一种多目标混合进化算法的研究

针对遗传算法的不足,提出将禁忌搜索方法、免疫算法、遗传算法融和的多目标混合进化算法。该算法引入禁忌搜索法,避免了传统遗传算法早熟现象的发生;引入基于浓度的自适应变异操作,克服算法由于变异概率不变导致的求解过程长,解的多样性差的缺陷;引入外部精英集,避免最优解的丢失,通过ZDT系列测试函数的仿真实验并与NSGA-Ⅱ算法进行比较,验证了算法的有效性。     

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     

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。     

基于空间距离的多目标差分进化算法*

在经典差分进化的基础上,提出了一种基于空间距离的多目标差分进化算法(SD-MODE),与目前经典算法NSGA-Ⅱ和ε-MOEA 进行比较,结果表明该算法拥有良好的分布性,同时也较好地改善了收敛性。     

多目标协调进化算法研究

进化算法适合解决多目标优化问题,但难以产生高维优化问题的最优解,文中针对此问题提出了一种求解高维目标优化问题的新进化方法,即多目标协调进化算法,主要特点是进化群体按协调模型使用偏好信息进行偏好排序,而不是基于Pareto优于关系进行了个体排序,实验结果表明,所提出的算法是可行而有效的,且能在有限进化代数内收敛。     

多目标优化差分进化算法

个体的适应度赋值和群体的多样性维护是进化算法的两个关键问题。首先,一方面,定义了Paretoε-支配关系的相关概念,通过Paretoε-支配关系确定个体的强度Pareto值,根据个体的强度Pareto值对群体进行Pareto分级排序,实现优胜劣汰;另一方面,使用拥挤距离估算个体的拥挤密度,淘汰位于拥挤区的一些个体,维持群体的多样性。然后,根据差分进化算法的特点,使用适当的进化策略和控制参数,给出了一种用于求解多目标优化问题的差分进化算法DEAMO。最后,数值实验表明,DEAMO在求解标准的多目标优化问题时性能表现优良。     

多目标进化算法的研究与进展

多目标优化问题通常难以处理,在20世纪80年代中期人工智能的进化算法开始应用于该领域.近10年来涌现了很多种多目标进化算法,一些已成功应用到工程实践中,从而形成了最近的一个热门研究领域.本文阐述了多目标进化算法研究的有关工作进展,并提出今后需要研究的问题,旨在引起大家对此新兴研究领域的关注与兴趣,从而推动与此相关问题的研究.     

基于多目标进化算法的目标规划研究

1 引言目标规划是一类十分实用的重要模型,与一般多目标最优化模型不同,这类模型并不是考虑对各个目标进行极小化或极大化,而是希望在约束条件限制下,每一个目标都尽可能地接近于事先给定的各自对应的目标值。由于这类模型在处理问题时具有比较灵活、简便的特点,因而在工程技术和管理中应用非常广泛。本文研究逼近目标规划模型:     

基于指标的多目标进化算法研究

基于指标的进化算法（IBEA）是一个出色的多目标优化算法。IBEA具有良好的收敛性,但在保持解的多样性方面对于某些问题却表现较差。对IBEA进行研究,分析其适应度分配原理,针对其缺点进行改进,并将IBEA与其他2个算法进行了测试比较。测试结果表明改进后的IBEA在保持了原算法优点的情况下使其在解的多样性方面有了较大改观。     

改进量子多目标进化算法用于SOC软硬件划分*

采用量子多目标进化算法对从任务级进行抽象建模所得到的系统模型进行软硬件划分,并针对SOC系统设计中存在的特点,对量子多目标进化算法进行改进。采用量子个体编码方案,避免个体编/解码的冗余。并将Pareto最优概念与多目标优化相结合,从而实现了兼顾系统面积、功耗、时间等参数的软硬件划分方法。仿真对比实验结果表明,该算法一次运行可以获得多个Pareto最优解,为各个目标函数之间权衡分析提供了有效的工具,提高了设计效率。在满足系统性能要求下,可为复杂SOC系统提供多个设计目标的全局优化方案。     

一种改进的基于目标空间分割的多目标进化算法*

针对现有基于目标空间分割思想的进化算法计算时间复杂度高的缺陷,提出了一种改进的基于目标空间分割的多目标进化算法（OSD-MOEA）。该算法具有以下特点：把个体之间的Pareto支配关系转换成分割区间索引值排序关系的目标空间分割算法;简单高效的基于区间索引值排序的环境选择算子;一种快速的优先选择最接近分割区间原点的个体拥挤机制。仿真计算表明,与NSGA2和PSFGA相比,该算法提高了算法的运行效率,降低了算法的时间复杂度。     

基于密集度的搅动多目标演化算法

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.定义和使用密集度来保持群体中个体的均匀分布,将个体的Pareto强度值和密集度合并到个体的适应值定义中.提出搅动策略,以提高算法对解空间的遍历性,从而较大程度上避免算法的早熟,对每次搅动得到的部分非劣解个体进行邻域搜索以加快非劣解前沿的进化.最后,测试函数的实验结果表明了算法的可行性和有效性.     

约束多目标进化算法研究进展

约束多目标进化算法（CMOEAs）能够同时处理多个相互冲突的目标函数和约束条件,引导种群逼向可行域的最优解,受到了研究者的广泛重视。首先介绍了约束多目标优化问题（CMOPs）的相关定义和多目标进化算法（MOEAs）的三种分类;其次,系统地分析了当前CMOEAs中约束处理机制,凝练出当前主要的四种约束处理方法;然后,从基于支配、基于指标、基于分解三个方面对CMOEAs的研究进展进行了详细综述;最后,指明了CMOEAs存在的挑战和未来研究方向。     

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。     

基于多目标进化算法的WCDMA功率优化配置研究

在注重导频功率配置的基础上,研究了用户业务功率、同步信道功率和寻呼信道功率的配置,建立了小区的用户容量和前反链路差模型。对该模型,利用多目标进化算法对WCDMA功率进行了优化配置,得出了系统较优配置的一系列功率值。根据用户的满意度,建立了确定导频功率和用户业务功率的准则模型,选出了最优功率配置值。     

自适应协同进化多目标进化算法

为了提高协同进化多目标进化算法的全局收敛性,提出了一种调用协同进化算子的自适应方法。其基本思想是：根据目标函数的变化率自动调用协同进化算子;当种群进化正常时,调用合作算子和吞并算子;当种群进化接近停滞时,调用分裂算子。通过数值实验用量化指标研究了新算法的收敛性和分布性,结果表明,与常规协同进化多目标进化算法相比,新算法不仅具有良好的分布性,而且全局收敛性有了明显的提高。     

一种基于CUDA的并行多目标进化算法

传统的多目标进化算法多是基于Pareto最优概念的类随机搜索算法,求解速度较慢,特别是当问题维度变高,需要群体规模较大时,上述问题更加凸显。这一问题已经获得越来越多研究人员以及从业人员的关注。实验仿真中可以发现,构造非支配集和保持群体多样性这两部分工作占用了算法99%以上的执行时间。解决上述问题的一个有效方法就是对这一部分算法进行并行化改造。本文提出了一种基于CUDA平台的并行化解决方案,采用小生境技术实现共享适应度来维持候选解集的多样性,将多目标进化算法的实现全部置于GPU端,区别于以往研究中非支配排序的部分工作以及群体多样性保持的全部工作仍在CPU上执行。通过对ZDT系列函数的仿真结果,可以看出本文算法性能远远优于NSGA-Ⅱ和NPGA。最后通过求解油品调和过程这一有约束多目标优化问题,可以看出在解决化工应用中的有约束多目标优化问题时,该算法依然表现出优异的加速效果。     

多目标进化算法搜索鲁棒最优解效率研究

鲁棒最优解是进化计算研究的重要方面,同时也是研究难点。多目标进化算法搜索鲁棒最优解时,通常要用蒙特卡罗积分（MCI）近似估计有效目标函数（EOF）,而已有求解方法近似精度不高,使得算法搜索鲁棒最优解的性能较差。提出用拟蒙特卡罗方法（Q-MC）来估计有效目标函数方法,其所引入的Q-MC方法——Korobov点阵能更精确地估计EOF。实验结果表明,与现有的原始蒙特卡罗方法（C-MC）相比,拟蒙特卡罗方法（Q-MC）可以较大地提高多目标进化算法搜索鲁棒最优解的效率。