多模式多资源均衡及基于动态种群的多目标微粒群算法

研究了多模式多资源均衡问题,该问题需要动态选取每项任务的执行模式,并综合考虑项目截止日期和资源限额等约束.将种群竞争模型嵌入到基于 Pareto 的向量评价微粒群算法(VEPSO-BP)中,提出了一种新的基于动态种群的多目标微粒群算法(MOPSO-DP).通过实例测试了 MOPSO-DP 的性能,并与 VEPSO-BP 进行了对比.实验结果表明, MOPSO-DP 能取得更为丰富且优化效果更好的 Pareto 非支配解.     

基于云多目标微粒群算法的多项目调度方法

针对多技能员工受限的多项目调度问题的特点,建立了以项目群的总工期及总费用最小为目标的调度模型;将云模型嵌入到基于Pareto的向量评价微粒群算法（VEPSO-BP）中,提出了一种新的云多目标微粒群算法（CMOPSO）;该算法结合任务分配矩阵及开工时间设计了微粒编码,能根据微粒适应度自动调整惯性因子;结合软件研发实例测试了CMOPSO的性能,与VEPSO-BP进行了对比;实验结果表明CMOPSO能取得更为丰富且优化效果更好的Pareto非支配解。     

基于向量求值的QPSO算法在多目标优化中的应用

在分析了VEGA和VEPSO解决多目标问题的基础上,研究了基于量子行为的微粒群优化算法(QPSO)解决多目标问题,并提出一种基于向量求值的QPSO多目标优化算法,即VEQPSO。在VEQPSO算法中改进了粒子的进化公式,通过典型的多目标测试函数所做的实验,验证了该算法解决多目标问题的有效性。     

基于粒子记忆体的多目标微粒群算法*

针对多目标微粒群算法(MOPSO)解的多样性分布问题,提出一种基于粒子记忆体的多目标微粒群算法(dp-MOPSO)。dp-MOPSO算法为每个微粒分配一个记忆体,保存寻优过程中搜索到的非支配pbest集,以避免搜索信息的丢失。采用外部存档保存种群搜索到的所有Pareto解,并引入动态邻域的策略从外部存档中选择全局最优解。利用几个典型的多目标测试函数对dp-MOPSO算法的性能进行测试,并与两种著名的多目标进化算法m-DNPSO、SPEA2进行比较。实验结果表明,dp-MOPSO算法可以更好地逼近真实Pareto沿,同时所得Pareto解分布更均匀。     

一种多目标微粒群算法及其收敛性分析

在分析多目标优化问题的基础上,提出一种随机多目标微粒群算法,该算法采用在已经获得的Pareto解集中随机选取的两个Pareto解作为微粒更新公式中的pbest和gbest微粒,从而使微粒群的多样性增加,获得均匀分布的Pareto前沿。之后利用有限齐次马尔科夫理论给出了SMOPSO算法的收敛性进行了分析,证明SMOPSO算法以概率1收敛于极小元。最后通过对两个常用多目标函数的仿真实验,验证了算法的有效性。     

多目标优化的一种改进微粒群算法

微粒群算法是解决多目标优化问题的一个重要方法.为了多目标目标优化求解问题,常用的微粒群算法在处理多目标优化问题时,存在所得Pareto最优解集的分散性和实用性较差的缺点.针对上述问题,提出了微粒群算法的一种改进形式.改进算法引入了个体精英解集,从中选择更合适的个体最优位置.同时,在评价个体适应度时,考虑了目标函数值差异这一信息.个体对应的目标函数值差异大,则其适应度就小.这样能避免各目标函数值差异过大的最优解存在.三个典型的多目标测试函数表明,改进方法得到最优解集具有更好的分散性和实用性.测得结果证明,改进方法是有效的.     

多目标微粒群优化算法综述

作为一种有效的多目标优化工具,微粒群优化(PSO)算法已经得到广泛研究与认可.首先对多目标优化问题进行了形式化描述,介绍了微粒群优化算法与遗传算法的区别,并将多目标微粒群优化算法(MOPSO)分为以下几类:聚集函数法、基于目标函数排序法、子群法、基于Pareto支配算法和其他方法,分析了各类算法的主要思想、特点及其代表性算法.其次,针对非支配解的选择、外部档案集的修剪、解集多样性的保持以及微粒个体历史最优解和群体最优解的选取等热点问题进行了论述,并在此基础上对各类典型算法进行了比较.最后,根据当前MOPSO算法的研究状况,提出了该领域的发展方向.     

多目标微粒群优化算法

通过设计一种Pareto解集过滤器,并在此基础上给出多目标优化条件下的微粒群算法群体停滞判断准则,基于该准则提出了一种多目标微粒群优化算法。算法利用Pareto解集过滤器提高了候选解的多样性,并使用图形法将所提算法与经典的多目标优化进化算法在一组标准测试函数上进行了比较,结果表明算法具有更好的搜索效率。     

多资源均衡优化的布谷鸟算法

针对标准多目标布谷鸟算法(CSA)后期收敛速度慢、收敛精度不高的缺陷,提出一种求解多资源均衡优化问题的改进多目标布谷鸟算法。首先,引入非均匀变异算子,以均衡算法的全局搜索能力和局部寻优能力;然后,引进差分进化算子,促进群体间的合作和信息交流,提高算法的收敛精度。通过算例测试表明,改进的多目标布谷鸟算法比标准多目标算法和VEPSO-BP算法具有更好的全局收敛性。     

多资源均衡优化的布谷鸟算法

针对标准多目标布谷鸟算法(CSA)后期收敛速度慢、收敛精度不高的缺陷,提出一种求解多资源均衡优化问题的改进多目标布谷鸟算法。首先,引入非均匀变异算子,以均衡算法的全局搜索能力和局部寻优能力;然后,引进差分进化算子,促进群体间的合作和信息交流,提高算法的收敛精度。通过算例测试表明,改进的多目标布谷鸟算法比标准多目标算法和VEPSO-BP算法具有更好的全局收敛性。     

Multi-objective based on parallel vector evaluated particle swarm optimization for optimal steady-state performance of power systems

In this paper the state-of-the-art extended particle swarm optimization (PSO) methods for solving multi-objective optimization problems are represented. We emphasize in those, the co-evolution technique of the parallel vector evaluated PSO (VEPSO), analysed and applied in a multi-objective problem of steady-state of power systems. Specifically, reactive power control is formulated as a multi-objective optimization problem and solved using the parallel VEPSO algorithm. The results on the IEEE 30-bus test system are compared with those given by another multi-objective evolutionary technique demonstrating the advantage of parallel VEPSO. The parallel VEPSO is also tested on a larger power system this with 136 busses.     

A Pareto archive particle swarm optimization for multi-objective job shop scheduling

In this paper, we present a particle swarm optimization for multi-objective job shop scheduling problem. The objective is to simultaneously minimize makespan and total tardiness of jobs. By constructing the corresponding relation between real vector and the chromosome obtained by using priority rule-based representation method, job shop scheduling is converted into a continuous optimization problem. We then design a Pareto archive particle swarm optimization, in which the global best position selection is combined with the crowding measure-based archive maintenance. The proposed algorithm is evaluated on a set of benchmark problems and the computational results show that the proposed particle swarm optimization is capable of producing a number of high-quality Pareto optimal scheduling plans.     

MPI-based parallel synchronous vector evaluated particle swarm optimization for multi-objective design optimization of composite structures

This paper presents a decentralized/peer-to-peer architecture-based parallel version of the vector evaluated particle swarm optimization (VEPSO) algorithm for multi-objective design optimization of laminated composite plates using message passing interface (MPI). The design optimization of laminated composite plates being a combinatorially explosive constrained non-linear optimization problem (CNOP), with many design variables and a vast solution space, warrants the use of non-parametric and heuristic optimization algorithms like PSO. Optimization requires minimizing both the weight and cost of these composite plates, simultaneously, which renders the problem multi-objective. Hence VEPSO, a multi-objective variant of the PSO algorithm, is used. Despite the use of such a heuristic, the application problem, being computationally intensive, suffers from long execution times due to sequential computation. Hence, a parallel version of the PSO algorithm for the problem has been developed to run on several nodes of an IBM P720 cluster. The proposed parallel algorithm, using MPI's collective communication directives, establishes a peer-to-peer relationship between the constituent parallel processes, deviating from the more common master-slave approach, in achieving reduction of computation time by factor of up to 10. Finally we show the effectiveness of the proposed parallel algorithm by comparing it with a serial implementation of VEPSO and a parallel implementation of the vector evaluated genetic algorithm (VEGA) for the same design problem.     

基于Pareto邻域交叉算子的多目标粒子群优化算法

针对粒子群优化（PSO）算法局部搜索能力不足的问题,提出一种基于Pareto邻域交叉算子的多目标粒子群优化算法(MPSOP)。该算法利用粒子群优化算法和Pareto邻域交叉算子相结合的策略产生新种群,并利用尺度因子在线调节粒子群优化算法和Pareto邻域交叉算子的贡献量。数值实验选取6个常用测试函数并对NSGA-Ⅱ、SPEA2、MOPSO三个多目标算法进行比较,数值实验结果表明MPSOP算法的有效性。     

基于量子行为特性粒子群和自适应网格的多目标优化算法

为了能够找到更多真实的Pareto最优解和提高所求最优解的分布均匀性,提出了一种新型的基于量子行为特性粒子群优化和自适应网格的多目标量子粒子群优化算法.利用量子行为特性粒子群优化算法的寻优优势快速地接近真实的Pareto最优解,引入高斯变异算子增强搜索解的多样性.通过设置一个外部存储器保留搜索过程中找到的Pareto最优解,采用自适应网格法对外部存储器中最优解进行更新和维护操作,使得从中选择的领导粒子能够引导粒子群最终找到真实的Pareto最优解.仿真结果表明所提算法具有更好的收敛性能和更均匀的分布性能.     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

解多目标优化问题的新粒子群优化算法

通过定义的粒子序值方差和U-度量方差,把对任意多个目标函数的优化问题转化成为两个目标函数的优化问题。继而把Pareto最优与粒子群优化(PSO)算法相结合,对转化后的优化问题提出了一种新的多目标粒子群优化算法,并证明了其收敛性。新方法用较少计算量便可以求出一组在最优解集合中分布均匀且数量充足的最优解。计算机仿真表明该算法对不同的试验函数均可用较少计算量求出在最优解集合中分布均匀且数量充足的最优解。     

基于平衡搜索策略的多目标粒子群优化算法*

鉴于平衡全局和局部搜索在多目标粒子群优化算法获取完整均匀Pareto最优前沿方面的重要性,设计平衡全局和局部搜索策略,进而提出改进的多目标粒子群优化算法(bsMOPSO).文中策略在局部搜索方面设计归档集自挖掘子策略,通过对归档集中均匀分布的部分粒子进行柯西扰动,使归档集涵盖整个前沿面的局部搜索.在全局搜索方面设计边界最优粒子引导搜索子策略,以边界最优粒子替换部分粒子的全局最优解,引导粒子向各维目标的边界区域搜索.选取4种对比算法在ZDT和DTLZ系列的部分测试函数上进行实验,结果表明bsMOPSO具有更快的Pareto最优前沿收敛效率和更好的分布性.