一类动态非线性约束优化问题的新解法

动态非线性约束优化是一类复杂的动态优化问题,其求解的困难主要在于如何处理问题的约束及时间（环境）变量。给出了一类定义在离散时间（环境）空间上的动态非线性约束优化问题的新解法,从问题的约束条件出发构造了一个新的动态熵函数,利用此函数将原优化问题转化成了两个目标的动态优化问题。进一步设计了新的杂交算子和带局部搜索的变异算子,提出了一种新的多目标优化求解进化算法。通过对两个动态非线性约束优化问题的计算仿真,表明该算法是有效的。     

记忆增强的动态多目标分解进化算法

现实世界中的一些多目标优化问题经常受动态环境影响而不断发生变化,要求优化算法不断地及时跟踪时变的Pareto 最优解集.提出了一种记忆增强的动态多目标分解进化算法.将动态多目标优化问题分解为若干个动态单目标优化子问题并同时优化这些子问题,以便快速逼近Pareto 最优解集.给出了一个改进的环境变化检测算子,以便更好地检测环境变化.设计了一种基于子问题的串式记忆方法,利用过去类似环境下搜索到的最优解来有效地响应新的环境变化.在8 个标准的测试问题上,将新算法与其他3 种记忆增强的动态进化多目标优化算法进行了实验比较.结果表明,新算法比其他3 种算法具有更快的运行速度、更强的记忆能力与鲁棒性能,并且新算法所获得的解集还具有更好的收敛性与分布性.     

求解约束优化问题的佳点集多目标进化算法

结合数论中的佳点集理论和多目标优化方法,提出一种求解约束优化问题的进化算法。将约束优化问题转化为多目标优化问题,引入佳点集理论,以确保所构造的个体在搜索空间内分布均匀,设计变异算子增加个体多样性,采用分群局部搜索方式,并根据Pareto非支配关系选择群体中的优势个体。实验结果表明,该算法具有较好的稳定性。     

动态选择与替换策略的多目标约束优化进化算法

提出一种基于动态选择与替换策略的多目标优化进化算法用于求解约束优化问题.新算法首先将约束优化问题转化为两个目标的多目标优化问题,基于Parto支配关系,把初始种群分为Pareto子集和Non-Pareto子集,引入一种非劣个体保护偏好策略,动态选取一定比例的最优非劣个体直接进入下一代群体,剩下的非劣个体随机替代Pareto子集中的个体.Pareto子集和Non-Pareto子集分别进行单形交叉和多样性变异操作产生新的子种群.对13个标准测试问题的数值实验结果表明新算法的有效性.     

一种改进的多目标约束优化差分进化算法

提出一种新的多目标优化差分进化算法用于求解约束优化问题.该算法利用佳点集方法初始化个体以维持种群的多样性.将约束优化问题转化为两个目标的多目标优化问题.基于Pareto支配关系,将种群分为Pareto子集和Non-Pareto子集,结合差分进化算法两种不同变异策略的特点,对Non-Pareto子集和Pareto子集分别采用DE/best/1变异策略和DE/rand/1变异策略.数值实验结果表明该算法具有较好的寻优效果.     

动态多目标优化进化算法及性能分析

针对动态多目标优化问题提出了一种求解的新进化算法。首先,构建了一种近似估计新环境下动态多目标优化问题的Pareto核迁移估计模型。其次,当探测到问题环境发生改变时,算法利用以前环境搜索到的Pareto核的有效信息通过Pareto核迁移估计模型对新环境下的进化种群进行近似估计;当问题的环境未发生变化时,引入了带区间分割的变异算子和非劣解存档保优策略,以提高算法的搜索效率。最后计算机仿真表明新算法对动态多目标优化问题十分有效。     

用于求解约束优化问题的自适应佳点集进化算法

提出一种用于求解约束优化问题的自适应佳点集进化算法.新算法利用佳点集原理设计多点交叉算子,该交叉算子能够根据父代个体的相似度自适应调整交叉点的位置和子代个体的数目,产生具有代表性的子代个体.在约束处理技术上,改进了Deb的三条比较准则,提出一种新的适应度函数用于比较个体优、劣的比较准则.通过对13个标准测试函数的试验比较验证了新算法的有效性和稳健性.     

求解约束多目标区间优化的交互多属性决策NSGA-II 算法

针对约束多目标区间优化问题,提出一种交互多属性决策NSGA-Ⅱ算法.该算法将非线性问题线性化,定义占优支配关系求出个体的序值,定义区间拥挤距离来区分具有相同序值个体的优劣,采用约束精英策略删除种群中不满足约束的个体.将选出的个体作为方案集,目标函数作为属性集,决策者对于各目标函数的偏好作为属性权重,构建一个多属性决策模型,在进化过程中融入该模型来选取符合决策者偏好的满意解.仿真实验验证了所提出方法的可行性和正确性.     

改进的免疫优化算法对动态约束多目标问题的应用

基于进化理论的动态多目标优化算法极易陷入局部最优,跟踪动态Pareto有效面的速度及效果较差。基于免疫系统机理提出一种改进的免疫优化算法(DMIOA)用于动态约束多目标问题求解。算法通过抗体浓度及其支配度设计抗体与抗原亲和力,随机约束选择算子提高算法约束处理能力,环境识别算子自适应判断环境变化,根据识别结果以不同的方式产生新环境的初始抗体群。数值实验中,将DMIOA应用于两种动态标准测试问题及飞机减速器参数动态设计问题的求解,结果表明:DMIOA能快速跟踪动态Pareto有效面,且在各环境所获面分布均匀,具有较好的实际问题求解能力。     

一种改进的基于约束支配的多目标进化算法

针对传统优化方法在处理带约束的多目标优化问题上的不足进行了分析，将多目标进化算法以及约束支配的概念结合起来，重新定义了种群个体间的支配关系，避免了罚函数法因惩罚系数不合适而出现优化结果为非可行解的情况。并且结合惩罚值改进了选择算子和适应值分配机制，避免出现早熟收敛。同时，采用精共策略，让精英个体参与遗传操作，加快算法收敛速度。通过算例分析可知，将多目标进化算法以及约束支配的概念应用到浮筒配置优化方案是可行的、有效的。     

一种求解约束优化问题的线性进化算法

提出一种基于实数编码处理约束优化问题的线性算法,并对其复杂度和收敛性进行分析.该算法将约束优化问题的高维搜索空间通过线性变换映射到二维空间,在二维空间中探索原优化问题的解,从数学分析的角度给出一种线性适应度函数.算法中融入一种基于密度函数的交叉算子和变异算法,采用基于分级聚类的平均联接方式以维持Pareto最优解集个体数目.3组典型优化问题的测试表明,该算法是可行和有效的,解集分布的均匀性与多样性均较理想.     

改进的约束优化多目标遗传算法及工程应用

利用多目标法处理约束条件,提出一种改进的基于多目标优化的遗传算法用于求解约束优化问题。该算法将约束优化问题转化为两个目标的多目标优化问题; 利用庄家法构造非劣个体,将种群分为支配子种群和非支配子种群,以一定概率分别从支配子种群和非支配子种群中选择个体进行算术交叉操作,引导个体逐步向极值点靠近,增强算法的局部搜索能力,对非支配子种群进行多样性变异操作。8个标准测试函数和3个工程应用的仿真实验结果表明了该算法的有效性。     

基于多区域中心点预测的动态多目标优化算法

现实生活中存在很多动态多目标优化问题(DMOPs),这类问题要求算法在环境变化后快速收敛到新的Pareto前沿,并保持解集的多样性,随着Pareto前沿复杂程度的增加,这一问题更加突出.鉴于此,提出一种基于多区域中心点预测的动态多目标优化算法(MCPDMO).首先,根据环境变化的严重程度将种群划分为多个子区域,使得个体的分配更加适应动态变化的环境;然后,分别计算每个子区域的中心点,对不同子区域在不同时刻的中心点建立时间序列,并利用差分模型预测新环境的最优解集,以提高算法对不同环境变化的响应能力;最后,为验证算法的有效性,与3种动态多目标优化算法在10个标准测试函数上进行仿真实验.实验结果表明,所提出算法在具有复杂Pareto前沿的动态问题上表现出更优的收敛性和分布性.     

一种求解约束多目标优化问题的线性进化算法

针对多目标优化问题,提出了一种新的基于实数编码的线性进化算法.新算法将约束优化问题的高维搜索空间通过线性变换映射到二维空间,在二维空间中探索原优化问题的解,并构造出一种线性适应度函数,重新设计了一种基于密度函数的交叉算子.对二组典型优化问题的测试表明,本算法是可行和有效的,解集分布的均匀性与多样性均较理想.     

A fuzzy particle swarm optimization algorithm for computer communication network topology design

Particle swarm optimization (PSO) is a powerful optimization technique that has been applied to solve a number of complex optimization problems. One such optimization problem is topology design of distributed local area networks (DLANs). The problem is defined as a multi-objective optimization problem requiring simultaneous optimization of monetary cost, average network delay, hop count between communicating nodes, and reliability under a set of constraints. This paper presents a multi-objective particle swarm optimization algorithm to efficiently solve the DLAN topology design problem. Fuzzy logic is incorporated in the PSO algorithm to handle the multi-objective nature of the problem. Specifically, a recently proposed fuzzy aggregation operator, namely the unified And-Or operator (Khan and Engelbrecht in Inf. Sci. 177: 2692–2711, 2007), is used to aggregate the objectives. The proposed fuzzy PSO (FPSO) algorithm is empirically evaluated through a preliminary sensitivity analysis of the PSO parameters. FPSO is also compared with fuzzy simulated annealing and fuzzy ant colony optimization algorithms. Results suggest that the fuzzy PSO is a suitable algorithm for solving the DLAN topology design problem.     

A multi-objective mixed-discrete particle swarm optimization with multi-domain diversity preservation

Among population-based optimization algorithms guided by meta-heuristics, Particle Swarm Optimization (PSO) has gained significant popularity in the past two decades, particularly due to its ease of implementation and fast convergence capabilities. This paper seeks to translate the beneficial features of PSO from solving typical continuous single-objective problems to solving multi-objective mixed-discrete problems, which is relatively a new ground for PSO application. The original Mixed-Discrete PSO (MDPSO) algorithm, which included an exclusive diversity preservation technique to significantly mitigate premature particle clustering, has been shown to be a powerful single-objective solver for highly constrained MINLP problems. This papers makes fundamental advancements to MDPSO, enabling it to solve complex multi-objective problems with mixed-discrete design variables. Specifically, in the velocity update equation for any particle, the explorative term is modified to point towards a stochastically selected non-dominated solution at that iteration ? thereby adopting the concept of multi-leader swarms. The fractional domain in the diversity preservation technique, which was previously defined in terms of the best global particle, is now formulated as a function of the extreme members in the set of intermediate Pareto optimal solutions. With this advancement, diversity preservation not only mitigates premature particle stagnation, but also promotes more uniform coverage of the Pareto frontier. The multi-objective MDPSO algorithm is tested using a set of benchmark problems and a wind farm layout optimization problem. To illustrate the competitive benefits of the new MO-MDPSO algorithm, the results are compared with those given by other popular multi-objective solvers such as NSGA-II and SPEA.