated annealing algorithm and a multi-objective evolutionary algorithm. The multi-objective simulated annealing algorithm is integrated into the multi-objective evolutionary algorithm to improve the performance of the evolutionary-based search. To achieve this, the behavior of the multi-objective simulated annealing algorithm is self-adaptive to either an exploitation process or an exploration process depending on the state of the evolutionary-based search. The multi-objective hybrid algorithm generates a number of near non-dominated solutions so as to provide solutions with different trade-offs between the optimization objectives to project managers. The performance of the multi-objective hybrid algorithm is evaluated on nine different instance sets, and is compared with that of the only multi-objective algorithm previously proposed in the literature for solving the addressed problem. The performance comparison shows that the multi-objective hybrid algorithm significantly outperforms the previous multi-objective algorithm.