基于可进化性的自适应遗传算法

针对传统遗传算法容易陷入局部最优解的问题,提出一个基于可进化性的自适应遗传算法。将个体可进化性作为适应度函数的参数加入到随进化代数动态调整的非线性适应度函数中,动态调整整个种群的交叉与变异概率以逸出局部最优。实验结果表明,该算法可改善适应度不高但具有较好进化能力个体的生存概率,且提高了种群多样性与搜索效率。     

一种基于区域局部搜索的NSGA II算法

针对局部搜索类非支配排序遗传算法 (Nondominated sorting genetic algorithms, NSGA II)计算量大的问题, 提出一种基于区域局部搜索的NSGA II算法(NSGA II based on regional local search, NSGA II-RLS). 首先对当前所有种群进行非支配排序, 根据排序结果获得交界点和稀疏点, 将其定义为交界区域和稀疏区域中心; 其次, 围绕交界点和稀疏点进行局部搜索. 在局部搜索过程中, 同时采用极限优化策略和随机搜索策略以提高解的质量和收敛速度, 并设计自适应参数动态调节局部搜索范围. 通过ZDT和DTLZ系列基准函数对NSGA II-RLS算法进行验证, 并将结果与其他局部搜索类算法进行对比, 实验结果表明NSGA II-RLS算法在较短时间内收敛速度和解的质量方面均优于所对比算法.     

自适应变异遗传算法及其应用

为了改善变异操作在遗传算法中的作用,提出自适应变异遗传算法,其变异操作能根据种群进化代数和个体的适应度值自适应地确定每个个体的变异概率,从而在保留遗传算法当前最优解的同时,维持了群体的多样性,提高了算法的全局搜索能力.与传统遗传算法相比,自适应变异遗传算法的离线性能和在线性能都有较大的改善.本文在实际应用中,将自适应变异遗传算法应用于估计动力学参数取得了较好的结果.     

一种改进的非支配排序遗传算法

提出了一种改进的非支配排序遗传算法。通过扩大第一代种群规模,在初期加速种群的进化;对选择算子引入概率操作来提高种群的多样性;同时引入混合交叉算子,动态调节算法的搜索空间。最后以收敛性和分布性作为性能指标,使用公开的多目标测试函数对其进行测试,并与基本的非支配排序遗传算法和改进的多目标粒子群算法进行比较。实验结果表明,改进后的非支配排序遗传算法在收敛性和分布性两方面均有提升。     

一种求解约束多目标问题的协作进化算法

针对约束多目标进化算法求解约束多目标问题时难以平衡收敛性、多样性和可行性的问题,提出一种协作进化算法(ConMOEA).将自适应形状估计进化算法(AGE-MOEA)和非支配排序遗传算法(NSGA-II)优势融合,采用Deb约束支配原则非支配排序组合种群实现个体优选,在临界层中根据最大拥挤距离或生存值选择所需个体,最终形成新种群,实现种群快速接近Pareto前沿并具有良好分布性.为验证所提出算法的性能,对近期提出的一组DOC基准函数进行仿真计算,采用反世代距离(IGD)和超体积(HV)两个通用评价指标,与NSGA-II-CDP、C-TAEA、PPS、ToP、A-NSGA-III、AGE-MOEA约束多目标算法进行比较分析,实验结果证明ConMOEA具有更优的收敛性和多样性.     

改进非支配排序精英遗传算法的篦冷机参数优化

为优化篦冷机控制参数,提高换热效率,将传热和粘性耗散引起的修正熵产数分别作为目标函数,利用遗传算法对篦冷机参数进行多目标优化.为增加多目标遗传算法的种群多样性,提高算法的局部搜索能力,对传统的非支配排序精英遗传算法(NSGA-Ⅱ)进行部分功能改进.构建多种群、多交叉算子的操作模式,根据子种群对最优解集的贡献量自适应调节子种群规模,利用局部搜索算法提高算法的局部搜索能力.通过标准多目标优化问题验证所提出算法的有效性,并根据优化得到的篦冷机熵产数的最优解集,给出冷却风机功率最小的最优控制方案,通过与生产线的实际数据进行对比验证其优化效果.     

基于DNA遗传算法的CR多载波参数优化

提出了一种基于DNA计算的非支配排序多目标遗传算法(DNA-GA)来对CR多载波传输参数进行优化。该算法通过非支配排序计算个体适应度,结合克隆操作使算法收敛于全局最优,并引入DNA基因级操作,以提高算法的搜索性能,保持种群的多样性。通过在不同服务需求情况下得到的仿真参数结果,证明了DNA-GA可以有效地优化CR传输参数。     

改进梯度算子的小生境遗传算法

为避免小生境遗传算法存在的早熟和收敛速度慢等问题,本文提出了一种改进的梯度算子,以保证进化朝最优解方向前进,提高计算峰值的精度。同时,利用进化代数和个体的适应度值,动态调整个体的交叉算子和变异算子,有效保证种群的多样性,改善全局搜索能力,加快收敛速度。将改进的梯度算子引入到基本小生境遗传算法和自适应小生境遗传算法,通过Shubert函数测试,证明本文改进后的算法与基本小生境遗传算法和自适应小生境遗传算法相比,不仅大大提高了收敛速度,并能搜索到所有全局最优解。     

动态调整子种群个体的差分进化算法

提出一种新的动态调整子种群个体数目的并行差分进化算法。基于种群个体的适应度值,该算法将种群个体分为三个子种群,分别用于全局搜索、局部搜索及二者的结合。在进化过程中,根据不同的搜索阶段自适应动态调整各子种群个体的数目。另外,不同子种群分别采用不同的变异策略,以协调算法的勘探和开采能力。数值实验结果表明该算法具有较好的寻优效果。     

自适应动态重组多目标粒子群优化算法

提出一种自适应动态重组粒子群优化算法. 该算法采用凝聚的层次聚类算法, 将种群分成若干个子群体, 用一个精英集对非支配解进行存储; 根据贡献度和多样性, 对各子群体的粒子和整个种群进行自适应动态重组; 同时引入扰动算子对精英集存储的非支配解进行扰动, 实现对精英集进行动态调整. 利用具有不同特点的测试函数进行验证并与同类算法相比较, 结果表明, 所提出的算法可加快收敛速度, 提高种群的可进化能力.

     

改进NSGA算法求解多目标柔性车间作业调度问题

在多目标柔性车间作业调度问题的研究中,求解算法与多目标处理至关重要。因此,基于非支配排序遗传算法提出了改进遗传算法求解该问题,设计了相应的矩阵编码、交叉算子,改进了非劣前沿分级方法,并提出了基于Pareto等级的自适应变异算子以及精英保留策略。实例计算表明,该算法可以利用传统遗传算法全局搜索能力的同时可以防止早熟现象的发生。改进非劣前沿分级方法可以快速得到Pareto最优解集,进一步减小了计算复杂度,而且可以根据种群的多样性改变变异概率,有利于保持种群多样性、发掘潜力个体。     

A preference multi-objective optimization based on adaptive rank clone and differential evolution

Evolutionary multi-objective optimization (EMO) algorithms have been used in various real-world applications. However, most of the Pareto domination based multi-objective optimization evolutionary algorithms are not suitable for many-objective optimization. Recently, EMO algorithm incorporated decision maker’s preferences became a new trend for solving many-objective problems and showed a good performance. In this paper, we first use a new selection scheme and an adaptive rank based clone scheme to exploit the dynamic information of the online antibody population. Moreover, a special differential evolution (DE) scheme is combined with directional information by selecting parents for the DE calculation according to the ranks of individuals within a population. So the dominated solutions can learn the information of the non-dominated ones by using directional information. The proposed method has been extensively compared with two-archive algorithm, light beam search non-dominated sorting genetic algorithm II and preference rank immune memory clone selection algorithm over several benchmark multi-objective optimization problems with from two to ten objectives. The experimental results indicate that the proposed algorithm achieves competitive results.     

一种快速的双目标非支配排序算法

提出一种快速的双目标非支配排序算法(BNSA)。设计了前向比较操作,以便快速识别非支配个体。提出了按需排序策略,避免生成多余的非支配前沿。论证BNSA算法的正确性,分析其时间复杂度为O(NlogN)。在9个标准的双目标优化测试问题上进行了比较实验。实验结果表明与其它3种非支配排序算法相比,BNSA算法在大多数测试问题上具有更快速的性能。当进化代数超过400代时,BNSA在所有的测试问题上都具有最好的加速效果。此外,BNSA算法简明、易于编程实现,可集成到任何基于非支配排序的多目标进化算法中,能较大程度地提高双目标优化的运行速度。     

基于改进NSGA-Ⅱ算法的开关磁阻电机再生制动优化控制方法

针对采用传统优化算法优化开关磁阻电机再生制动控制参数存在制动能量回馈效率低及制动转矩脉动系数大的问题,提出一种基于渐近约束支配法则的双目标非支配排序遗传算法。首先针对传统双目标非支配排序遗传算法优化开关磁阻电机再生制动控制参数时存在易陷入局部最优解等不足,提出一种渐近约束支配法则,再将基于渐近约束支配法则的双目标非支配排序遗传算法应用于开关磁阻电机再生制动控制参数的优化,并对其效果进行了仿真验证,同时与传统双目标非支配排序遗传算法进行了对比分析,结果表明:基于渐近约束支配法则的双目标非支配排序遗传算法不仅有效解决了易陷入局部最优解的问题,而且显著提高了开关磁阻电机再生制动效率并降低了其转矩脉动系数,取得了满意的优化效果。     

An efficient non-dominated sorting method for evolutionary algorithms

We present a new non-dominated sorting algorithm to generate the non-dominated fronts in multi-objective optimization with evolutionary algorithms, particularly the NSGA-II. The non-dominated sorting algorithm used by NSGA-II has a time complexity of O(MN(2)) in generating non-dominated fronts in one generation (iteration) for a population size N and M objective functions. Since generating non-dominated fronts takes the majority of total computational time (excluding the cost of fitness evaluations) of NSGA-II, making this algorithm faster will significantly improve the overall efficiency of NSGA-II and other genetic algorithms using non-dominated sorting. The new non-dominated sorting algorithm proposed in this study reduces the number of redundant comparisons existing in the algorithm of NSGA-II by recording the dominance information among solutions from their first comparisons. By utilizing a new data structure called the dominance tree and the divide-and-conquer mechanism, the new algorithm is faster than NSGA-II for different numbers of objective functions. Although the number of solution comparisons by the proposed algorithm is close to that of NSGA-II when the number of objectives becomes large, the total computational time shows that the proposed algorithm still has better efficiency because of the adoption of the dominance tree structure and the divide-and-conquer mechanism.     

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。     

社交网络中基于代言人价值排序算法的移动优惠券投放决策

为了在社交网络中选择高价值代言人以达到尽可能好的移动优惠券投放效果,首先,根据粉丝数量和活跃状态对代言人社会传播能力进行建模,并利用移动优惠券类型的偏好程度和移动优惠券转发率对代言人个体分享意愿进行建模;然后,基于社会传播能力和个体分享意愿提出代言人价值的概念,设计代言人价值排序算法(endorser value rank algorithm);接着,在考虑代言人价值的基础上,针对企业利润和代言人收益最大化的多目标优化问题,建立移动优惠券投放模型,并设计基于遗传算法的HFNSGA算法,据此实现社交网络中基于代言人价值的移动优惠券投放;最后,通过在GitHub上的真实用户数据集对EVRank算法进行实验.实验结果表明,EVRank算法在准确率和匹配率上均优于其他相关算法,同时,算例分析表明,HFNSGA算法不仅可有效地求解高维多目标优化问题,且其解集有较好的分布性和均匀性,能够有效指导企业进行移动优惠券投放决策.     

随机扰动不同种群变异策略的多目标进化算法

为了提高多目标优化问题非支配解集的收敛性和多样性,解决算法后期易陷入局部最优的问题,根据不同差分进化策略特点,添加随机扰动,基于改进切比雪夫机制提出了一种自适应差分进化策略的分解多目标进化算法（MOEA/D-ADE-levy）。首先使用混合水平正交实验产生均匀权重向量并应用于改进切比雪夫机制分解子问题得到均匀分布的初始种群;其次将种群分为优秀个体、中间个体和较差个体,对不同个体采用不同的变异策略,对变异因子F和交叉概率CR采用自适应机制,提高非支配解集的收敛性和多样性;最后对陷入局部最优的解集增加levy随机扰动,增大其全局搜索的能力,跳出局部最优。采用DTLZ测试函数验证算法有效性,将所提算法与NSGA2、NSGA3、MOEA\D、MOEA\D-DE等常用算法进行比较,使用GD和IGD评价指标对算法进行多样性和收敛性分析,实验结果表明,该算法在收敛性和多样性方面得到了改进与提高,能得到更优的Pareto解集。