一种实数编码多目标贝叶斯优化算法

提出了一种采用基于决策树概率模型表示各变量之间条件相关性的分布估算算法:实数编码多目标贝叶斯优化算法(RCMBOA)。通过构建这样的概率模型,继而对模型进行抽样以产生新个体。再对生成的新个体进行变异操作,以提高算法的搜索能力,增加种群的多样性。这种生成新个体的方法结合非劣分层与截断选择机制,可以很好地逼近多目标问题的Pareto前沿。同时,在进行截断选择时,每次只删除一个排挤距离小的个体,之后重新估算个体的排挤距离,以获得分布均匀的非劣解集。对于约束多目标优化问题,算法采用带约束支配关系判别个体的优劣。用该算法对8个较难的测试问题进行了优化计算,获得的非劣解集与NSGA-II算法得到的相比,非劣解集的质量更高,分布更为均匀。计算结果说明RCMBOA是一种有效、鲁棒的多目标优化算法。     

修正免疫克隆约束多目标优化算法

针对约束多目标优化问题,提出修正免疫克隆约束多目标优化算法.该算法通过引进一个约束处理策略,用一个修正算法对个体的目标函数值进行修正,并对修正后的目标函数值采用免疫克隆算法进行优化,用一个精英种群对可行非支配解进行存储.该算法在优化过程中,既保留了非支配可行解,也充分利用了约束偏离值小的非可行解,同时引进整体克隆策略来提高解分布的多样性.通过对约束多目标问题的各项性能指标的测试以及和对比算法的比较可以看出:该算法在处理约束多目标优化测试问题时,所得解的多样性得到了一定的提高.同时,解的收敛性和均匀性也得到了一定的改进.     

Modified Immune Clonal Constrained Multi-Objective Optimization Algorithm

针对约束多目标优化问题,提出修正免疫克隆约束多目标优化算法.该算法通过引进一个约束处理策略,用一个修正算法对个体的目标函数值进行修正,并对修正后的目标函数值采用免疫克隆算法进行优化,用一个精英种群对可行非支配解进行存储.该算法在优化过程中,既保留了非支配可行解,也充分利用了约束偏离值小的非可行解,同时引进整体克隆策略来提高解分布的多样性.通过对约束多目标问题的各项性能指标的测试以及和对比算法的比较可以看出:该算法在处理约束多目标优化测试问题时,所得解的多样性得到了一定的提高.同时,解的收敛性和均匀性也得到了一定的改进.     

综合密度信息的矢量变异多目标粒子群优化

粒子群优化算法求解多目标优化问题存在早熟收敛和后期收敛速性差的不足,解的分布性也有待提高。为此设计一种新的多目标粒子群优化算法：对寻求粒子最优解的sigma方法进行改进,提出一种综合非支配解密度信息和sigma值的最优解求解机制。对变异粒子速度进行矢量扰动变异;对停滞粒子进行位置变异,有效避免算法的早熟收敛问题。测试结果表明,所提出的算法在收敛性和解的分布性、多样性方面较经典的算法具有明显的优势。     

基于估值不确定度排序顺序均值采样的昂贵高维多目标进化算法

模型管理,特别是训练样本的选择和填充采样准则,是影响昂贵多目标优化算法求解性能的重要因素.为此,选择样本库中具有较好目标函数值的若干个体作为样本训练目标函数的代理模型,使用基于参考向量的进化算法搜索模型的最优解集,并提出一种基于个体目标函数估值不确定度排序顺序均值的采样策略,从该最优解集中选择两个个体进行真实的目标函数评价.为了验证算法的有效性,将所提出算法在DTLZ和WFG多目标优化测试问题和两个实际工程优化问题上进行测试,并与其他5种优秀的同类型算法进行结果对比.实验结果表明,所提出算法在求解昂贵高维多目标优化问题上是有效的.     

一种用于求解多目标组合优化的混合遗传算法

为高效求解多目标组合优化问题 ,提出一种进化计算与局部搜索结合的多目标算法。此算法基于个体排序数和密度值进行适应度赋值 ,采用非劣解并行局部搜索策略 ,在解的适应度赋值和局部搜索过程中使用 Pa-reto支配的概念。实验结果表明 ,新算法不仅提高了优化搜索的效率 ,且能够找到更多的近似 Pareto最优解。     

基于种族分类的进化算法

为克服进化算的早熟问题，提出了基于种族分类的进化算法（SEA），根据种族分类信息修正适应度，适应度修正与种族富饶程度、个体在种族中的地位和种族密度3个参数有关。应用SEA优化多峰函数以及多目标优化问题，结果表明，该算法可以大大增加个体的多样性，有效地克服了“早熟”现象，增大了搜索全局最优解的几率；该算法保留不同种族的优越性使得在优化多目标问题时，与目标函数的权重关系不大，可以获得多个非劣解，从而有效地得到非劣解集合。     

基于权重学习的高维多目标进化算法

在多目标进化算法解决多目标优化问题的过程中,随着目标个数的增加,种群个体进化方向的盲目性逐渐显露出来,同时还存在着收敛性和多样性难以平衡的问题。针对以上两个问题,以基于参考点策略的快速非支配排序遗传算法NSGA-Ⅲ为框架,分别从产生候选解和选择候选解两个角度进行算法改进,从而得到一个新的进化算法WL-NSGAⅢ。在新算法的匹配选择阶段,设计了一种基于权重的个体学习策略,即利用种群信息构建代内关系为种群个体提供进化方向并增加候选解集的收敛性。同时,在新算法的环境选择阶段,利用权重信息对小生境选择策略进行改进。为了验证新算法的有效性,通过模拟实验将新算法与现有算法在DTLZ问题测试集中进行比较。仿真结果表明,新算法在大多数基准问题上具有良好的效果。     

基于Pareto熵的多目标粒子群优化算法

粒子群优化算法因形式简洁、收敛快速和参数调节机制灵活等优点,同时一次运行可得到多个解,且能逼近非凸或不连续的Pareto最优前端,因而被认为是求解多目标优化问题最具潜力的方法之一.但当粒子群优化算法从单目标问题扩展到多目标问题时,Pareto最优解集的存储与维护、全局和个体最优解的选择以及开发与开采的平衡等问题亦随之出现.通过目标空间变换方法,采用Pareto前端在被称为平行格坐标系统的新目标空间中的分布熵及差熵评估种群的多样性及进化状态,并以此为反馈信息来设计进化策略,使得算法能够兼顾近似Pareto前端的收敛性和多样性.同时,引入格占优和格距离密度的概念来评估Pareto最优解的个体环境适应度,以此建立外部档案更新方法和全局最优解选择机制,最终形成了基于Pareto熵的多目标粒子群优化算法.实验结果表明：在IGD性能指标上,与另外8种对等算法相比,该算法在由ZDT和DTLZ系列组成的12个多目标测试问题集中表现出了显著的性能优势.     

基于距离收敛量和历史信息密度的多目标进化算法

在筛选个体的过程中,多目标进化算法大都利用非支配信息和密度信息评价个体。但当个体互为非支配关系时,上述信息就难以区分个体的优劣从而影响算法性能。为了改善上述情况,本文提出了一种基于距离收敛量和历史信息密度的多目标进化算法。距离收敛量可以在非支配信息不能区分个体时评价个体的收敛性;历史信息密度可以更精确的提供个体多样性信息。在与三个先进的多目标进化算法的对比实验中,新算法的求解质量明显优于对比算法。     

基于改进粒子群优化算法的约束多目标优化

针对约束多目标优化问题,提出一种改进的粒子群优化算法,采用距离量度和自适应惩罚函数相结合的约束处理技术,通过可行解比例有效均衡目标函数和约束条件,提高算法的边界搜索能力。定义新的k最近邻聚集密度,保持解集分布性,并将聚集密度和轮盘赌选择相结合选取全局最优粒子。仿真结果表明,该算法在Pareto解集均匀性及逼近性方面均具有优势。     

海量空间数据点k近邻的快速搜索算法

提出一种新的海量空间数据点k近邻的快速搜索算法.本算法综合考虑了空间数据的范围、数据点的总数、近邻点数目k以及数据点的密度,给出了一种新的估算子立方体边长的方法;采用空间分块策略,把数据空间划分成多个子立方体,子立方体的大小决定k近邻的搜索速度;最后记录每个子立方体所包含的数据点及每个点所属的子立方体编号,搜索测点的k近邻.大量数据的实验结果表明本算法可以大大提高在海量空间数据点中搜索测点k近邻的速度.     

基于共享k-近邻与共享逆近邻的密度峰聚类

为了更好地解决密度不均衡问题与刻画高维数据相似性度量问题，提出一种基于共享[k]-近邻与共享逆近邻的密度峰聚类算法。该算法计算两个点的共享[k]-近邻数与共享逆近邻数，并结合欧氏距离来确定这两个点之间的共享相似度；将样本点与其逆近邻点的共享相似度之和定义为该点的共享密度，再通过共享密度选取聚类中心。通过实验证明，该算法在人工数据集和真实数据集上的聚类结果较其他密度聚类算法更加准确，并且能更好地处理密度不均衡问题，同时也提高了高维数据的聚类精度。     

简化的粒子群优化快速KNN分类算法

提出了一种有效的k近邻分类文本分类算法,即SPSOKNN算法,该算法利用粒子群优化方法的随机搜索能力在训练集中随机搜索.在搜索k近邻的过程中,粒子群跳跃式移动,掠过大量不可能成为k近邻的文档向量,并且去除了粒子群进化过程中粒子速度的影响,从而可以更快速地找到测试样本的k个近邻.通过验证算法的有效性表明,在查找k近邻相同时,SPOSKNN算法的分类精度高于基本KNN算法。     

A novel fruit fly framework for multi-objective shape design of tubular linear synchronous motor

This paper addresses a novel multi-objective fruit fly optimization algorithm (MOFOA) for solving multi-objective optimization problems. The essence of MOFOA lies in its having two characteristic features. For the first feature, a population of random fruit flies initializes the algorithm. During this initialization phase, the dominated fruit fly is replaced by the nearest non-dominated one. Subsequently, the fruit flies undergo evolution by flying randomly around the non-dominated solution or around the reference point, i.e., the best location of the individual objectives. Afterwards, the fruit flies are updated according to the nearest location whether from the reference point or the previous non-dominated location. For the second feature, the weighted sum method is incorporated to update the previous best locations of fruit flies and the reference point to emphasize the convergence of the non-dominated solutions. To prove the capability of the proposed MOFOA, two standard benchmark problems in addition to the real world application, namely, multi-objective shape design of tubular linear synchronous motor (TLSM) are checked. The corresponding TLSM objective functions aims to maximize operating force and to minimize the flux saturation. The outcomes clearly demonstrate the effectiveness of the proposed algorithm for finding the non-dominated solutions.     

Airfoil shape optimization using improved Multiobjective Territorial Particle Swarm algorithm with the objective of improving stall characteristics

In this paper, a new robust optimization technique with the ability of solving multi-objective constrained design optimization problems in aerodynamics is presented. This new technique is Multi-objective Territorial Particle Swarm Optimization (MOTPSO) algorithm in which diversity is actively preserved by avoiding overcrowded clusters of particles and encouraging broader exploration. Adaptively varying “territories” are formed around promising individuals to prevent many of the lesser individuals from premature clustering and encouraged them to explore new neighborhoods based on a hybrid self-social metric. Also, a new social interaction scheme is introduced which guided particles towards the weighted average of their “elite” neighbors’ best found positions instead of their own personal bests which in turn helps the particles to exploit the candidate local optima more effectively. The MOTPSO algorithm takes into account multiple objective functions using a Pareto-Based approach. The non-dominated solutions found by swarm are stored in an external archive and nearest neighbor density estimator method is used to select a leader for the individual particles in the swarm. Efficiency and robustness of the proposed algorithm is demonstrated using multiple traditional and newly-composed optimization benchmark functions and aerodynamic design problems. In final airfoil designs obtained from the Multi Objective Territorial Particle Swarm Optimization algorithm, separation point is delayed to make the airfoil less susceptible to stall in critical operating conditions and it also reveal an evident improvement over the test case airfoil across all objective functions presented.     

K-nearest neighbor finding using MaxNearestDist

Similarity searching often reduces to finding the k nearest neighbors to a query object. Finding the k nearest neighbors is achieved by applying either a depth- first or a best-first algorithm to the search hierarchy containing the data. These algorithms are generally applicable to any index based on hierarchical clustering. The idea is that the data is partitioned into clusters which are aggregated to form other clusters, with the total aggregation being represented as a tree. These algorithms have traditionally used a lower bound corresponding to the minimum distance at which a nearest neighbor can be found (termed MinDist) to prune the search process by avoiding the processing of some of the clusters as well as individual objects when they can be shown to be farther from the query object q than all of the current k nearest neighbors of q. An alternative pruning technique that uses an upper bound corresponding to the maximum possible distance at which a nearest neighbor is guaranteed to be found (termed MaxNearestDist) is described. The MaxNearestDist upper bound is adapted to enable its use for finding the k nearest neighbors instead of just the nearest neighbor (i.e., k=1) as in its previous uses. Both the depth-first and best-first k-nearest neighbor algorithms are modified to use MaxNearestDist, which is shown to enhance both algorithms by overcoming their shortcomings. In particular, for the depth-first algorithm, the number of clusters in the search hierarchy that must be examined is not increased thereby potentially lowering its execution time, while for the best-first algorithm, the number of clusters in the search hierarchy that must be retained in the priority queue used to control the ordering of processing of the clusters is also not increased, thereby potentially lowering its storage requirements.     

路网中互近邻查询处理方法

提出路网中的互近邻查询问题.给定路网G(V,E),对象集P,查询点q,近邻数k1和k2,互近邻查询返回既是q的k1近邻,又是q的反k2近邻的对象集.为解决该问题,首先提出基础算法,即先求出查询点q的k1近邻作为候选,再验证这些候选是否为真正的结果.然后,在此基础上提出了优化算法,根据落在对象点与查询点最短路径边上的标记点个数直接排除掉一些错误的候选对象.最后,通过实验验证了优化算法的有效性.     

基于不可行度和内分泌原理的多目标粒子群方法

针对有约束条件的多目标优化问题,提出了一种求解带约束的基于内分泌思想的多目标粒子群算法。利用不可行度方法和约束主导原理指导进化过程中精英种群的选择操作和约束条件的处理,根据生物体激素调节机制中促激素和释放激素间的相互作用原理,考虑当前非劣解集中的个体对其最邻近的一类群体的监督控制,引入当前粒子的类全局最优位置来反映其所属类中最好位置粒子对当前粒子的影响。为验证多目标约束优化算法的有效性,对两个典型的多目标优化问题进行了仿真实验,仿真结果表明该算法能较大概率地获得多目标约束优化问题的可行Pareto最优解。     

一种基于关联分析的KNN文本分类方法

KNN算法在数据挖掘的分支-文本分类中有重要的应用。在分析了传统KNN方法不足的基础上,提出了一种基于关联分析的KNN改进算法。该方法首先针对不同类别的训练文本提取每个类别的频繁特征集及其关联的文本,然后基于对各个类别文本的关联分析结果,为未知类别文本确定适当的近邻数k,并在已知类别的训练文本中快速选取k个近邻,进而根据近邻的类别确定未知文本的类别。相比于基于传统KNN的文本分类方法,改进方法能够较好地确定k值,并能降低时间复杂度。实验结果表明,文中提出的基于改进KNN的文本分类方法提高了文本分类的效率和准确率。