基于融合多策略改进的多目标粒子群优化算法

为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.     

一种改进快速稳定的多目标优化算法

多目标优化问题属于高维的搜索空间,用一些传统方法来优化这些问题会导致较高的时间复杂性.为了解决该问题,使用了粒子群优化算法(PSO),同时将ε-dominance的概念应用到PSO中.该方法在实验过程中取得了良好的效果.其运算速度快,而且最终优化的点数可以得到控制.     

基于多目标粒子群优化的虚拟网络映射算法

在虚拟网络映射中,多数研究只考虑一个映射目标,不能体现多方的利益。为此,将多目标算法和粒子群算法结合,提出了一种基于多目标粒子群优化（PSO）的虚拟网络映射算法（VNE-MOPSO）。首先,在基本的粒子群算法中引入交叉算子,扩大了种群优化的搜索空间;其次,在多目标优化算法中引入非支配排序、拥挤距离排序,从而加快种群的收敛;最后,以同时最小化成本和节点负载均衡度为虚拟网络映射目标函数,采用多目标粒子群优化算法求解虚拟网络映射问题（VNMP）。实验结果表明,采用该算法求解虚拟网络映射问题,在网络请求接受率、平均成本、平均节点负载均衡度、基础设施提供商的收益等方面具有优势。     

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.     

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

基于改进帝王蝶优化算法的特征选择方法

针对帝王蝶优化算法(MBO)全局搜索能力较弱、在迁移过程中容易出现种群多样性减少等问题,文中提出基于柯西变异的差分自适应MBO及其特征选择算法.首先,使用差分进化算法中的变异操作替换MBO的迁移算子,提升全局搜索能力.然后,将自适应调整策略融入MBO的调整算子,改变单一的调整方式.最后,对每次更新的种群进行柯西变异,增加种群多样性.为了验证改进帝王蝶优化算法及其特征选择方法的性能,通过基准函数和UCI数据集两部分实验对其进行测试,结果表明文中算法性能较优.     

一种改进的小生境多目标粒子群优化算法

提出一种小生境多目标粒子群优化算法。使用环邻域拓扑且无需任何小生境参数,克服常规小生境技术中需确定小生境参数的困难。采用NSGA-II的非支配排序策略和动态加权方法选择最优粒子。基于拥挤度的变异操作引导粒子跳出局部最优,增强算法的全局搜索能力。通过对ZDT1~ZDT4和ZDT6的测试结果表明,与经典的多目标进化算法NSGA-II、PESA-II和MOPSO相比,该算法在最优解集的收敛度与多样性方面具有明显的优势。     

基于改进多目标狼群算法的微电网调度优化

为获得微电网系统建设成本、环境成本和运行成本的多重目标优化,以构建系统独立运行模块和仿真模块为核心,设计了微电网系统的多目标调度模型。使用能量模块对微电网调度模型的建设成本、环境成本和运行成本指标进行评价,优化调度算法模块则使用基于个体密度多目标狼群算法(Multi-objective wolf colony algorithm,MOWCA)。在MOWCA算法中引入了非支配排序和个体密度多样性保持操作,有效提高了多目标优化的前沿分布多样性和收敛精度。将所提优化调度算法基于Docker容器技术,对风柴蓄光微电网系统进行调度优化模拟,验证了所提调度算法在多重目标优化上的有效性。     

自适应进化多目标粒子群优化算法

提出一种自适应进化粒子群优化算法以求解多目标优化问题．采用非支配排序策略和动态加权法选择最优粒子,引导种群飞行,提高Ｐａｒｅｔｏ解的多样性．采用动态惯性权重,提高其全局寻优能力．当种群的寻优能力减弱时,采用变异操作以引导粒子群跳出局部最优．通过ＺＤＴ１～ＺＤＴ４ 基准函数验证,该算法能够在保持优化解多样性的同时实现较好的收敛性．与其他多目标进化算法和多目标粒子群优化算法相比,该算法具有较好的性能．     

基于LCA与NSGA-II的混合算法解多目标优化问题

针对非支配遗传算法(NSGA-Ⅱ)存在易过早收敛和计算时间长的问题,本文提出一种列队竞争算法(LCA)与非支配排序遗传算法的混合算法(LCA-NSGA-Ⅱ)。通过将列队竞争算法引入NSGA-Ⅱ,均衡全局搜索和局部搜索,以解决NSGA-Ⅱ早熟的问题,并利用一种快速排序方法,降低非支配排序的时间复杂度,采用动态的拥挤度计算方法,保持外部存档集的均匀性。将LCA-NSGA-Ⅱ用于经典测试函数的计算,在收敛性、分布性和运算效率方面都取得了比NSGA-Ⅱ更好的效果。最后,在ASPEN PLUS与MATLAB集成平台上,用LCA-NSGA-Ⅱ算法以烯烃回收率和能耗为目标优化MTO烯烃分离过程,为实际操作优化提供指导方向。     

基于交叉迁移和共享调整的改进蝴蝶优化算法

针对蝴蝶优化（monarch butterfly optimization,MBO）算法易陷入局部最优和收敛速度慢等问题,提出了一种基于改进的交叉迁移和共享调整的蝴蝶优化（MBO with cross migration and sharing adjustment,CSMBO）算法。首先,利用基于维度的垂直交叉操作来替换标准MBO算法的迁移算子,形成交叉迁移算子,有效提升其搜索能力;其次,将原始调整算子改为具有信息分享功能的共享调整算子,以加快算法的收敛速度;最后,采用贪婪选择策略取代标准MBO算法中的精英保留策略,减少一次排序操作进而提高其计算效率。为了验证CSMBO算法的优化能力,测试了其在30维和50维函数上的优化,并与三种优化算法进行比较,其实验结果表明CSMBO算法具有良好的优化性能。     

采用动态分割种群策略的改进MBO

大红斑蝶优化算法（MBO）是最近提出的一种新的群智能优化算法。然而,该算法仍存在收敛速度较慢、易陷入局部最优的缺点。为克服MBO算法之不足,提出了一种改进的大红斑蝶优化算法（IMBO）。该算法采用将群体动态随机分割成两个子群体的策略,不同子群体中的大红斑蝶采用不同的搜索方法,以保持种群搜索的多样性。通过10个基准函数的仿真实验并与MBO算法以及标准PSO算法相比较,结果表明IMBO算法的全局搜索能力有了明显的提高,在函数优化中具有更好的收敛速度及稳定性。     

一种改进的多目标优化算法

为了提高非劣解向Pareto最优面收敛的速度以及解的多样性,设计了一种新的杂交算子并改进了NS-GA-Ⅱ算法。在此算法中,采用中心均值重组算子策略增强算法全局快速搜索能力,以获得最佳的Pareto近似解,同时,改进NSGA-Ⅱ快速非支配排序和拥挤机制将父代与子代的双种群进行截短,确保最优解不会丢失并保证解的多样性。数据实验表明,该算法能在解的收敛性、分布性以及自适应程度上均表现较好。     

一种改进的多目标演化算法

保持解集的多样性和分布性是多目标进化算法的关键之一。在NSGA-II的基础上,提出了一种用混合距离来估计个体的拥挤度,并使用优先队列根据个体的混合距离来逐个删除种群中超出的非劣解以保持解的多样性,实验结果表明,HD-NSGA-II比NSGA-II的解分布的更加合理且分布度有很大的提高。     

Improved monarch butterfly optimization for unconstrained global search and neural network training

This work is a seminal attempt to address the drawbacks of the recently proposed monarch butterfly optimization (MBO) algorithm. This algorithm suffers from premature convergence, which makes it less suitable for solving real-world problems. The position updating of MBO is modified to involve previous solutions in addition to the best solution obtained thus far. To prove the efficiency of the Improved MBO (IMBO), a set of 23 well-known test functions is employed. The statistical results show that IMBO benefits from high local optima avoidance and fast convergence speed which helps this algorithm to outperform basic MBO and another recent variant of this algorithm called greedy strategy and self-adaptive crossover operator MBO (GCMBO). The results of the proposed algorithm are compared with nine other approaches in the literature for verification. The comparative analysis shows that IMBO provides very competitive results and tends to outperform current algorithms. To demonstrate the applicability of IMBO at solving challenging practical problems, it is also employed to train neural networks as well. The IMBO-based trainer is tested on 15 popular classification datasets obtained from the University of California at Irvine (UCI) Machine Learning Repository. The results are compared to a variety of techniques in the literature including the original MBO and GCMBO. It is observed that IMBO improves the learning of neural networks significantly, proving the merits of this algorithm for solving challenging problems.     

基于邻域粗糙集和帝王蝶优化的特征选择算法

针对经典的帝王蝶优化（MBO）算法不能很好地处理连续型数据,以及粗糙集模型对于大规模、高维复杂的数据处理能力不足等问题,提出了基于邻域粗糙集（NRS）和MBO的特征选择算法。首先,将局部扰动和群体划分策略与MBO算法结合,并构建传输机制以形成一种二进制MBO（BMBO）算法;其次,引入突变算子增强算法的探索能力,设计了基于突变算子的BMBO（BMBOM）算法;然后,基于NRS的邻域度构造适应度函数,并对初始化的特征子集的适应度值进行评估并排序;最后,使用BMBOM算法通过不断迭代搜索出最优特征子集,并设计了一种元启发式特征选择算法。在基准函数上评估BMBOM算法的优化性能,并在UCI数据集上评价所提出的特征选择算法的分类能力。实验结果表明,在5个基准函数上,BMBOM算法的最优值、最差值、平均值以及标准差明显优于MBO和粒子群优化（PSO）算法;在UCI数据集上,与基于粗糙集的优化特征选择算法、结合粗糙集与优化算法的特征选择算法、结合NRS与优化算法的特征选择算法、基于二进制灰狼优化的特征选择算法相比,所提特征选择算法在分类精度、所选特征数和适应度值这3个指标上表现良好,能够选择特征数少且分类精度高的最优特征子集。     

一种改进的多目标蜻蜓优化算法

提出了一种改进的多目标蜻蜓优化算法。通过引入混合变异算子增加种群的多样性,避免算法早熟现象的发生;采用基于拥挤距离的外部档案动态维护策略,使获得的Pareto最优解集具有更好的分布性。最后,使用多目标基准函数进行测试,并与基本多目标蜻蜓算法和基本多目标粒子群算法进行性能比较。实验结果表明,改进后的多目标蜻蜓优化算法提高了Pareto最优解集的收敛性和分布性。     

一种改进的多目标粒子群优化算法

提出一种改进的多目标粒子群优化算法,该算法采用精英归档策略,由档案库中的非劣解提供粒子速度更新时的全局最优位置,根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的线密度度量非劣解前端的均匀性,通过删除小密度的非劣解提高非劣解前端的均匀性。针对多目标进化算法理论型指标的不足,设计了应用型评价指标。标准函数的仿真实验结果表明,所提算法能够获得大量的非劣解,快速地收敛于Pareto最优解前端,且分布比较均匀。     

一种改进的多目标混合差分进化算法

将差分进化算法（DE）用于多目标优化问题,提出了一种精英保留和进化进程中非支配解集迁移操作的差分进化算法,以保证所求得多目标优化问题Pareto最优解的多样性。采用双群体约束处理技术,构建进化群体的Pareto非支配解外部存档集,并进行基于非支配解集的迁移操作,以增加非支配解的数目和质量。用多个经典测试函数测试的结果表明,与标准DE相比,该方法收敛到问题的Pareto前沿效果良好,能有效保持Pareto最优解多样性与收敛之间的平衡。     

求解多目标最小生成树的改进多目标蚁群算法

多目标最小生成树问题是典型的NP问题。针对此问题,提出一种改进的多目标蚁群算法。为获得更好的非劣前端,通过合理选取多个信息素扩散源与扩散策略来避免其早熟收敛,并引入非支配排序算子,提高种群多样性并避免算法过早陷入局部最优解。对比实验结果表明：对于多目标最小生成树问题,该算法是有效的,不但在求解效率和解的质量方面优于相关算法,而且随着问题规模的扩大,算法仍保持较好的性能。