基于元胞多目标遗传算法的蜗杆优化设计

为研究蜗杆传动的多目标优化问题,提出一种自适应差分进化的元胞多目标遗传算法。该算法针对元胞遗传算法的特点,对基本的差分进化策略进行改进,得到一种参数自适应控制策略。将该算法与目前性能优异的4种多目标进化算法在三目标的基准测试函数进行对比实验,结果表明所提算法相对于其他算法具有明显的优势,能够在保证良好收敛性的同时,使获得的Pareto前端分布性更加均匀,覆盖范围更广;工程实例求解结果也表明了算法的工程可行性。     

基于多中心城市策略的分层元胞遗传算法

为提高分层元胞遗传算法在解决复杂函数优化问题时的求解精度、收敛速度和求解效率.在分层元胞遗传算法的基础上借鉴西方经济理论中中心城市思想提出了一种基于多中心城市策略的分层元胞遗传算法.该算法在进化初期选择适应度值高的多个个体作为种群进化过程中的中心城市,中心城市周围元胞空间的个体按照一定的迁移规则往中心城市迁移,全局最优...     

基于元胞遗传算法的智能组卷的研究

智能组卷是一个包含多重约束条件的目标优化问题,遗传算法的群体搜索策略可以为多目标优化提供较好的解决方案。但传统的遗传算法在组卷过程中存在收敛速度慢、收敛性较差等缺点,组出的试卷质量不高。提出一种新的元胞遗传组卷算法,将群体中的所有元胞按照一定的演化规则演化之后,再进行遗传操作,并把该算法应用到智能组卷中。实验结果表明,新的元胞遗传组卷算法与传统的遗传组卷算法相比,可以有效地提高收敛速度,并能进一步改善收敛性,组出的试卷更加符合人们的要求。     

目标0-1背包问题的元胞竞争决策算法*

为求解多目标0-1背包问题,基于竞争决策算法原理和多目标优化问题的特性,提出了一种求解多目标0-1背包问题的元胞竞争决策算法。将元胞自动机演化规则引入竞争决策算法,给出了算法的具体描述,并使用Delphi 7.0实现了算法的具体步骤。为了提高多目标非劣解(Pareto解)的分布性和多样性,利用全局经验作为指导,在最稀疏的Pareto解附近进行邻域搜索。经过大量数据测试和验证,该算法具有真实的Pareto前沿逼近效果,是一种多目标优化问题的有效方法。     

多目标函数优化的元胞蚂蚁算法

提出一种求解多目标函数优化的元胞蚂蚁算法．该方法将元胞自动机演化规则引入蚂蚁算法,给出了在连续空间多目标函数优化的算法描述,定义了与蚂蚁信息素释放有关的元胞演化规则及蚂蚁邻域的转移概率,并实现了算法的具体步骤．在Matlab环境下,采用该算法对一些典型的测试函数进行求解和验证．实验结果表明,该方法具有向真实的Pareto前沿逼近的效果,是一种求解多目标优化的有效方法．     

基于选择压力的全局优化元胞遗传算法分析

元胞遗传算法将遗传操作限制在邻域内进行,减缓了优势个体在群体中的扩散速度,具有更好的全局收敛性,在求解复杂优化问题中显示出优越性。与传统遗传算法对比,以选择压力作为分析手段,对元胞遗传算法进行定性分析。通过求解具有不同特征的函数,分析进化过程群体多样性变化,从进化过程群体分布图,直观得出元胞遗传算法具有较好的维持群体多样性能力;从计算的统计结果,得出元胞遗传算法能极大提高全局收敛率,并且求解稳定性更好。     

一种动态邻居元胞遗传算法

研究一种改进的元胞遗传算法。将遗传算法中的个体适应度和元胞自动机中的邻居定义做了结合,提出基于元胞间距离以及元胞个体适应度的"影响力算子",并作为算子中心元胞判断邻居的依据,从而形成改进算法,并对改进算法的基本性能的进行了两组定量分析,一是影响力算子对选择压和多样化损失的控制,另一部分是将算法与改良后传统元胞遗传算法做了对比测试。结果显示,即便使用最朴素的影响力算子而且不采用其它优化手段的情况下,算法依然能对选择压和多样化损失进行有效地控制,并且相较于使用了最优个体保持和小范围竞争择优的传统元胞遗传算法收敛率提高了约10%。     

记忆原理的元胞自动机优化算法及其收敛性证明

为了求解大规模优化问题,根据记忆原理与元胞自动机的特点构造了求解优化问题的全局收敛算法。在该算法中,将优化问题的理论搜索空间划分为离散搜索空间,该空间定义为元胞空间,其中的每个元胞对应着一个候选解。将记忆原理的记忆、遗忘规律用于控制每个元胞的状态转移;元胞的状态由其空间位置、位置修正量以及记忆残留值构成,该值分为瞬时记忆、短时记忆和长时记忆3种状态类型,并依据元胞接受刺激的强度被加强或衰减;记忆残留值低于某个阈值的元胞时被遗忘,不再被处理。在元胞演化过程中,元胞从一个状态转移到另一个状态实现了元胞空间对理论搜索空间的搜索。应用可归约随机矩阵的稳定性条件证明了本算法具有全局收敛性。测试结果表明本算法是高效的。     

求解约束优化问题的改进元胞遗传算法

针对约束优化问题,提出一种改进元胞遗传算法.将自适应ε约束处理技术与元胞遗传算法结合,对于自适应ε约束处理技术中的截断进化代数,在其前期提出偏好性指标概念,随机选取满足约束条件较好的个体引导种群快速向可行域逼近,在其后期采用改进柯西变异算子避免陷入局部最优.基于一组标准测试函数进行测试,与其它算法进行对比,结果表明算法具有较好的收敛精度,且在高维函数中取得更优的结果,验证了算法的有效性与先进性.     

元胞遗传算法演化规则的研究*

在Conway提出的“生命游戏”规则的基础上,为提高生命繁殖和生存的概率,通过改变周围邻居元胞的状态提出一种改进的演化规则。实验证明,结合元胞自动机的遗传算法,加入改进的演化规则后,用于求解复杂多峰函数优化问题获得了较好的效果。     

Cellular differential evolutionary algorithm with double-stage external population-leading and its application

This paper aims to address the problem of poor diversity and convergence for traditional evolutionary algorithms in solving multi-objective optimization problems and proposes a cellular differential evolutionary algorithm with double-stage external population-leading. This algorithm divides the maintenance of external population diversity into double stages and introduces new disturbance in the mutation operation to avoid the algorithm falling into a local optimum. In the first stage, the external population is maintained according to the rank and k-nearest neighbor distance. The second stage adopts the external population retention strategy of multi-objective cellular differential algorithm that only retains non-dominated solutions. In both stages, the external population has complete feedback, which means the solutions from the external population randomly replace existing individuals in the two-dimensional grid population after every iteration. Tests on fifteen benchmark functions show that the new algorithm can obtain more uniform Pareto front and competitive convergence results than the other four typical algorithms. Finally, the feasibility and effectiveness of this algorithm are verified by the case study of cycloid speed reducer.

     

An efficient metamodel-based multi-objective multidisciplinary design optimization framework

This paper presents an efficient metamodel-based multi-objective multidisciplinary design optimization (MDO) architecture for solving multi-objective high fidelity MDO problems. One of the important features of the proposed method is the development of an efficient surrogate model-based multi-objective particle swarm optimization (EMOPSO) algorithm, which is integrated with a computationally efficient metamodel-based MDO architecture. The proposed EMOPSO algorithm is based on sorted Pareto front crowding distance, utilizing star topology. In addition, a constraint-handling mechanism in non-domination appointment and fuzzy logic is also introduced to overcome feasibility complexity and rapid identification of optimum design point on the Pareto front. The proposed algorithm is implemented on a metamodel-based collaborative optimization architecture. The proposed method is evaluated and compared with existing multi-objective optimization algorithms such as multi-objective particle swarm optimization (MOPSO) and non-dominated sorting genetic algorithm II (NSGA-II), using a number of well-known benchmark problems. One of the important results observed is that the proposed EMOPSO algorithm provides high diversity with fast convergence speed as compared to other algorithms. The proposed method is also applied to a multi-objective collaborative optimization of unmanned aerial vehicle wing based on high fidelity models involving structures and aerodynamics disciplines. The results obtained show that the proposed method provides an effective way of solving multi-objective multidisciplinary design optimization problem using high fidelity models.     

柔性作业车间调度问题的多目标优化算法

柔性作业车间调度问题具有解集多样化与解空间复杂的特点,传统多目标优化算法求解时容易陷入局部最优且丢失解的多样性。在建立以最大完工时间、最大能耗、机器总负荷为优化目标的柔性作业车间调度模型的情况下,提出一种改进的非支配排序遗传算法（Improved Non-dominated Sorting Genetic Algorithm II, INSGA-II）求解该模型。INSGA-II算法先将随机式初始化与启发式初始化方法混合,提高种群多样性;然后对工序部分与机器部分采用针对性的交叉、变异策略,提高算法全局搜索能力;最后设计自适应的交叉、变异算子以兼顾算法的全局收敛与局部寻优能力。在mk01～mk07标准数据集上的实验结果显示INSGA-II算法有着更优的算法收敛性与解集多样性。     

基于多策略排序变异的多目标差分进化算法

针对多目标差分进化算法求解多目标优化问题时收敛慢和均匀性欠佳等不足,提出了一种基于多策略排序变异的多目标差分进化算法。该算法利用基于排序变异算子快速接近真实的Pareto最优解,同时引入多策略差分进化算子以保持算法的多样性和分布性。通过自适应策略,动态调整控制参数以提高算法的鲁棒性。从理论证明的角度分析了所提算法的收敛性。仿真实验结果表明,本文所提算法相对于近期相关文献中的改进算法具有更好的收敛性与多样性,从而表明了所提算法的有效性。     

基于多点非均匀变异的多目标极值优化算法研究

多目标进化算法因其在解决含有多个矛盾目标函数的多目标优化问题中的强大处理能力,正受到越来越多的关注与研究。极值优化作为一种新型的进化算法,已在各种离散优化、连续优化测试函数以及工程优化问题中得到了较为成功的应用,但有关多目标EO算法的研究却十分有限。本文将采用Pareto优化的基本原理引入到极值优化算法中,提出一种求解连续多目标优化问题的基于多点非均匀变异的多目标极值优化算法。通过对六个国际公认的连续多目标优化测试函数的仿真实验结果表明：本文提出算法相比NSGA-II、 PAES、SPEA和SPEA2等经典多目标优化算法在收敛性和分布性方面均具有优势。     

一种并行多目标遗传邻域搜索算法

现有的多目标遗传算法在解决大规模多目标生产调度问题时虽然有效,但往往非常耗时,难以应用于实际.为了提高求解效率,提出了一种并行多目标遗传邻域搜索算法来求解Pareto边界.该算法将多目标遗传算法的进化方向划分为若干范围,然后同时对每个进化方向的范围使用多目标遗传邻域搜索算法,并行地搜索各方向范围内的Pareto边界;在各进化方向范围内进化的子种群会定期交流各自进化成果.多目标遗传邻域搜索算法的并行化在不增加求解时间的前提下,提高了求解精度,加快了算法的收敛速度.仿真实验结果验证了算法的可行性与有效性.     

目标空间映射策略的高维多目标粒子群优化算法

为了平衡优化算法在高维多目标优化问题中收敛性和多样性之间的关系,增加算法的选择压力,本文提出了一种基于目标空间映射策略的高维多目标粒子群优化算法(many-objective particle swarm optimization al-gorithm based on objective space mapping ...     

一种求解多目标组合优化的遗传局部搜索算法

为改善遗传算法求解多目标组合优化问题的搜索效率,提出一种新的遗传局部搜索算法.算法采取非劣解并行局部搜索策略以及基于分散度的精英选择策略,并采用基于NSGA-Ⅱ的适应度赋值方式和二元赌轮选择操作,以提高算法收敛性,保持群体多样性.实验结果表明,新算法能够产生数量较多分布较广的近似Pareto最优解.