一种基于聚集距离的多目标进化算法

在多目标进化算法的研究中,解群体的多样性和运行效率是最重要的两个指标。在进化算法中一般采用构造非支配集的方法来保持算法的运行效率和解集的分布性;采用聚类技术来计算和维持解群体的分布性和多样性。文章提出了用庄家法构造非支配集和基于个体距离的聚类方法的多目标进化算法。经试验证明,该算法能够趋近到Pareto最优解,并且能保证较好的分布度。     

改进多目标进化算法NSGA-II运行效率的方法

NSGA-II是一种性能优良的多目标进化算法,近年来非常流行。为了进一步改进NSGA-II的运行效率,采用了擂台赛法则作为构造非支配集的方法,提出了按需分层的策略。实验结果表明,提出的方法与NSGA-II相比具有更少的非支配集层数,支配比较次数和运行时间。     

基于擂台赛法则和小生境技术的多目标进化算法

最优解集的构造和解的分布性是多目标进化算法的两个重要研究内容。用擂台赛法则构造非支配集具有较高的效率,而小生境共享技术可以提高种群的多样性。本文将小生境共享技术引入基于擂台赛法则的多目标进化算法,数值实验表明：改进后的算法保持了擂台赛算法运行效率高的特点,而且具有较佳的分布度。     

改进多目标进化算法NSGA-Ⅱ运行效率的方法

NSGA-Ⅱ是一种性能优良的多目标进化算法,近年来非常流行.为了进一步改进NSGA-Ⅱ的运行效率,采用了擂台赛法则作为构造非支配集的方法,提出了按需分层的策略.实验结果表明,提出的方法与NSGA-Ⅱ相比具有更少的非支配集层数,支配比较次数和运行时间.     

用擂台赛法则构造多目标Pareto最优解集的方法

针对多目标进化的特点,提出了用擂台赛法则(arena's principle,简称AP)构造多目标Pareto最优解集的方法,论证了构造方法的正确性,分析了其时间复杂度为O(rmN)(0＜m/N＜1).理论上,当AP与Deb的算法以及Jensen的算法比较时(它们的时间复杂度分别为O(rN²)和O(Nlog^(r-1)N)),AP优于Deb的算法;当目标数r较大时(如r≥5),AP优于Jensen的算法;此外,当m/N较小时(如m/N≤50%),AP的效率与其他两种算法比较具有优势.对比实验结果表明,AP具有比其他两种算法更好的CPU时间效率.在应用中,AP可以被集成到任何基于Pareto的MOEA中,并能在较大程度上提高MOEA的运行效率.     

多目标进化算法中变异算子的比较与研究

提出了一种适应于多目标进化算法的变异越界处理策略,成功地将这些变异算子应用到多目标进化优化问题中,从多目标优化收敛性的角度比较了这些变异算子的性能。通过一组实验表明这种越界处理方法是非常有效的,单目标优化中的这些变异算子具有与多项式变异算子相当的分布性,同时取得了更好的收敛性能。     

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。     

一种改进的基于差分进化的多目标进化算法

近年来运用进化算法（EAs）解决多目标优化问题（Multi-objective Optimization Problems MOPs）引起了各国学者们的关注。作为一种基于种群的优化方法,EAs提供了一种在一次运行后得到一组优化的解的方法。差分进化（DE）算法是EA的一个分支,最开始是用来解决连续函数空间的问题。提出了一种改进的基于差分进化的多目标进化算法（CDE）,并且将它与另外两个经典的多目标进化算法（MOEAs）NSGA-II和SPEA2进行了对比实验。     

量子多目标进化算法研究

本文首次将量子计算的理论用于多目标优化,提出量子多目标进化算法（QMOEA）,其采用量子位染色体表示法,利用量子门旋转策略和量子变异实现群体的进化,使用ε支配关系构造外部种群以此保持算法的较好分布性,提出基于快速排序的非劣最优解构造方法加快算法运行效率,实验表明,这种方法与经典的多目标进化算法SPEA2相比,其收敛性更好且分布更均匀     

基于多目标进化的属性约简算法

针对粗糙集属性约简问题,提出一种以最小属性子集和最大依赖度为目标的多目标粒子群优化算法。该算法以非支配排序策略为基础,利用加权法寻找最优粒子,使粒子群在新的运动方程和ε-邻域变化策略的混合作用下进化,从而具有更好的全局开拓和局部收搜索能力。在UCI标准数据集上的对比测试结果表明,该算法具有较好的收敛性。     

论量子多目标进化算法研究

第一次将量子计算的理论用途于多目标优化之上可以提出量子多目标进化算法其采用量子位研究微观粒子的运动规律的物理学分支学科,它主要研究原子、分子、凝聚态物质,以及原子核和基本粒子的结构、性质的基础理论,它与相对论一起构成了现代物理学的理论基础。量子力学不仅是近代物理学的基础理论之一,而且在化学等有关学科和许多近代技术中也得到了广泛的应用。     

一种快速构造多目标Pareto非支配集的方法：选举法则*

基于Pareto的多目标优化问题是进化算法的一个重要研究方向,而如何构造Pareto非支配集则是提高算法效率的关键所在。通过对选举现象的观察,同时针对多目标个体之间的特性,提出了一种快速求解多目标Pareto非支配集的方法: 选举法则(election principle,EP),分析了其时间复杂度为O(rmN),并对其进行了正确性证明。因为种群中实际的非支配个体数m比进化群体规模N小,所以与同类方法相比,EP有更高的效率,并通过了实验验证。     

基于ε-支配的自适应多目标进化算法

提出一种新的基于ε-支配关系的自适应多目标进化算法(AEMOEA)。在每次的进化中保留端点,并从端点集中选取一个作为父本,参加进化,弥补了ε-MOEA算法中端点易被丢掉的缺陷;在进化过程中根据存档动态地调整ε的取值,使解的分布更加均匀;当存档中个体过多时,运用ε-支配关系进行剪切,使其个体数处在合理水平。通过5个常用双目标测试函数的计算,验证了该算法在求解质量上优于ε-MOEA、NAGA-II以及SPEA-2等主流多目标算法。     

基于改进拥挤距离的多目标进化算法

针对多目标进化算法的拥挤距离截断算子的分布度保持不足以及在二进制编码情况下较难收敛的缺点,提出一种改进的多目标进化算法,使用改进的拥挤距离截断算子和自适应变异算子,与经典的多目标进化算法进行对比,实验表明,该算法得到的Pareto解集具有良好的收敛性和分布性。     

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Pareto的多目标克隆进化算法

为了克服部分多目标进化算法中容易出现退化与早熟,造成收敛速度过慢的不足,结合精英保留策略、基于近部规则的环境选择以及免疫克隆算法中的比例克隆等思想,提出一种基于Pareto的多目标克隆进化算法NPCA(Non-dominated Pareto Clonal Algorithm)。通过部分多目标优化测试函数ZDT和DTLZ对算法进行了性能测试,验证了该算法能获得分布更加均匀的Parcto前沿,解的收敛性明显优于典型的多目标进化算法。     

一种基于局部收敛估计的多目标进化算法

采用了一种基于局部收敛估计的多目标进化算法（MOEAE/LC）。在进化过程中计算连续两代归档集合群体之间的种群相似度,若在算法运行的早期其连续两代归档集的相似度小于预先设置的阈值,则认为算法有一定概率局部收敛。这时以一定概率重新初始化内部种群并且对归档集的部分个体进行变异,这样能在算法有可能陷入局部最优时产生新个体,从而提高了解集的收敛性和多样性。通过与经典的多目标算法（MOEAs）进行对比实验,实验结果表明了该算法的有效性。     

基于MMAS的多目标优化算法研究

针对多目标优化问题求解过程中多个目标相互制约难以求解的特点,为了多目标的协调优化,提出了一种基于最大最小蚁群算法(MMAS)的多目标优化蚁群算法.将蚁群算法的离散搜索机制映射到连续空间,修改了离散蚁群算法的行进规则和信息素的存留策略,使蚁群算法能够应用于解决解空间连续的问题.最大最小蚂蚁系统信息素取值方式的引入,极大地改善了蚁群算法搜索过程中容易陷入停滞的问题,尤其改善了蚁群算法在解空间的全局搜索能力.通过对两组测试函数求解的结果与其它方法比较,仿真结果表明所获得的最优解更多,分布范围更广,所求得的最优解集更加逼近真实的最优前沿.     

多目标混沌差分进化算法

将差分进化算法用于多目标优化问题,提出了多目标混沌差分进化算法(CDEMO).该算法利用混沌序列初始化种群,并用混沌备用种群进行替换操作.该操作不仅起到了维持非劣最优解集均匀性的作用,而且增强了算法的搜索功能.对CDEMO的性能进行研究,数值实验结果表明了CDEMO的有效性.     

改进的自适应邻域的多目标进化算法

提出了一种新的自适应邻域的多目标进化算法,该算法采用自适应邻域的方法维护群体的分布性。探讨了根据当前群体情况进行自适应改变邻域半径,避免了传统邻域策略所引起的邻域半径的取值影响群体分布性的问题。另外,利用自适应邻域半径和拥挤距离进行密度估计,使密度小的个体得到保留。实验结果表明,所讨论的方法是有效的,在保持群体分布性上优于NSGAII和NMOEA。