基于进化机制的动态多目标优化方法

动态多目标优化是进化计算领域一个新兴的研究方向.文中给出了定义在离散时间空间上、决策变量的维数随时间(环境)可发生变化的一类动态多目标优化问题(DMOP)的新方法.该方法首先把DMOP转化成了一系列同类静态约束优化问题,然后在一种环境变化判断规则下提出了解DMOP的一种新动态多目标进化算法(DMEA).数值实验表明新算法对DMOP最优解具有较好的跟踪能力,并且能有效的获得DMOP在不同环境下数量较多、质量较好且分布均匀的Pareto最优解.     

基于多目标优化的SoC软硬件划分方法研究

集成电路不断发展,SoC已经成为电子系统设计的主流,软硬件的划分又是其中的一个重要部分。文章采用基于多目标优化的遗传算法,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。将Pareto最优概念与多目标优化问题相结合,应用于遗传算法中,从而实现了兼顾系统面积、功耗、成本等参数的软硬件划分方法。     

基于引导个体的预测策略求解动态多目标优化问题

很多现实的优化问题都是动态多目标问题,这类问题不仅具有多个目标,并且也受环境的影响不断变化.本文基于引导个体的预测策略提出一种新的求解动态多目标优化问题的策略.通过记录每次环境变化初始时和种群自主进化一小段时间后种群中心点位置的前后变化,预测最优解的所在方向.同时根据在该方向上均匀分布的若干检测个体,选出一串非支配的个体作为当前环境下的引导个体.为了避免陷入局部最优,在选出的引导个体周围一个小的区域半径内随机产生若干伴随引导个体.实验结果表明,新策略具有更快的响应环境变化的能力.     

基于Pareto支配的MPRM电路面积与可靠性优化

针对MPRM（Mixed-Polarity Reed-Muller）电路的面积与可靠性折中优化问题,在逻辑级建立面积估算模型以及电路SER（Soft Error Rate）解析评价模型,并采用Pareto支配概念对MPRM电路进行面积与可靠性多目标优化.通过对MPRM电路的XOR部分进行树形异或门分解,并考虑多个输出之间异或门的共享,建立面积估算模型.采用信号概率和故障传播方法,并考虑电路中的逻辑屏蔽因素以及信号相关性,建立电路SER解析评价模型.根据所提出的面积和SER评价模型,采用极性向量的格雷码序穷举搜索MPRM的极性空间得到MPRM电路面积与可靠性的Pareto最优解集,并使用效率因子技术指标选取最终解.MCNC基准电路的实验结果表明,与面积最小MPRM电路相比,所选取的MPRM电路可以在较小面积开销的前提下获得较高电路可靠性.     

多个体参与交叉的Pareto多目标遗传算法

Pareto多目标遗传算法是利用Pareto最优的概念发展出的一种求解多目标优化问题的向量优化方法,能够得到Pareto最优解集.由于采用常规的两个体参与交叉的遗传算法,使整个算法耗费在小生境(Niche)算子上的时间太多,导致算法的效率较低.本文发展出多个体参与交叉的Pareto多目标遗传算法,群体中的个体采用真实值表示,使该算法的速度大大提高,同时证明了相应的模式定理,并提出用方差和熵来分析该算法对解群多样性的影响.最后用算例说明了采用多个体参与交叉的Pareto多目标遗传算法与常规算法比较的结果,证明了本文提出算法的优越性.     

多目标量子编码遗传算法

如何使算法快速收敛到真正的Pareto前沿,并保持解集在前沿分布的均匀性是多目标优化算法重点研究解决的问题。该文提出一种基于量子遗传算法的多目标优化算法,利用量子遗传算法的高效全局搜索能力,在整个解空间内快速搜索多目标函数的Pareto最优解,利用量子遗传算法维持解集多样性的特点,使搜索到的Pareto最优解在前沿均匀分布。通过求解带约束的多目标函数优化问题,对该文算法的多目标优化性能进行了考察,并与NSGAII,PAES,MOPSO和Ray-Tai-Seows算法等知名多目标优化算法进行比较,结果证明了该文算法的有效性和先进性。     

稳定平台控制器参数多目标优化

利用稳定平台机械-控制联合仿真精确的系统分析能力,提出了一种稳定平台控制器多目标优化设计方法。采用稳定平台机械系统的多体动力学模型和控制系统模型作为优化目标计算的基本模型,利用Pareto多目标遗传算法对控制器参数进行优化。为了降低遗传算法的计算量,引入代理模型技术,整个优化系统在ModelCenter内集成,实现优化过程的自动化,以提高设计效率。算例结果表明,本方法优化后的稳定平台控制系统具有更好的性能指标,并能有效控制计算成本,具有一定的应用价值。     

基于遗传算法的Pareto多目标配电网重构

配电网重构一般采用对单一目标优化,而配电网重构却是一个多目标优化问题。因此,在此提出了基于小生境思想的遗传算法,以配电网的经济性、安全性和供电可靠性为目标,并采用Pareto寻优方式,得出Pareto最优解集,实现了和以往不同的另一种寻优方式,即先寻优后决策。在寻优过程中,通过小生境环境和交叉率和变异率的自适应机制,提高了遗传算法的全局收敛能力和收敛速度,并通过算例验证了方法的有效性。     

IIR数字滤波器的多目标优化设计

根据Pareto最优概念,提出数字滤波器的多目标优化设计.通过IIR低通数字滤波器的设计结果表明,该方法可以得到一组非劣解集供决策者选择,也说明了该方法的有效性和实用性.     

动态多目标优化的进化算法及其收敛性分析

给出了动态多目标优化问题的一种新解法.首先对时间变量进行了等区间离散化,在得到的子区间(称为环境)上定义了种群的静态序值方差和静态密度方差.然后把动态多目标优化问题近似地转化成了若干个两个目标的静态优化问题.在给出的一种能自动检测环境变化的应答算子下,提出了一种动态多目标进化算法,同时证明了算法的收敛性.计算机仿真表明新算法对动态多目标优化问题是有效的.     

基于帕累托法则的软件测试策略优化

通过分析软件测试故障的分布特性,研究故障发现、分布与测试用例设计、测试人员等的相关性,提出一种基于帕累托法则的测试策略优化改进方法,在测试设计方法的应用、人员的任务分配、测试重点等方面进行有效的优化,并介绍该方法的具体应用步骤。最后,通过几个项目的应用结果表明:该方法简单、实用,可以有效地提高测试效率和暴露软件缺陷的概率。     

一种混合型值关联间接跳转预测机制

 准确的间接跳转预测对现代处理器的性能和能耗有效性都具有重要意义.本文提出了一种混合型值关联间接跳转预测机制,通过混合使用多种关联信息以降低间接跳转误预测率.该机制一方面依赖于编译器根据高层次数据流信息识别间接跳转指令所对应的初始关联数据值.另一方面,该机制针对间接跳转预测的不同场景分别设计了两类关联信息:单一数据值和值历史,并实现了一种低开销的硬件结构,该硬件结构在运行时刻根据不同应用场景动态选择最佳关联信息引导间接跳转预测.实验结果表明,相对于传统的BTB预测器和最新的VBBI预测器,本文机制能够有效降低误预测率,提高程序性能并降低系统能耗.     

基于不精确信息的Pareto 最优路径搜索

将不精确状态信息下两可加约束优化路径搜索问题,建模为最大概率两可加约束路径(MP-TACP)问题,并首次提出了解决MP-TACP问题的算法MP-POC。MP-POC采用了预计算与在线计算相结合的方式,既使得算法有较快的响应速度,又能够减小不精确状态信息对算法性能的影响。MP-POC定义了连接界及方差界,并利用这些界信息以及启发式前瞻信息,使得算法具有较小的平均计算代价。另外,MP-POC在搜索可行路径时,只搜索Pareto最优路径,在不影响解的质量同时,极大地减小了搜索空间。大量仿真实验表明,在不精确状态信息下,MP-POC不但具有高的找到可行路径的成功率,而且响应速度比当前在线算法快得多。     

基于模糊支配的高维多目标进化算法MFEA

为提高高维复杂多目标优化算法的收敛性和解集分布性,提出一种基于模糊支配的高维多目标进化算法MFEA.在第二代Pareto支配类高维多目标进化算法模型基础上,利用模糊理论对模型中的环境选择进行改进,提出基于模糊隶属度的支配关系,并结合Harmonic、k邻域法和小生境技术对其中的拥挤密度估计方法进行改进,最后根据高维多目标的特点并结合模糊理论α-截集的思想提出了新的环境选择策略.将该算法与目前性能最好的5种多目标进化算法在标准测试函数集上进行对比试验,结果表明本文算法与其他算法相比具有明显的优势,不仅提高了算法的收敛性能,而且保证了Pareto最优解的均匀分布性.     

基于秩2更新的多维数据流典型相关跟踪算法

 现存的多维数据流典型相关分析(Canonical Correlation Analysis,简称CCA)算法主要是基于近似技术的求解方法,本质上并不是持续更新的精确算法.为了能在时变的环境中持续、快速而精确地跟踪数据流之间的相关性,本文提出一种多维数据流典型相关跟踪算法TCCA.该算法基于秩2更新理论,通过并行方式持续更新样本协方差矩阵的特征子空间,进而实现多维数据流典型相关的快速跟踪.理论分析及仿真实验结果表明,TCCA具有较好的稳定性、较高的计算效率和精度,可以作为基本工具应用于数据流相关性检测、特征融合、数据降维等数据流挖掘领域.     

基于帕累托最优的雷达-通信共享孔径研究

针对雷达-通信综合射频系统,该文提出一种基于环境信息的共享孔径动态分配方法。首先基于帕累托最优理论将共享孔径分配建模为一个多目标优化问题,并建立了雷达阵列方向图的峰值旁瓣电平和多输入多输出(MIMO)通信系统的信道容量两个优化目标函数。然后提出一种基于整数编码的改进粒子群算法,通过迭代求解以帕累托前沿的形式给出一组最优解,供决策者根据任务需求从中选出一个最满意的解。最后,仿真结果验证了该方法的有效性。     

基于分解和支配关系的超多目标进化算法

近年来,超多目标优化问题(MaOPs)成为了进化计算领域的研究热点。然而,在处理各种优化问题中,如何有效地平衡收敛性和多样性仍是一个难题。为了解决上述的问题,该文提出了一种基于分解和支配关系的超多目标进化算法(DdrEA)。首先利用权重向量把整个种群分解为一组子种群,这些子种群将进行协同优化;然后利用角度和角度支配关系计算子种群内每个解的值;最后根据适应度值进行精英选择,即在每个子空间内选取适应度值最小的解作为精英解进入下一代。DdrEA通过与当前较优的NSGA-II/AD, RVEA, MOMBI-II等多个超多目标进化算法进行实验对比,实验结果表明该文算法性能明显优于对比算法,能够有效平衡种群的收敛性和多样性。

     

基于典范相关分析的雷达抗干扰技术研究

如何提高雷达的抗干扰能力一直是雷达信号处理的一大问题，问题的解决可以使雷达的检测和跟踪能力得以提高。在日趋复杂的信号环境下，传统信号处理方法的局限性愈来愈大。文中通过对雷达信号处理过程和典范相关分析技术的分析研究，提出采用基于典范相关分析的多步处理抗干扰方法进行雷达抗干扰信号处理，可使雷达在复杂背景下具有更强的抗干扰能力。仿真试验结果证明这种新的雷达抗干扰处理方法是可行和令人满意的。