基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

一种求解多目标优化问题的进化算法混合框架

为了提高多目标优化算法的求解性能,提出一种启发式的基于种群的全局搜索与局部搜索相结合的多目标进化算法混合框架.该框架采用模块化、系统化的设计思想,不同模块可以采用不同策略构成不同的算法.采用经典的改进非支配排序遗传算法(NSGA-II)和基于分解的多目标进化算法(MOEA/D)作为进化算法的模块算法来验证所提混合框架的有效性.数值实验表明,所提混合框架具有良好性能,可以兼顾算法求解的多样性和收敛性,有效提升现有多目标进化算法的求解性能.     

数据驱动选择策略的多目标差分进化算法

针对多目标差分进化算法求解复杂多目标优化问题时,最优解选择策略中非支配排序计算复杂度高的问题,提出一种数据驱动选择策略的多目标差分进化(MODE-DDSS)算法.首先,设计多目标差分进化算法的优化解排序等级评估准则,建立基于评估准则的优化解排序等级评估库;其次,设计基于优化解双向搜索机制和无重复比较机制的数据驱动选择策略,实现优化解的高效搜索和快速排序;最后,构建数据驱动选择策略的多目标差分进化算法,降低算法在最优解选择操作中的时间复杂度,提高算法的寻优效率.实验结果表明,所提出的MODE-DDSS算法能够有效减少最优解在选择过程中的比较次数,提升多目标差分进化算法解决复杂多目标优化问题的寻优效率.     

基于协同多目标算法的多机器人路径规划

多机器人路径规划是群体机器人协同工作的前提,其特点是在防碰撞与避障的前提下追求多方面资源的最小消耗.针对这一特点,提出协同非支配排序遗传算法,解决具有多个优化目标的多机器人路径规划问题;运用改进的多目标优化算法,克服多目标优化取权值的不足,同时考虑机器人能源与时间两大资源,以多机器人的路径总长度、总平滑度、总耗时为规划目标.同时引入合作型协同算法框架,将难以求解的多变量问题分组求解.每个机器人的路径视为子种群,子种群通过带精英策略的非支配排序遗传算法,进化并筛选出子种群的部分进入协同进化,每次迭代更新外部的精英解集,最终生成一组非支配路径解.仿真结果表明,在栅格地图环境下,本文算法可有效实现多移动机器人的多优化目标路径规划.     

多目标差分进化在热连轧负荷分配中的应用

提出一种基于差分进化算法的多目标进化算法, 该算法个体的选择是通过非支配排序和拥挤度距离进行综合考虑. 保证了算法收敛到Pareto最优解集的同时, 提高了最优解个体分布的多样性. 通过与非支配排序遗传算法Ⅱ(NSGA Ⅱ)算法进行仿真对比, 结果显示基于拥挤度排序的多目标差分进化算法在收敛性和Pareto最优解集分布的多样性上均优于NSGA Ⅱ算法. 最后将其引入到热连轧负荷分配优化计算中, 给出了目标函数的表达方式, 对多目标进化算法在热连轧负荷分配计算中的应用进行了研究.     

基于新型双目标模型的约束优化进化算法

利用双目标模型求解约束优化问题时,由于它们的最优解集并不相等,因此需要增加特殊机制确保求解双目标问题的算法收敛到原问题的最优解.为克服这一缺点,本文首先将约束优化问题转化为新的双目标优化模型,并证明了新模型的最优解集与原问题的最优解集相等.其次,以简单的差分进化为搜索算法,基于多目标Pareto支配关系的非支配排序为选择准则,提出了求解新模型的差分进化算法.最后,用10个标准测试函数的数值试验说明了新模型及求解算法的有效性.     

基于改进K 支配排序的高维多目标进化算法

为提高4目标以上高维多目标优化问题的求解性能,提出一种基于改进K支配排序的高维多目标进化算法(KS-MODE).该算法针对K支配的支配关系和排序方法进行改进,避免循环支配并增强选择压力;设计新的全局密度估计方法提高局部密度估计精确性;设计新的精英选择策略和适应度值评价函数;采用CAO局部搜索算子加速收敛.在4～30个目标标准测试函数上的实验结果表明,KS-MODE能够在保证解集分布性的同时大幅提升收敛性和稳定性,能够有效求解高维多目标优化问题.     

基于多种群差分进化的多目标优化算法

针对差分进化算法(Differential Evolution Algorithm,DE)求解多目标优化问题时易陷入局部最优的问题,设计了一种双向搜索机制,它通过对相反进化方向产生的两个子代个体进行评价,来增强DE算法的局部搜索能力;设计了多种群机制,它可令各子群独立进化一定次数再执行全局进化,以完成子群间进化信息的交流,这一方面降低了算法陷入局部最优的风险,另一方面增强了Pareto解集的多样性,使Pareto前沿面的解集分布更为均匀。实验结果表明,相比于NSGA-II等同类算法,所提方法在搜索Pareto最优解时效率更高,并且Pareto最优解集的精度及分布程度比前者更好。     

用于模具编程的病毒进化遗传算法

针对模具编程的任务规划问题,提出一种编程任务规划算法。以工期、质量和编程人员负载均衡等为目标,建立多目标优化模型,结合病毒进化遗传算法的横向搜索能力和非支配排序遗传算法Ⅱ(NSGA-Ⅱ)的精英保留策略,求取多样性解,引入多种群思想解决多目标问题。仿真结果表明,该算法求得的近似解分布均匀且多样性较好,与NSGA-Ⅱ相比,其解的分布离最优解的前端更加接近。     

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．     

求解旅行商问题的改进局部搜索混沌离散粒子群优化算法

针对基本离散粒子群优化(DPSO)算法收敛速度慢、易于陷入局部最优等问题,提出了一种基于优秀系数的局部搜索混沌离散粒子群优化(ILCDPSO)算法并用于求解旅行商问题(TSP)。基于轮盘赌选择原理,给每段路径设定一个合理的优秀系数,以提高短边被选择的概率,从而有利于提高算法的寻优能力和收敛速度;为了进一步提高解的精确性,在算法机制中添加了局部搜索策略,通过调整每个城市在给定邻域内的城市路径,提高算法的局部搜索能力;另外,在算法的迭代公式中加入了混沌序列来提高粒子的随机性和多样性,增强了算法的全局搜索能力。最后用国际通用的TSP数据库(TSPLIB)中的若干经典实例对算法进行了测试,并与粒子群优化(PSO)算法、改进的PSO(IPSO)算法和混沌PSO(CPSO)算法等进行了比较。实验数据显示,在相同的实验条件下,与其他算法相比,ILCDPSO算法获得最优解的平均迭代次数较少且获得最优解的次数比例最高。研究结果表明,加入优秀系数后,ILCDPSO算法在收敛速度、全局寻优能力以及稳定性方面均优于其他算法。     

求解旅行商问题的探索—开发—跳跃策略单亲遗传算法

针对遗传算法求解旅行商问题(TSP)时容易早熟、收敛速度慢等问题,提出一种基于探索—开发—跳跃策略的单亲遗传算法(EDJS-PGA)。该算法将基因移位、倒序、交换三种算子组合构成探索策略,用于扩展解的搜索空间,增强算法全局搜索能力;再将logistic混沌映射和改良圈操作融合为一种混沌映射改良圈算子,用于增强算法的局部搜索能力,构成开发策略;最后针对种群中的同优个体设计了近邻变异算子,构成跳跃策略,增强了算法跳出局部最优解的能力,使其兼具个体变异、局部优化、防止早熟等多重作用。通过对18个TSP实例进行仿真实验,结果表明EDJS-PGA相较于传统单亲遗传算法具有更高的求解精度和收敛速度,且最优解偏差率和平均误差率均处于较低水平;与其他文献对比,EDJS-PGA具有更强的鲁棒性和求解效率。     

一种应用于旅行商问题的莱维飞行转移规则蚁群优化算法

针对旅行商问题（traveling salesman problem,TSP）提出了一种基于莱维飞行转移规则的蚁群优化算法。该算法结合了基于莱维飞行的转移规则和蚁群系统（ant colony system,ACS）算法的转移规则,形成了一种动态权重的混合转移规则,该策略能够有效地帮助算法跳出局部最优,增强全局搜索能力。此外,随机多路径优化3-opt策略通过随机抽取部分路径与当前最优路径组合,增加算法的多样性。当算法陷入停滞时,采用信息素平均随机重置策略重置路径上的信息素浓度,有助于算法跳出局部最优。实验结果显示,算法在处理多个不同规模的TSP实例时,与最优解的误差保持在3%以内,证明了该算法在TSP中具备出色的收敛性和避免陷入局部最优解的能力。     

混合策略改进正弦余弦算法

为提高正弦余弦算法在求解函数优化问题的性能,提出混合策略改进正弦余弦算法。首先,利用正切函数作为调节因子代替原本线性变化的参数,用于平衡算法的全局探索和局部开发;然后,引入权重系数,用于控制位置更新处个体上一代位置的影响力,有效提高算法开发能力和寻优速度;最后,构建逐维交叉学习策略,克服最优解无更新的缺点,对最优个体进行扰动更新,跳出局部最优,避免早熟收敛。在不同维数的八个基准函数上进行仿真实验。实验表明,该算法相对于其他群智能优化算法具有更高的寻优精度和收敛速度,相比于最新的正弦余弦改进算法,也表现出更好的收敛性能和稳定性。     

Learning the Search Range for Evolutionary Optimization in Dynamic Environments

Conventional evolutionary algorithms operate in a fixed search space with limiting parameter range, which is often predefined via a priori knowledge or trial and error in order to ‘guess’ a suitable region comprising the global optimal solution. This requirement is hard, if not impossible, to fulfil in many real-world optimization problems since there is often no clue of where the desired solutions are located in these problems. Thus, this paper proposes an inductive–deductive learning approach for single- and multi-objective evolutionary optimization. The method is capable of directing evolution towards more promising search regions even if these regions are outside the initial predefined space. For problems where the global optimum is included in the initial search space, it is capable of shrinking the search space dynamically for better resolution in genetic representation to facilitate the evolutionary search towards more accurate optimal solutions. Validation results based on benchmark optimization problems show that the proposed inductive–deductive learning is capable of handling different fitness landscapes as well as distributing nondominated solutions uniformly along the final trade-offs in multi-objective optimization, even if there exist many local optima in a high-dimensional search space or the global optimum is outside the predefined search region. Received 15 January 2001 / Revised 8 June 2001 / Accepted in revised form 24 July 2001     

全局与局部模型交替辅助的差分进化算法

为求解实际复杂工程应用中的高维计算费时优化问题,提出一种全局与局部代理模型交替辅助的差分进化算法。利用历史样本训练全局和局部代理模型,通过交替搜索全局和局部代理模型得到模型最优解并对其进行真实目标函数评价,实现探索和开采的平衡以减少真实目标函数的计算次数,同时通过针对性地选择个体进行真实目标函数计算,辅助算法快速找到目标函数的较优解。在15个低维测试问题和14个高维测试问题上的实验结果表明,在有限的计算资源情况下,该算法在12个低维测试问题上相较于最优重启策略代理辅助的社会学习粒子群优化算法、基于主动学习的代理模型辅助的粒子群优化算法等表现更好,在7个高维测试问题上相较于高斯过程辅助的进化算法、代理模型辅助的分层粒子群优化算法、求解高维费时问题的代理辅助的多种群优化算法等能找到目标函数的更优解。     

一种新的多目标粒子群优化算法

论文提出了一种基于拥挤度和动态惯性权重聚合的多目标粒子群优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值,用外部存档策略保存搜索过程中发现的非支配解;采用适应值拥挤度裁剪归档中的非支配解,并从归档中的稀松区域随机选取精英作为粒子的全局最优位置,以保持解的多样性;采用动态惯性权重聚合的方法以使算法尽可能地逼近各目标的最优解。仿真结果表明,该算法性能较好,能很好地求解多目标优化问题。     

混合策略改进鲸鱼优化算法

针对标准鲸鱼优化算法（whale optimization algorithm,WOA）易陷入局部最优解、收敛精度低、收敛速度慢等问题,提出一种利用混合策略改进的鲸鱼优化算法（multi-strategy improved whale optimization algorithm,MSIWOA）。首先采取精英反向策略初始化种群,提高初始种群质量;其次,采取卡方分布的逆累积分布函数更新收敛因子以实现全局探索和局部开发的平衡;然后利用改进氏族拓扑结构强化种群的全局探索能力,并提高算法收敛速度;最后采取Circle映射产生混沌解,结合贪婪策略保留较优解,以帮助种群跳出局部最优解。通过对10个基准测试函数以及CEC2019测试函数进行仿真实验,结果表明,MSIWOA在收敛精度和收敛速度上均有较明显的提升。     

Multiobjective particle swarm optimization with nondominated local and global sets

In multiobjective particle swarm optimization (MOPSO) methods, selecting the local best and the global best for each particle of the population has a great impact on the convergence and diversity of solutions, especially when optimizing problems with high number of objectives. This paper presents an approach using two sets of nondominated solutions. The ability of the proposed approach to detect the true Pareto optimal solutions and capture the shape of the Pareto front is evaluated through experiments on well-known non-trivial multiobjective test problems as well as the real-life electric power dispatch problem. The diversity of the nondominated solutions obtained is demonstrated through different measures. The proposed approach has been assessed through a comparative study with the reported results in the literature.     

多样性保持的和声搜索算法及其TSP求解

为了改善和声记忆库群体多样性, 提高算法的全局寻优能力, 在度量群体多样性指标的基础上, 从参数动态调整方法、和声记忆库更新策略两个方面对基本和声搜索算法进行了改进, 提出了多样性保持的和声搜索算法, 并将该算法应用于TSP的求解。结合TSP问题特点, 设计了基于交换和插入算子的和声微调方法。实例优化结果表明, 改进后的算法不容易陷入局部最优, 优化性能显著提高。