一种基于MOEA/D的组合权重方法

为了准确地求解组合权重的组合系数,将基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)思想引入评估领域,提出一种基于MOEA/D的组合权重方法.通常,利用加权和法将组合权重模型转化为单目标模型时,模型加权系数难以准确确定.对此,引入MOEA/D算法的分解思想,将组合权重模型转化为多个单目标子模型.MOEA/D算法仅适用于无约束优化问题,而较为常用的惩罚函数法难以表达进化初期无可行解的情况,因而提出改进自适应惩罚函数(improved adaptive penalty function,IAPF),将组合权重模型转化为无约束优化模型.应用所提出方法与其他方法进行仿真实验,实验结果表明,所提出算法具有有效性.     

改进MOEA/D算法求解多目标模糊柔性车间调度问题

针对模糊柔性作业车间调度问题中关于求解多目标优化的研究中,利用模糊数表示相关参数,以最小化最大完工时间、总机器负载和最大机器负载为优化目标,提出一种改进MOEA/D算法的权重向量和初始化种群,以优化全局更新配对策略的多目标分解进化算法（I-MOEA/D）,以提高算法寻优能力。与MOEA/D、NSGA-Ⅱ和NSGA-Ⅲ算法相比,该方法优于其他算法,同时引入企业工程实例进行分析,证明I-MOEA/D算法具备良好的收敛性和分布性。     

基于动态多策略差分进化模型的MOEA/D算法*

在基于分解技术的多目标进化算法的框架中,引入一种动态多策略差分进化模型。该模型在分析不同差分进化策略的特点基础上,选择了三种差分进化策略,并对每种策略分配一子种群。在进化过程中,依据每种策略对邻域更新的贡献度,动态的调整其子种群的大小。对比分析采用不同差分进化算法的性能,结果表明运用多个策略之间相互协同进化,有利于提高算法性能。将新算法同NSG-II和MOEA/D算法在LZ09系列基准函数上进行性能对比,实验结果显示该算法的收敛性和多样性均优于对比算法。将新应用于I型梁多目标优化设计问题中,获得的Pareto前沿均匀,且解集域较宽广,对比分析表明算法的工程实用性。     

基于正交设计的自适应ε占优MOEA/D算法研究

MOEA/D是一种简单、高效的多目标优化算法,但在更新子问题时,会丢失部分优良个体,降低算法的收敛速度。针对上述不足,提出一种基于正交设计的自适应ε占优算法。新算法改进如下:(1)采用正交试验设计和连续空间量化初始化种群,使初始化群体能均匀分布;(2)设计一种自适应调整松弛变量改进的ε占优机制,并用它来更新Archive种群保存非劣解;(3)将精英策略引入到MOEA/D中,加快收敛速度。实验结果表明新算法较好地改善了MOEA/D算法的收敛性以及非劣解的分布性。     

多目标0/1背包问题MOEA求解中的修复策略

多目标进化算法在求解多目标0/1背包问题时常使用修复策略来满足容量约束.文中更全面地考虑物品对各个背包的不同影响,提出两种加权修复策略,分别基于背包容量和容量约束违反程度,并应用于经典算法SPEA2中.在9个标准MOKP测试实例上的实验结果表明,采用该修复策略的SPEA2算法能更有效地收敛到Pareto最优前沿.     

一种基于自适应选择策略的改进型MOEA/D算法

针对MOEA/D单纯使用邻域更新作为选择策略而造成的个体解的重复更新、缺乏全局适配性等问题,提出了一种兼及全局替换和局部更新策略的新算法,即基于自适应选择策略的改进型MOEA/D(MOEA/D-AS)。算法首先设计了一种新的基于最佳二分图匹配的选择策略(KMS),利用子问题和个体解的匹配关系,从全局角度实现精英个体集的最优选择;然后利用种群的进化信息构造一种匹配紊乱判断机制;最后利用紊乱判断机制,在综合分析邻域更新策略和KMS各自优势的基础上,使算法自适应地选择最合适的选择策略,以提高鲁棒性和优化效率。选取LZ09,DTLZ,CEC09等作为标准测试函数,将改进后的算法MOEA/D-AS与经典MOEA/D系列算法进行对比实验,并以Spread和IGD为性能评估指标。实验结果表明新算法具有更好的收敛性和分布性,验证了自适应选择策略能够有效地指导精英解的选择过程。     

基于多目标进化算法的MOEA/D权重向量产生方法

在进化多目标优化研究领域,多目标优化是指对含有2个及以上目标的多目标问题的同时优化,其在近些年来受到越来越多的关注。随着MOEA/D的提出,基于聚合的多目标进化算法得到越来越多的研究,对MOEA/D算法的改进已有较多成果,但是很少有成果研究MOEA/D中权重的产生方法。提出一种使用多目标进化算法产生任意多个均匀分布的权重向量的方法,将其应用到MOEA/D,MSOPS和NSGA-III中,对这3个经典的基于聚合的多目标进化算法进行系统的比较研究。通过该类算法在DTLZ测试集、多目标旅行商问题MOTSP上的优化结果来分别研究该类算法在连续性问题、组合优化问题上的优化能力,以及使用矩形测试问题使得多目标进化算法的优化结果在决策空间可视化。实验结果表明,没有一个算法能适用于所有特性的问题。然而,MOEA/D采用不同聚合函数的两个算法MOEA/D_Tchebycheff和MOEA/D_PBI在多数情况下的性能比MSOPS和NSGA-III更好。     

改进自适应MOEA/D算法的楼宇负荷优化调度

针对负荷侧用户用电电费、新能源消纳率和用电峰谷差等问题,提出了一种改进的自适应基于分解的多目标进化算法,进行楼宇微电网签约住户可控负荷优化调度;通过分析负荷的用电特性,将用电负荷分为五类并分类建立数学模型、优化目标函数和约束条件;将广义分解与均匀分配相结合产生新的自适应权重向量使算法非支配解更接近真实帕累托前沿;采用历...     

全局替换的自适应权重调整MOEA/D

当多目标问题的帕累托前沿形状较为复杂时,基于分解的多目标进化算法MOEA/D的解的均匀性将受到很大的影响. MOEA/D利用相邻子问题的信息来优化,但早期因为种群中的个体与子问题的关联是随机分配的,仅在邻居间更新会浪费优秀解的信息,影响收敛速度.针对这些问题,本文提出一种MOEA/D的改进算法(MOEA/DGUAW).该算法使用种群全局更新的策略,来提高收敛速度;使用自适应调整权重向量的策略来获得更均匀分布的解集.将MOEA/D-GUAW算法与现有的MOEA/D, MOEA/D-AWA, RVEA和NSGA-III算法在10个广泛应用的测试问题上进行了实验比较.实验结果表明,提出的算法在大部分问题上,反转世代距离评价指标IGD优于其他算法,收敛速度也快于其他算法.     

基于分解的演化多目标优化算法综述

基于分解的演化多目标优化算法(MOEA/D)的基本思想是将一个多目标优化问题转化成一系列子问题(单目标或者多目标)来进行优化求解.自2007年提出以来, MOEA/D受到了国内外学者的广泛关注,已经成为最具代表性的演化多目标优化算法之一.总结过去13年中关于MOEA/D的一些研究进展,具体内容包括:(1)关于MOEA/D的算法改进;(2) MOEA/D在超多目标优化问题及约束优化问题上的研究;(3) MOEA/D在一些实际问题上的应用.然后,实验对比几个具有代表性的MOEA/D改进算法.最后,指出一些MOEA/D未来的研究方向.     

The effects of asymmetric neighborhood assignment in the MOEA/D algorithm

The Multiobjective Evolutionary Algorithm Based on Decomposition (MOEA/D) is a very efficient multiobjective evolutionary algorithm introduced in recent years. This algorithm works by decomposing a multiobjective optimization problem to many scalar optimization problems and by assigning each specimen in the population to a specific subproblem. The MOEA/D algorithm transfers information between specimens assigned to the subproblems using a neighborhood relation.In this paper it is shown that parameter settings commonly used in the literature cause an asymmetric neighbor assignment which in turn affects the selective pressure and consequently causes the population to converge asymmetrically. The paper contains theoretical explanation of how this bias is caused as well as an experimental verification. The described effect is undesirable, because a multiobjective optimizer should not introduce asymmetries not present in the optimization problem. The paper gives some guidelines on how to avoid such artificial asymmetries.     

On the effect of reference point in MOEA/D for multi-objective optimization

Multi-objective evolutionary algorithm based on decomposition (MOEA/D) has continuously proven effective for multi-objective optimization. So far, the effect of weight vectors and scalarizing methods in MOEA/D has been intensively studied. However, the reference point which serves as the starting point of reference lines (determined by weight vectors) is yet to be well studied. This study aims to fill in this research gap. Ideally, the ideal point of a multi-objective problem could serve as the reference point, however, since the ideal point is often unknown beforehand, the reference point has to be estimated (or specified). In this study, the effect of the reference point specified in three representative manners, i.e., pessimistic, optimistic and dynamic (from optimistic to pessimistic), is examined on three sets of benchmark problems. Each set of the problems has different degrees of difficulty in convergence and spread. Experimental results show that (i) the reference point implicitly impacts the convergence and spread performance of MOEA/D; (ii) the pessimistic specification emphasizes more of exploiting existing regions and the optimistic specification emphasizes more of exploring new regions; (iii) the dynamic specification can strike a good balance between exploitation and exploration, exhibiting good performance for most of the test problems, and thus, is commended to use for new problems.     

A modified MOEA/D approach to the solution of multi-objective optimal power flow problem

This study presents a modified multi-objective evolutionary algorithm based decomposition (MOEA/D) approach to solve the optimal power flow (OPF) problem with multiple and competing objectives. The multi-objective OPF considers the total fuel cost, the emissions, the power losses and the voltage magnitude deviations as the objective functions. In the proposed MOEA/D, a modified Tchebycheff decomposition method is introduced as the decomposition approach in order to obtain uniformly distributed Pareto-Optimal solutions on each objective space. In addition, an efficiency mixed constraint handling mechanism is introduced to enhance the feasibility of the final Pareto solutions obtained. The mechanism employs both repair strategy and penalty function to handle the various complex constraints of the MOOPF problem. Furthermore, a fuzzy membership approach to select the best compromise solution from the obtained Pareto-Optimal solutions is also integrated. The standard IEEE 30-bus test system with seven different cases is considered to verify the performance of the proposed approach. The obtained results are compared with those in the literatures and the comparisons confirm the effectiveness and the performance of the proposed algorithm.     

一种基于新型差分进化模型的MOEA/D改进算法

针对MOEA/D算法中差分进化操作收敛精度不高且速度较慢的不足,提出了一种综合基于可控支配域的向量差生成策略和基于主成分的动态缩放因子的新型差分进化模型,均衡显性与隐性搜索引导;并实现了一种基于新型差分进化模型的MOEA/D改进算法（MOEA/D-iDE）。新型差分进化是借助基于可控支配域的非支配排序对邻域进行分层,根据分层信息生成与不同进化阶段相匹配的向量差,实现对种群收敛速度的显性引导;同时对决策空间进行主成分分析,动态调整差分进化缩放因子,实现对种群收敛精度的隐性引导。实验选取ZDT、DTLZ和WFG等为测试问题,以IGD+,ER作为评价指标,将MOEA/D-iDE算法与6个同类算法进行对比实验,结果表明新算法在保证多样性的同时具有更好的收敛速度与精度,从而验证了新型差分进化模型的有效性。     

基于幂变换的多目标进化算法MOEA?D权重设计方法

在多目标最优化问题中,如何求解一组均匀散布在前沿界面上的有效解具有重要意义.MOEA?D是最近出现的一种杰出的多目标进化算法,当前沿界面的形状是某种已知的类型时,MOEA?D使用高级分解的方法容易求出均匀散布在前沿界面上的有效解.然而,多目标优化问题的前沿界面的形状通常是未知的.为了使MOEA?D能求出一般多目标优化问题的均匀散布的有效解,利用幂函数对目标进行数学变换,使变换后的多目标优化问题的前沿界面在算法的进化过程中逐渐接近希望得到的形状,提出了一种求解一般的多目标优化问题的MOEA?D算法的权重设计方法,并且讨论了经过数学变换后前沿界面的保距性问题.采用建议的权重设计方法,MOEA?D更容易求出一般的多目标优化问题均匀散布的有效解.数值结果验证了算法的有效性.