一种改进的多目标蚁群优化算法

提出了一种改进的多目标优化问题的蚁群算法.算法选择进化算法的定义的时候,种群中一定数量的个体信息来源作为中心的扩散,多个中心点之间有一定的距离;群体中的其他个体按照离源个体最近的距离的原则归属于其中一个信息素扩散源;按照信息素扩散算法,每一信息素扩散源中的个体获得源于中心点的信息素;保留每一代群体中的中心点到下一代种群中,确保了收敛性和维护种群的多样性.最后利用多目标背包问题来测试算法的性能,并与MOA和NSGA-II算法进行了分析比较.结果表明,该搜索效率高,向真实Pareto前沿逼近效果好,得到传播的多种解决方案,是一个多目标优化问题的解决和有效的方法.     

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.     

用多目标进化算法搜索MOPs的鲁棒Pareto最优解

 搜索鲁棒Pareto最优解是多目标进化算法(MOEA)研究的一个重要方面.目前,优化"原目标函数"的传统MOEA与基于"有效目标函数"的MOEA (Eff-MOEA)在搜索鲁棒Pareto最优解时都易丢失某些性质的解.为解决这一缺陷,本文定义了一种新的鲁棒Pareto最优解,提出了一种新的搜索鲁棒Pareto最优解的MOEA(MOEA/R),MOEA/R将多目标鲁棒优化问题(MROP)转化成两目标问题来优化,一个目标为解的质量,另一个目标为解的鲁棒性,每一目标均对应一子优化问题.通过与NSGA-Ⅱ及Eff-MOEA的对比分析,结果表明MOEA/R的结果较好,更重要的是本文探索了一种新的搜索鲁棒Pareto最优解的思想.     

基于自适应截断策略的约束多目标优化算法

为提高约束多目标优化问题所求解集的分布性和收敛性,该文提出基于自适应截断策略的约束多目标优化算法。首先,自适应截断选择策略能够保留Pareto最优解和约束违反度及目标函数值均较优的不可行解,不仅提高了种群多样性,而且能够较好地兼顾多样性和收敛性;其次,为增强算法的局部开发能力,在变异操作和交叉操作之后进行指数变异;最后,改进的拥挤密度估计方式只选择一部分Pareto最优解和距离较近的个体参与计算,不仅更加准确地反映解集的分布性,而且降低了计算量。通过在标准测试问题(CTP系列)上与其他4种优秀算法的对比结果可以得出,该算法所求解集的分布性和收敛性均得到一定提高,而且相较于对比算法在求解性能上具备一定的优势。     

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。     

基于合作模型的协同免疫多目标优化算法

本文针对多目标优化问题Pareto最优解集合(PS)的分布特点,构造了一种基于新的子任务划分方法的合作型协同进化模型,并将该模型引入人工免疫系统中,提出了一种基于合作模型的协同免疫多目标优化算法(A Cooperative Immune Coevolutionary Algorithm for Multiobjective Optimization,CICAMO).CICAMO算法运用Tchebycheff分解方法进行子种群划分,然后对各个子种群建立线性概率统计模型分段逼近整个PS,在抗体繁殖上结合了克隆选择和模型采样两种方式.实验结果表明,CICAMO算法在求解质量和收敛速度上均表现良好,尤其对于决策变量非线性相关的多目标优化问题,性能尤为突出.     

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.     

关于如何用角度信息引入决策者偏好的研究

在实际的多目标优化中,决策者通常只对少部分的Pareto最优解感兴趣。然而,传统多目标优化算法关注整个Pareto最优面上的解集,这不仅需要花费大量计算时间在无用解的搜索上,同时决策者也很难从众多解中选出符合自己偏好的解（特别是问题目标个数大于3时）。为此,本文提出了一种利用个体间的角度关系的偏好多目标进化算法。该方法通过重新定义个体间的支配关系和聚集距离使那些离决策者偏好区域越近的个体优先被保留下来,从而引导种群趋近于决策者的偏好区域。     

基于重新匹配策略的ε约束多目标分解优化算法

针对MOEA/D算法中权重向量与个体分配不合理,导致种群多样性降低的问题,提出基于重新匹配策略的ε约束多目标分解优化算法.首先,对Tchebycheff分解策略进行理论分析,推导出关于多样性和收敛性的定理,从而为研究MOEA/D算法奠定理论基础.其次,为有效解决由于随机为权重向量分配个体造成种群多样性降低的问题,提出权重向量和个体间的重新匹配策略,合理地为权重向量分配个体,改善种群多样性.最后,提出的个体比较准则较好地兼顾多样性和收敛性,提高了算法的约束多目标优化性能.通过与5种优秀算法的对比实验结果表明,该文算法所求得的近似Pareto最优解集的分布性和收敛性均得到一定提高,相比于对比算法具有一定的优势.     

基于IMOPSO算法的多目标多聚焦图像融合

目前的多聚焦图像融合方法对于融合模型的建立主要依赖于经验,其参数配置存在主观性.提出了一种基于IMOPSO算法的多目标多聚焦图像融合方法,简化了多聚焦图像融合模型,克服了参数配置对经验的依赖性.首先给出了多聚焦图像融合有效的评价指标,然后构造了统一的小波域多聚焦图像融合模型,最后以模型参数作为决策变量,采用IMOPSO算法进行多目标优化搜索.IMOPSO算法不但引入变异算子以避免早熟,而且引入拥挤算子,使Pareto优解尽可能均匀分布于Pareto前端,并采用一种新的自适应惯性权重提高寻优能力.实验结果表明,IMOPSO算法具有更快的收敛速度和更好的寻优能力,同时基于该算法的融合方法也实现了Pareto最优多聚焦图像融合.     

基于权值向量的偏好多目标优化方法

偏好多目标优化方法是多目标优化领域的一个重要分支,其主要目的是仅搜索Pareto前沿面上部分区域内决策者感兴趣的解.基于MOEA/D算法根据预先设定的均匀分布的权值向量搜索Pareto最优前沿面的思想,本文提出了一种基于权值向量的偏好多目标优化方法,该方法通过引入具有偏好信息的权值向量,使算法仅搜索偏好点附近的解.仿真实验结果表明,与现有偏好多目标优化算法相比,本文方法具有支持多偏好点、偏好区域大小可控、偏好点位置无特别要求及偏好解具有更好收敛性的优势.     

基于生态种群捕获竞争模型的多目标Memetic优化算法

本文针对复杂多目标优化问题Pareto前沿搜索难度大的特点,设计了一种结合多种群间捕获竞争、强化学习机制的多种群Memetic学习策略与进化计算模型.受种群进化、捕食种群与被捕食群体间的竞争等生态学原理的启发,提出了一种基于生态种群捕获竞争模型的多目标Memetic优化算法(Multi-Objective Memetic Algorithm based on Ecological Population Preying-competition Model,ECPM-MOMA).ECPM-MOMA算法设计并运用了捕获竞争、强化学习算子进行全局搜索,在种群进化过程中结合了Memetic搜索算子进行局部搜索.理论分析与实验结果表明,本文所提出的算法具有良好的收敛性能和分布特征,生态种群捕获竞争策略与进化计算模型对于解决复杂多目标优化问题是有效的.     

多目标优化问题的遗传算法改进研究

基于Nash均衡的思想在NSGA所求得的Pareto最优解基础上,探讨一种能对多目标优化问题进行求解的遗传算法。采用Nash均衡的思想在多目标优化的遗传算法,结合NSGA算法,提出一种能得到多个Pareto最优解的多目标优化算法。通过目标函数线性加权法、NSGA对函数进行了试验分析,对部分自变量进行固定,对其他的自变量进行优化,对Pareto最优解进行持续优化,进而实现加速算法的收敛,从实验中得出了这种算法具有较快的收敛性,但是其运行时间和NSGA相比没有多少改善。     

基于极坐标变换的改进NSGA-II算法

在实际工程中存在着大量的多目标优化问题,而由于大部分多目标优化问题有无穷多个最优解,且传统的数学方法如梯度下降法和牛顿法,无法求解一些不可微或表达式过于复杂的多目标优化问题。为避免以上局限,NSGA-II作为求解多目标优化问题的代表算法被提出,但NSGA-II算法仍存在着一些不足,如变异算子功能过于简单,降低了Pareto最优解的多样性。为增加Pareto最优解的多样性,文中设计了一种基于极坐标变换的改进NSGA-II算法,该算法可使得Pareto最优解分布更加均匀,并最终通过标准的测试函数验证了算法的有效性。     

改进的多目标粒子群算法优化设计及应用

针对粒子群算法存在易陷入局部最优点的缺点,提出了一种改进的带变异算子的多目标粒子群优化算法。采用非支配排序策略和动态加权法选择最优粒子,引导种群飞行,提高帕累托(Pareto)最优解的多样性。与其他优化算法相比,该算法易于实现并且计算速度更快。通过计算Pareto前沿最优解设计最佳多层电磁吸收体,在吸收体的厚度与反射系数之间取得最佳折衷。通过对反射系数函数与吸收体厚度函数测试验证,该算法能够在保持优化解多样性的同时具有较好的收敛性。     

一种增强型多目标烟花爆炸优化算法

现实中多目标优化问题的多样化和复杂化要求发展新的多目标优化算法.在混合多目标进化算法设计思想和新型进化模型的启发下,提出一种增强型多目标烟花爆炸算法eMOFEOA,该算法利用均匀化与随机化相结合的方法生成均匀分布的初始种群,为算法后续搜索提供较好的起始点;对烟花爆炸半径采用精细化控制策略,即不同世代的种群具有不同的爆炸半径,而且同一种群内部因个体支配强度的差异而具有不同的爆炸半径,以节省计算资源;利用简化的k-最近邻方法维持外部档案的多样性.本文算法与另5种对等比较算法一同在12个基准多目标测试函数上进行性能比较,实验结果表明eMOFEOA算法在收敛性、多样性和稳定性上具有总体上显著的性能优势.     

一种基于边缘分布估计的多目标优化算法

该文提出了一种基于边缘分布估计的多目标优化算法,通过在每一进化代中估计较优个体的边缘概率分布来引导算法对Pareto最优解的搜索。通过与基于拥挤机制的多样性保持技术、基于非支配排序的联赛选择、精英保留等技术的有机结合,使得算法在具有良好收敛性能的同时,具有很好的维持群体多样性的能力。通过一组典型测试函数实验对该算法的性能进行了分析,并与NSGA-II、SPEA、PAES等知名多目标优化算法进行了比较,结果表明该文算法收敛速度较快,且得到的非支配解集分布均匀,适合于复杂多目标优化问题的求解。