改进的和声搜索算法求解多目标优化问题

针对和声搜索算法在求解多目标问题时效率不高、易陷入局部最优、在算法后期收敛精度不够等不足.提出一种改进的多目标和声搜索算法,其思想是通过引入自适应操作,加强算法的全局搜索能力,增加解的多样性;同时对解集根据Pareto最优解进行非支配排序,提高算法效率,增加算法在后期的收敛精度.在数值仿真实验中选取4个测试函数进行实验...     

一种新的求解多目标优化问题的混合遗传算法

分析了遗传算法和单纯形算法的特点，充分利用二者的优点，把单纯形算法作为一种局部搜索方法与变权系数遗传算法有机地结合起来，提出了一种求解多目标优化问题的混合遗传算法。数值实验表明该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。     

一种新的多目标粒子群优化算法研究

定义了Pareto最优解及与其相关的一些概念,引入了被广泛应用的改进的单目标PSO(Particle Swarm Optimization)算法.在此基础上提出了MOPSO算法,用改进的Pareto最优解概念排挤不满足约束的解,还采取一种新的寻找全局最优粒子策略.为了方便评估算法的性能,提出三个比较规则:AD、SP和ER.求解三个复杂的测试问题的结果显示,MOPSO能求出数量充足的、分布均匀的Pareto最优解.     

基于改进NSGA-Ⅱ算法的微电网多目标优化研究

在解决微电网分布式电源多目标优化运行问题时,针对传统NSGA-Ⅱ算法在逼近性、运算效率等方面的局限性,考虑进化过程个体相似度的差异及算法陷入局部最优的可能性,提出了一种改进型的NSGA-Ⅱ算法。新算法引入信息熵机制改进算子,将交叉概率、变异概率分别近似为递减函数模型、柯西分布模型,通过算法性能测试证明了新算法有效性。以分布式电源接入IEEE30节点电力系统为例进行仿真实验,通过与传统NSGA-Ⅱ多目标优化算法对比,证明了改进型算法在提高收敛速度、改善优化指标方面的优越性。     

改进的多目标和声搜索算法

针对和声搜索算法不能很好求解多目标优化问题的缺陷,引入邻域搜索算子,对和声记忆库内搜索到的分量进行扰动,对和声记忆库外进行Pareto邻域搜索,实现群体间信息交换,提高算法的全局搜索能力。数值实验选取4个常用测试函数并与NSGA-II、SPEA2、MOPSO 3个多目标算法进行比较,测试结果验证了改进算法的有效性。     

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。     

一种基于拟态物理学优化的多目标优化算法

提出一种使用拟态物理学优化(APO)解决多目标优化问题的算法(MOAPO).根据多目标优化问题的特点,借鉴聚集函数法的思想,利用APO算法实现了对多目标优化问题中Pareto最优解集的搜索,并且在搜索过程中动态调整惯性权重与引力因子,以增强非劣解的多样性.实验结果表明了将APO应用于多目标优化问题的有效性.通过与基于微粒群优化(PSO)的多目标优化算法及NSGA-Ⅱ算法的比较,表明了MOAPO算法具有较好的分布性.     

一种基于群智能的快速多目标优化算法

粒子群优化算法是一种典型的仿真群智能的算法。探讨了利用粒子群算法求解多目标优化问题,为了提高算法速度,采用了几何Pareto选择算法作为文档算法,用多方向搜索的办法寻找极端点。实验表明：该算法得到的解的数量多,速度快并且近似前沿的程度比较高。     

多目标优化的演化算法

近年来．多目标优化问题求解已成为演化计算的一个重要研究方向，而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点．多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域．该文在比较与分析多目标优化的演化算法发展的历史基础上，介绍基于Pareto最优概念的多目标演化算法中的一些主要技术与理论结果，并具体以多目标遗传算法为代表，详细介绍了基于偏好的个体排序、适应值赋值以及共享函数与小生境等技术．此外，指出并阐释了值得进一步研究的相关问题．     

一种基于多Agent的进化多目标优化算法

将进化多Agent系统引入多目标优化问题求解,通过Agent的局部搜索机制及Agent种群的协同进化机制来寻求Pareto最优解。在设计的进化算法当中借鉴了人工生命系统中的一些基本方法,如能量、小生境和迁移机制等。实例表明通过该进化算法求得Pareto最优解集具有很高的效率。     

基于新型非支配排序的多目标麻雀优化算法

针对麻雀搜索算法在求解多目标问题中的不足,并且在求解过程中易陷入局部最优与收敛性差的问题,提出了一种改进的多目标麻雀搜索算法。首先,引入了新型非支配排序,找到最优前沿面;其次,将多项式变异和正余弦算法融合到种群进化策略中,增强其搜索能力,通过竞争机制的种群选择方法,降低搜索过程中局部最优粒子和全局最优粒子导致的误差;最后,将改进算法与多种多目标算法在标准测试函数上进行对比,仿真结果表明,改进算法的收敛性与搜索能力均优于其他算法。由此说明该算法具有可靠的多目标寻优能力,能够有效解决多目标优化问题。     

一种基于粒子群算法的改进多目标文化算法

提出一种基于粒子群算法的改进多目标文化算法并用于求解多目标优化问题.算法中群体空间采用多目标粒子群优化算法进行演化;信念空间通过对形势知识、规范化知识和历史知识的重新定义使之符合多目标优化问题;信念空间和群体空间的交互通过自适应的接受操作和影响操作来实现.若干多目标标准测试函数的仿真结果表明,改进多目标文化算法能够在保持Pareto解集多样性的同时具有较好的均匀性和收敛性.     

一种用于多目标优化的混合粒子群优化算法

将粒子群算法与局部优化方法相结合,提出了一种混合粒子群多目标优化算法（HMOPSO）。该算法针对粒子群局部优化性能较差的缺点,引入多目标线搜索与粒子群算法相结合的策略,以增强粒子群算法的局部搜索能力。HMOPSO首先运行PSO算法,得到近似的Pareto最优解;然后启动多目标线搜索,发挥传统数值优化算法的优势,对其进行进一步的优化。数值实验表明,HMOPSO具有良好的全局优化性能和较强的局部搜索能力,同时HMOPSO所得的非劣解集在分散性、错误率和逼近程度等量化指标上优于MOPSO。     

多目标自适应和声搜索算法

提出了一种利用Pareto支配来求解多目标优化问题的自适应和声搜索算法（MOSAHS）。该算法利用外部种群来保存非支配解,为了保持非支配解的多样性,提出了一种基于拥挤度的删除策略,这个策略能较好地度量个体的拥挤程度。用5个标准测试函数对其进行测试,并与其他多目标优化算法相比较。实验结果表明,与其他的算法相比,提出的算法在逼近性和均匀性两方面都有很好的表现,是一种有效的多目标和声搜索算法。     

多目标和声搜索算法求解序依赖单机调度问题

针对一种具有序依赖设置时间的单机调度问题,建立了目标为总机器设置时间最小、总交货延误时间最短和交货延误率最小的多目标优化模型,提出了一种自适应多目标和声搜索算法,算法中引入了信息熵的概念来评价种群中个体的多样性和拥挤度。实例计算结果表明该算法可行、有效。     

A self-adaptive multi-objective harmony search algorithm based on harmony memory variance

Although harmony search (HS) algorithm has shown many advantages in solving global optimization problems, its parameters need to be set by users according to experience and problem characteristics. This causes great difficulties for novice users. In order to overcome this difficulty, a self-adaptive multi-objective harmony search (SAMOHS) algorithm based on harmony memory variance is proposed in this paper. In the SAMOHS algorithm, a modified self-adaptive bandwidth is employed, moreover, the self-adaptive parameter setting based on variation of harmony memory variance is proposed for harmony memory considering rate (HMCR) and pitch adjusting rate (PAR). To solve multi-objective optimization problems (MOPs), the proposed SAMOHS uses non-dominated sorting and truncating procedure to update harmony memory (HM). To demonstrate the effectiveness of the SAMOHS, it is tested with many benchmark problems and applied to solve a practical engineering optimization problem. The experimental results show that the SAMOHS is competitive in convergence performance and diversity performance, compared with other multi-objective evolutionary algorithms (MOEAs). In the experiment, the impact of harmony memory size (HMS) on the performance of SAMOHS is also analyzed.     

和声搜索-分布估计混合算法求解多目标优化问题

针对和声搜索算法不能很好地求解多目标优化问题的缺陷,提出一种多目标和声搜索—分布估计混合算法(MHS-EDA)。该算法一方面利用分布估计的采样操作对和声记忆库内进行搜索,拓宽了和声记忆库内空间;另一方面对和声记忆库外进行外部档案搜索,实现群体间信息交换,从而提高了多目标和声算法的全局搜索能力。数值实验选取六个常用测试函数,并与多目标遗传算法、多目标分布估计算法、多目标和声搜索算法进行比较,测试结果表明提出的混合算法能够有效地解决多目标优化问题。     

分散搜索算法求解多目标优化问题

最近涌现了各种进化方法来解决多目标优化问题,分散搜索也是一种可以解决多目标问题的算法。该算法的结构引用进化算法的杂交和变异算子来增强它的性能,但该算法与其他进化算法的不同在于一系列操作策略不再基于随机性原理,而是运用“分散-收敛集聚”的迭代机制。论文在多目标优化问题区域讨论分散搜索算法,寻找多目标的非支配集或Pareto最优解。实验表明,分散搜索算法具有很好的收敛性和分布性。