基于径向空间划分的昂贵多目标进化算法

为了解决难以建立精确数学模型或者真实评估实验成本高昂的多目标优化问题,提出了一种基于径向空间划分的昂贵多目标进化算法.首先算法使用高斯回归作为代理模型逼近目标函数;然后将目标空间的个体投影到径向空间,结合目标空间和径向空间信息保留对种群贡献更高的个体;之后由径向空间中个体的位置分布决定下一步应该选择哪些个体进行真实评估;最后,采用一种双档案管理策略维护代理模型的质量.数值实验和现实问题上的结果表明,与5种先进算法相比,该算法在解决昂贵多目标优化问题时能够提供更高质量的解.     

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...     

基于分解和聚类的昂贵高维多目标进化算法

使用进化算法解决昂贵高维多目标优化问题时,因目标维数较高,导致收敛性和多样性平衡困难,并且消耗成本过高,使得计算资源有限时难以收敛.为此,提出一种基于分解和聚类的昂贵高维多目标进化算法(DC-EMEA),使用克里金模型近似目标函数,减少昂贵函数的评价次数.在优化器对模型的最优解集搜索时,借助参考向量分解目标空间,有利于收敛性和多样性的平衡,同时采取两轮选择的方式,保证后代种群规模与父代相同,为填充准则选择真实评价的个体时,提供更多选择,提升搜索效率.同时,提出一种自适应填充准则,首先使用K均值算法将种群划分为k个子种群.通过划分邻域, 将子种群自适应地分成不同类型,根据子种群的类型选择个体,提升计算资源的利用率.在选择个体时,侧重于对收敛性压力的维持,提升收敛速度.将选出的个体用于更新模型和档案.实验结果表明,DC-EMEA能够很好地平衡收敛性和多样性,同时具有较强的收敛能力.     

自适应约束评估的代理模型辅助演化算法

很多现实优化问题不仅有昂贵目标也有昂贵约束,而现有求解昂贵优化问题的代理模型辅助演化算法（SAEAs）通常对候选解的所有约束进行评估,在评估次数有限的情况下,频繁评估可行域较大的约束不利于种群演化。针对这一问题,研究了求解昂贵约束优化问题的代理模型辅助算法,提出了一种自适应约束评估策略,根据种群演化情况评估可行域信息较少的约束,以节省在可行域较大的约束上的评估次数,在少量昂贵评估次数下自适应进行约束的选择及评估,更好地演化种群;为验证该策略的有效性和通用性,从两个思路设计了两种自适应约束评估的高斯过程回归模型辅助差分进化算法。这两种方法在15个约束优化测试函数中的11个取得显著优异效果;在利用时间延迟模拟昂贵评估次数的情况下,效率提升均在94%以上,其中91.67%的测试例子效率提升在98%以上。另外,这两种方法在4个工业应用问题中均取得优胜效果,表明其在昂贵工业约束优化问题中良好的应用前景。     

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。     

对不连续帕累托前沿的一种改进的MOEA/D

提出了一种改进的基于分解的多目标进化算法,用于解决不连续帕累托前沿的多目标优化问题中出现帕累托近似前沿分布不均匀与不完整的问题.主要的思想是通过基于密度的聚类算法将尽量逼近帕累托前沿的种群划分为若干个子种群,将不连续帕累托前沿问题转化为多个连续子问题,然后协同演化所有子种群,最后获得更为均匀与完整的帕累托解集.实验表明对于处理不连续帕累托问题的优越性.     

基于粒子群灰狼混合算法的多目标约束优化问题求解

近年来，多目标优化问题引起了广泛关注，其求解目标多、目标函数复杂，当前方法通常将所有目标加权后求解，但这些方法会造成解集缺乏准确性.针对上述情况，本文首先根据目标分解的框架：辅助目标和等价目标约束优化框架，该框架是将约束优化的问题分解为辅助目标和等价目标相结合的优化问题，同时动态调整所分解出的对应子问题的权值，使分解出的子问题求解趋向于等价目标求解.其次基于粒子群优化算法和灰狼优化算法的各自优势，提出参数自适应的粒子群灰狼混合算法，混合算法的优势集合了粒子群算法的收敛性快和灰狼算法的搜索过程多样性，从而提高粒子进化过程的准确性.通过IEEE CEC2017数据集测试的结果表明：在调参合适的情况下，获得的函数最优值个数多于乌鸦搜索、受约束的模拟退火、带约束的水循环等经典算法，在10D情况下，28个测试函数中11个测试函数表现最佳；在30D的情况下，12个测试函数表现最佳.     

基于广义改进分解策略的多目标代理优化方法

为解决多目标代理优化方法中代理模型选择单一问题,提出基于广义改进函数分解策略的多目标代理优化方法.该方法充分利用模型预测信息构建广义改进多目标分解准则和广义改进R2指标准则,有效拓展多目标代理优化中代理模型的选择空间.所提两种准则通过随机均匀权重实现全局探索和局部搜索能力的自适应平衡.研究结果表明,所提方法在有限仿真条件下拥有良好的寻优性能,获得Pareto前沿在收敛性、多样性及空间分布性方面均具有一定优势.相比同类方法,该方法具有优势:1)不需要模型预测不确定性信息,适用于基于不同种类代理模型的代理优化方法; 2)实现简单且计算复杂度低,能够有效提升昂贵黑箱问题优化效率.     

LeCMPSO算法求解异构无人机协同多任务重分配问题

无人机系统在军事领域有着广泛应用, 由于战场环境复杂多变, 无人机遭遇突发状况后需进行任务重分配.异构无人机是指多种类型的无人机, 可完成单一无人机无法完成的多类型复杂任务, 异构无人机协同多任务重分配问题约束条件复杂且包含混合变量, 现有多目标优化算法不能有效处理此类问题. 为高效求解上述问题, 本文构建多约束异构无人机协同多任务重分配问题模型, 提出一种学习引导的协同多目标粒子群优化算法(LeCMPSO), 该算法引入基于先验知识的初始化策略和基于历史信息学习的粒子更新策略, 能有效避免不可行解的产生并提升算法的搜索效率. 通过在4组实例上的仿真实验表明, 与其他典型的协同进化多目标优化算法相比, 所提算法在解集的多样性、收敛性及搜索时间方面均具有较好的性能.     

基于目标空间划分的自适应多目标进化算法

目前,多目标进化算法在众多领域具有极高的应用价值,是优化领域的研究热点之一.分析已有多目标进化算法在保持种群多样性方面的不足并提出一种基于解空间划分的自适应多目标进化算法（space division basedadaptive multiobjective evolutionary algorithm,简称SDA-MOEA）来解决多目标优化问题.该方法首先将多目标优化问题的解空间划分为大量子空间,在算法进化过程中,每个子空间都保留一个非支配解集,以保证种群的多样性.另外,该方法根据每个子空间推进种群前进的距离,自适应地为每个子空间分配进化机会,以提高种群的进化速度.最后,利用3组共14个多目标优化问题检验SDA-MOEA的性能,并将SDA-MOEA与其他5个已有多目标进化算法进行对比分析.实验结果表明：在10个问题上,算法SDA-MOEA显著优于其他对比算法.