均衡分布性和收敛性的多目标粒子群优化方法

粒子群优化（PSO）算法是一种基于群体演化且非常有效的求解多目标优化问题的方法,但因经典算法中粒子进化存在趋同性导致算法易陷入局部Pareto最优前沿,使得解集收敛性和分布性不理想。为此提出了一种均衡分布性和收敛性的多目标粒子群优化（DWMOPSO）算法,算法中每个粒子根据自身在进化过程中记忆的个体最好适应度值构建进化速度,由进化速度的快慢动态调整各粒子惯性权重,增加粒子的多样性,从而提高粒子跳出局部最优解的概率。通过在5个标准测试函数上进行仿真实验,结果表明,与Coello的多目标粒子群优化(MOPSO)算法相比,DWMOPSO算法获得的解集在与真实解集的逼近性和解集的分布性两个方面都有了很大的提高。     

一种分阶段的改进多目标粒子群优化算法

在多目标优化问题求解上,粒子群优化算法存在所得最优解集精度不足、分布不够均匀的缺点,针对上述问题,提出了一种多种群分阶段的多目标粒子群优化算法.算法对外部档案个体采取多种算子进行处理以提高解集的收敛精度,引入简化粒子群优化模型使算法更适应多目标优化问题的求解,通过分阶段选取领导个体以及分阶段采取不同策略对非支配解集进行维护以维持解分布均匀性的同时提高收敛速度,重点改善高维多目标优化问题的解集分布均匀性.实验结果表明,改进算法所得的非支配解集具有更好的分布均匀性和收敛精度.     

求多目标优化问题的粒子群优化算法

将粒子群优化算法应用于求解多目标优化问题,提出一种双向搜索机制,指导粒子向着搜索空间中非劣目标区域以及粒子分布最为稀疏的区域这两个方向进行寻优,进而提出了求解多目标优化问题的基于粒子群优化算法的双向搜索法,该算法对粒子全局最优经验的选择策略以及粒子群的状态更新机制进行了改进。实验研究表明,该算法不仅能快速有效地获得多目标优化问题的非劣最优解集,而且求出的解集具有良好的分布性。     

基于直觉模糊支配的混合多目标粒子群算法

为提高求解多目标优化问题的精确性和解集分布的均匀性,提出了一种基于直觉模糊支配的混合粒子群算法。通过引入种群全局目标值标量参数、直觉模糊隶属度和排序方法,定义一种新的最优解支配关系;采用基于模拟退火的Meta-Lamarckian局部学习策略,结合粒子群算法,以避免算法陷入局部最优和早熟;此外,定义种群同构因子来衡量种群多样性,以自适应调节惯性权重和加速因子;提出一种递减扰动策略对粒子飞行速度进行扰动;最后,与多种经典多目标优化算法进行仿真测试比较,结果表明该算法在求解精度、解集分布均匀性上具有明显优势。     

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Map-Reduce模型的云资源调度方法研究

为提高Map-Reduce模型资源调度问题的求解效能,分别考虑Map和Reduce阶段的调度过程,建立带服务质量(QoS)约束的多目标资源调度模型,并提出用于模型求解的混沌多目标粒子群算法。算法采用信息熵理论来维护非支配解集,以保持解的多样性和分布均匀性;在利用Sigma方法实现快速收敛的基础上,引入混沌扰动机制,以提高种群多样性和算法全局寻优能力,避免算法陷入局部最优。实验表明,算法求解所需的迭代次数少,得到的非支配解分布均匀。Map-Reduce资源调度问题的求解过程中,在收敛性和解集的多样性方面,所提算法均明显优于传统多目标粒子群算法。     

基于参考点的高维多目标粒子群算法

高维多目标优化问题一般指目标个数为4个 或以上时的多目标优化问题.由于种群中非支配解数量随着目标数量的增加而急剧增多,导致进化算法的进化压力严重降低,求解效率低.针对该问题,提出一种基于粒子群的高维多目标问题求解方法,在目标空间中引入一系列的参考点,根据参考点筛选出能兼顾多样性和收敛性的非支配解作为粒子的全局最优,以增大选择压力.同时,提出了基于参考点的外部档案维护策略,以保持最后所得解集的多样性.在标准测试函数DTLZ2上的仿真结果表明,所提方法在求解高维多目标问题时能够得到收敛性和分布性都较好的解集.     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

基于侧步爬山策略的混合多目标粒子群算法研究

为提高多目标粒子群算法(MOPSO)的收敛性与解集多样性,提出一种基于侧步爬山策略的混合多目标粒子群算法(H-MOPSO).通过建立局部搜索与粒子群优化的混合模型,在该模型中后期引入基于侧步爬山策略的局部搜索,周期性代替粒子群搜索并优化混合参数,使粒子根据距离前沿的远近朝下降或非支配方向搜索,加快粒子群收敛并改善其分布.同时采用非均匀变异算子和线性递减的惯性权重策略,避免算法早熟.通过标准测试函数的对比实验表明,该算法整体上比MOPSO、NSGA-II和MOEA/D具有更好的多样性与收敛性.     

基于混合细菌觅食算法的多目标优化方法

针对多目标优化求解过程中多个目标相互制约难以求解的特点,为了提高多目标优化问题的求解速度和精度,并保持最优解的多样性,提出了一种用粒子群改进的混合细菌觅食多目标优化算法。将粒子群算法的寻优更新机制作为细菌觅食算法中趋向性操作的更新机制,将所求得非劣解的拥挤度作为寻优迭代过程中最优值的选取条件。与细菌觅食算法和NS-GA-Ⅱ算法的仿真结果表明,在对多目标测试函数ZDT1～ZDT4和ZDT6的求解过程中,该算法不仅能提高精度和快速地得到Pareto解集,并能有效地保持所求最优解的多样性。     

Multi-objective and multi-level image thresholding based on dominance and diversity criteria

The Kapur and Otsu methods are widely used image thresholding approaches and they are very efficient in bi-level thresholding applications. Evolutionary algorithms have been developed to extend the Kapur and Otsu methods to the multi-level thresholding case. However, there remains an unsolved argument that neither Kapur nor Otsu objective can optimally fit diverse content contained in different kinds of images. This paper proposes a multi-objective model which seeks to find the Pareto-optimal set with respect to Kapur and Otsu objectives. Based on dominance and diversity criteria, we developed a hybrid multi-objective particle swarm optimization (MOPSO) method by incorporating several intelligent search strategies. The ensemble strategy is also applied to automatically select the best search strategy to perform at various algorithm stages according to its historic performances. The experimental result shows that the solutions to our multi-objective model consistently produce equal or better segmentation results than those by the optimal solutions to the original Kapur and Otsu models, and that the proposed hybrid algorithm with and without the ensemble strategy produces a better approximation to the ideal Pareto front than those obtained by two other MOPSO variants and the MOEA/D. In comparison with the most recent multilevel thresholding methods, our approach also consistently obtains better performance in the segmentation result for several benchmark images.     

Multi-objective evolutionary approach to prevent premature convergence in Monte Carlo localization

In this paper, we propose a global localization algorithm for mobile robots based on Monte Carlo localization (MCL), which employs multi-objective particle swarm optimization (MOPSO) incorporating a novel archiving strategy, to deal with the premature convergence problem in global localization in highly symmetrical environments. Under three proposed rules, premature convergence occurring during the localization can be easily detected so that the proposed MOPSO is introduced to obtain a uniformly distributed Pareto front based on two objective functions respectively representing weights and distribution of particles in MCL. On the basis of the derived Pareto front, MCL is able to resample particles with balanced weights as well as diverse distribution of the population. As a consequence, the proposed approach provides better diversity for particles to explore the environment, while simultaneously maintaining good convergence to achieve a successful global localization. Simulations have confirmed that the proposed approach can significantly improve global localization performance in terms of success rate and computational time in highly symmetrical environments.     

Multiobjective particle swarm optimization with nondominated local and global sets

In multiobjective particle swarm optimization (MOPSO) methods, selecting the local best and the global best for each particle of the population has a great impact on the convergence and diversity of solutions, especially when optimizing problems with high number of objectives. This paper presents an approach using two sets of nondominated solutions. The ability of the proposed approach to detect the true Pareto optimal solutions and capture the shape of the Pareto front is evaluated through experiments on well-known non-trivial multiobjective test problems as well as the real-life electric power dispatch problem. The diversity of the nondominated solutions obtained is demonstrated through different measures. The proposed approach has been assessed through a comparative study with the reported results in the literature.     

基于多目标粒子群算法的混合流水车间调度方法研究

混合流水车间调度问题HFSP是一种具有很强应用背景的生产调度问题。本文给出了一种HFSP多目标调度模型,提出了一种针对该类问题的多目标粒子群算法。该算法采用基于Pareto支配关系的极值更新策略;采取对自适应惯性权重递减和对种群变异的方法以保持种群多样性;设置Pareto解池保存计算中出现的Pareto最优解,并提出了一种基于适应度拥挤度的聚类算法优化解的分布特性。实验结果表明,本文算法是求解HFSP问题的一种有效方法。     

NSGA-Ⅱ算法的改进策略研究

带精英策略的非支配排序遗传算法(NSGA-Ⅱ)在多目标优化领域具有广泛的应用,但该算法种群收敛分布不均匀,全局搜索能力较弱,算法运行速度较慢。针对这些局限性提出了改进的排序适应度策略、算术交叉算子策略、按需分层策略和设定阈值选择策略。在典型的测试函数集上的数值实验结果表明,根据这些策略改进的算法得到的非劣解集具有较好的分布性,同时收敛速度更快。     

混合多目标粒子群优化算法在热精轧负荷分配优化中的应用

通过对热精轧负荷分配过程的分析,选取负荷均衡、板形良好和轧制功率最低为目标,建立了热精轧负荷分配多目标优化模型.为了提高多目标优化算法解集的分布性和收敛性,提出了一种混合多目标粒子群优化算法(HMOPSO),该算法根据Pareto支配关系得到Pareto前沿进而保证种群收敛;采用分解策略维护外部存档,该策略首先根据Pareto前沿求出上界点对目标空间进行归一化处理,然后对种群进行分区处理进而保证种群的分布性能.仿真结果表明,HMOPSO的收敛性和分布性都好于MOPSO和d MOPSO;采用模糊多属性决策的方法从Pareto最优解集中选择一个Pareto最优解,通过与经验负荷分配方法相比,表明该Pareto最优解可以使轧制方案更加合理.     

局部搜索与改进MOPSO的混合优化算法及其应用

为弥补粒子群后期收敛缓慢与早熟的不足,提出了一种局部搜索与改进MOPSO的混合优化算法(H-MOP- SO)。该算法首先采用非均匀变异算子和自适应惯性权重,强化全局搜索能力;继而建立混合算法模型,并利用侧步 爬山搜索算法对粒子群作周期性优化,使远离前沿的粒子朝下降方向搜索,而靠近前沿的粒子朝非支配方向搜索,加 快粒子群的收敛并改善解集多样性。对标准测试函数的求解表明,该算法比MOPSO, NSGA-II和MOEA/D具有更 好的多样性和收敛性。供应商优选问题的求解进一步验证了H-MOPSO的有效性。     

改进的约束多目标粒子群算法

在约束优化问题搜索空间分析的基础上提出了一种改进的约束多目标粒子群算法（CMOPSO）。提出一种动态ε不可行度许可约束支配关系作为主要约束的处理方法,提高了算法的边缘搜索能力和跨越非联通可行区域的能力。设计了一种新的密集距离度量方法用于外部档案维护,提高了算法的效率;提出了新的全局向导选取策略,使算法获得了更好的收敛性和多样性。数值仿真实验结果表明约束多目标粒子群算法算法可得到分布性、均匀性及逼近性都较好的Pareto最优解。     

一种用于多目标优化的混合粒子群优化算法

将粒子群算法与局部优化方法相结合,提出了一种混合粒子群多目标优化算法（HMOPSO）。该算法针对粒子群局部优化性能较差的缺点,引入多目标线搜索与粒子群算法相结合的策略,以增强粒子群算法的局部搜索能力。HMOPSO首先运行PSO算法,得到近似的Pareto最优解;然后启动多目标线搜索,发挥传统数值优化算法的优势,对其进行进一步的优化。数值实验表明,HMOPSO具有良好的全局优化性能和较强的局部搜索能力,同时HMOPSO所得的非劣解集在分散性、错误率和逼近程度等量化指标上优于MOPSO。     

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.