基于自适应学习的多目标粒子群优化算法

将进化算法应用于某些多目标优化问题时,采用增加种群规模和进化代数的方法往往耗费大量的目标函数计算开销,且达不到提高种群进化效率的目的,为此提出了一种基于自适应学习最优搜索方向的多目标粒子群优化算法。采用自适应惯性权值平衡算法的全局和局部搜索能力,采用聚类排挤方法保持Pareto非支配解集的分布均匀性,使用最近邻学习方法为每个粒子在Pareto非支配解集中寻找一个最优飞行目标来提高其收敛速度并保持粒子群搜索方向的多样性。实验结果表明,提出的算法可在显著地降低函数评估成本的前提下实现快速的搜索,并使粒子群均匀地逼近Pareto最优面。     

基于人工免疫系统的多目标函数优化

为克服传统遗传算法退化和早熟等缺点,同时降低优化算法的复杂度,提出基于人工免疫系统（Artificial Immune System, AIS）实现无约束多目标函数的优化。使用随机权重法和自适应权重法计算种群个体的适应值,使Pareto最优解均匀分布的同时,加快算法的收敛;通过引入人工免疫系统的三个基本算子：克隆、超变异和消亡,保持种群的多样性;在进化种群外设立Pareto 解集,保存历代的近似最优解。使用了两个典型的多目标检测函数验证了该算法的有效性。优化结果表明,基于AIS的多目标优化算法可使进化种群迅速收敛到Pareto前沿,并能均匀分布,是实现多目标函数优化的有效方法。     

高效求解Pareto最优前沿的多目标进化算法

设计了一种新的求解均匀分布的Pareto最优解集的多目标进化算法(MOEA),其主要的特点是使用了一种新的个体适应值的计算方式,方法是通过群体中某一个体与群体的最优非劣解集的最小距离来刻画个体的适应值的.算法还结合了遗传算法中的精英策略以及NSGA-Ⅱ中的拥挤距离[12],提高了非劣解向Pareto最优前沿收敛的速度,并且保证了Pareto 最优解集的多样性.仿真结果表明,算法不仅能够获得分布良好的Pareto最优前沿,而且能够极大地简化计算,减少了算法的运行时间,其计算复杂度为o(mn2)(m表示的是目标函数的个数,n是种群的规模).     

基于密集度的搅动多目标演化算法

多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域.定义和使用密集度来保持群体中个体的均匀分布,将个体的Pareto强度值和密集度合并到个体的适应值定义中.提出搅动策略,以提高算法对解空间的遍历性,从而较大程度上避免算法的早熟,对每次搅动得到的部分非劣解个体进行邻域搜索以加快非劣解前沿的进化.最后,测试函数的实验结果表明了算法的可行性和有效性.     

基于云模型的NSGA-Ⅱ算法改进

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.提出一种基于云模型的改进NSGA-Ⅱ算法,利用正态云模型云滴的随机性和稳定倾向性特点,分别对交叉、变异、拥挤距离算子进行改进.使算法既具有传统的趋势性和满足快速寻优能力,又具有随机性.在提高收敛速度与保持种群多样性之间做了个很好的权衡.通过求解多目标背包问题,对本文算法的多目标优化性能进行了考察,并与NSGA-Ⅱ算法进行比较,结果表明本文算法在整个解空间内能快速搜索到Pareto最优解,使搜索到的Pareto最优解在前沿均匀分布.     

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

基于正交设计的动态多目标优化算法

提出了一种基于正交设计的动态多目标优化算法（ODMOA）,当环境变化时通过分析动态多目标优化问题的特点,利用历史信息对新环境下的Pareto最优解集进行预测,得到一个新的预测种群;否则在静态环境下使用正交试验法在解空间内进行系统且高效的搜索,使算法能够在当前环境下快速收敛到最优解。进行了多组对比试验,验证了该算法的有效性。     

自适应迁移预测的动态多目标差分演化算法

针对动态多目标优化环境下寻找并跟踪变化的Pareto最优前沿和Pareto最优解集的难题,提出两个策略：自适应迁移策略和预测策略。自适应迁移策略是根据环境的变化自适应地插入迁移个体来提高算法种群的多样性,从而提高算法对动态环境的适应能力。预测策略是通过时间序列并加上一定的扰动来产生预测种群,来预测环境变化之后的Pareto最优解集,以达到对其快速跟踪的目的。通过两个策略在多目标差分演化算法上的应用来解决动态多目标优化问题。实验过程中,通过平均最优解集分布均匀度和平均决策空间世代距离等指标表明,基于自适应迁移策略和预测策略的多目标差分演化算法能够很好适应变化的环境,并能够快速找到Pareto最优解集。     

多目标资源优化分配问题的Memetic 算法

针对传统算法求解多目标资源优化分配问题收敛慢、Pareto解不能有效分布在Pareto 前沿面的问题, 提出一种新的Memetic 算法. 在遗传算法的交叉算子中引入模拟退火算法, 加强了遗传算法的局部搜索能力, 加快了收敛速度. 为了使Pareto 最优解均匀分布在Pareto 前沿面, 在染色体编码中引入禁忌表, 增加了种群的多样性, 避免了传统遗传算法后期Pareto 解集过于集中的缺点. 通过与已有的遗传算法、蚁群算法、粒子群算法进行比较, 仿真实验表明了所提出算法的有效性, 并分析了禁忌表长度和模拟退火参数对算法收敛性的影响.

     

求解多目标优化问题的自适应粒子群算法

提出了一种基于自适应惯性权重的多目标粒子群优化算法AWMOPSO,采用新的适应值分配机制,在搜索过程中根据粒子的适应值对粒子进行分类,动态调整粒子的惯性权重以控制粒子的开发和探索能力。用外部精英集保存非支配解,并通过拥挤距离维持解的多样性。引入精英迁移和局部扰动策略,提高收敛的速度和精度。典型的测试函数的计算结果表明了算法能够快速逼近Pareto最优前沿,是求解多目标优化问题的有效方法。     

蛙跳优化算法求解多目标无等待流水线调度

提出了基于Pareto边界和档案集的改进蛙跳算法,解决以最大完工时间、最大拖后时间和总流经时间为目标值的无等待流水线调度问题．首先,采用NEH（Nawaz—Enscore—Ham）启发式与随机解相结合的初始化方法,保证了初始群体的质量和分布性;其次,采用两点交叉方法生成新解,使蛙跳算法能够直接用于解决调度问题;再次,利用非支配解集动态更新群体,改善了群体的质量和多样性;最后,将基于插入邻域的快速局部搜索算法嵌入到蛙跳算法中,增强了算法的开发能力和效率．仿真试验表明了所得蛙跳算法的有效性和高效性．     

一种基于云模型的多目标进化算法

在多目标进化算法的基础上,提出了一种基于云模型的多目标进化算法(CMOEA).算法设计了一种新的变异算子来自适应地调整变异概率,使得算法具有良好的局部搜索能力.算法采用小生境技术,其半径按X条件云发生器非线性动态地调整以便于保持解的多样性,同时动态计算个体的拥挤距离并采用云模型参数来估计个体的拥挤度,逐个删除种群中超出的非劣解以保持解的分布性.将该算法用于多目标0/1背包问题来测试CMOEA的性能,并与目前最流行且有效的多目标进化算法NSGA-II及SPEA2进行了比较.结果表明,CMOEA具有良好的搜索性能,并能很好地维持种群的多样性,快速收敛到Pareto前沿,所获得的Pareto最优解集具有更好的收敛性与分布性.     

基于精英进化导向的多目标PID参数优化

在多目标优化问题中,决策者必须对Pareto前沿的众多非劣解做出选择.本文将决策偏好融入Pareto优化过程,提出一种基于精英导向机制的多目标遗传算法,根据决策偏好选择Pareto最优解为精英,利用无损有限精度法和归一增量距离保持种群多样性,通过多种群进化机制将决策偏好的影响传播到整个种群.该方法成功应用于自动导引车(AGV)伺服系统的PID参数优化,可根据决策偏好快速有效地定向搜索Pareto最优解,保证伺服控制达到路径跟踪要求的速度响应性能.     

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.     

基于免疫应答原理的多目标优化免疫算法及其应用

基于免疫应答原理，合理地构建免疫算子及引入一种新的小生境技术, 提出一种 解决多目标优化问题的免疫算法. 在此算法中，将优化问题的可行解对应抗体及Pareto最优个体对应抗原，这种抗原存于抗原群中,并应用新的聚类算法不断更新抗原群中的抗原, 进而获大量的Pareto最优解, 这些解能很好地分布在Pareto面（此指由Pareto最优解构成）上. 理论证明了该算法能获Pareto最优解. 最后，将该文的算法与文献\[3\]的算法SPEA进行仿真比较, 获该算法的有效性, 此表明免疫算法解决多目标优化问题具有广阔的前景.     

一种基于输运理论的多目标演化算法

提出了一种根据输运理论中的粒子输运方程、相空间能量定律和熵增法则构造的一种能够准确、高效地求解多目标优化问题的多目标演化算法(MOPEA).由于该算法使用了粒子系统从非平衡达到平衡的理论来定义求解多目标问题的Rank函数和Niche适应值函数,使得种群中的所有个体都有机会参与演化操作,以达到快速、均匀地求出多目标优化问题的Pareto最优解.数据实验显示,利用该算法求解多目标优化问题不仅能够使算法快速地收敛到全局Pareto前沿,同时由于该算法要求所有的粒子都要参与杂交和变异等演化操作,从而避免问题早熟现象的出现,并通过与传统演化算法的性能指标分析比较说明,使用该算法求解多目标优化问题具有明显的优越性.     

一种基于群智能的快速多目标优化算法

粒子群优化算法是一种典型的仿真群智能的算法。探讨了利用粒子群算法求解多目标优化问题,为了提高算法速度,采用了几何Pareto选择算法作为文档算法,用多方向搜索的办法寻找极端点。实验表明：该算法得到的解的数量多,速度快并且近似前沿的程度比较高。     

混合分解和强度帕累托多目标进化算法

在多目标进化优化中,使用分解策略的基于分解的多目标进化算法(MOEA/D)时间复杂度低,使用〖BP(〗强度帕累托策略的〖BP)〗强度帕累托进化算法-2(SPEA2)能得到分布均匀的解集。结合这两种策略,提出一种新的多目标进化算法用于求解具有复杂、不连续的帕累托前沿的多目标优化问题(MOP)。首先,利用分解策略快速逼近帕累托前沿;然后,利用强度帕累托策略使解集均匀分布在帕累托前沿,利用解集重置分解策略中的权重向量集,使其适配于特定的帕累托前沿;最后,利用分解策略进一步逼近帕累托前沿。使用的反向世代距离(IGD)作为度量标准,将新算法与MOEA/D、SPEA2和paλ-MOEA/D在12个基准问题上进行性能对比。实验结果表明该算法性能在7个基准问题上最优,在5个基准问题上接近于最优,且无论MOP的帕累托前沿是简单或复杂、连续或不连续的,该算法均能生成分布均匀的解集。     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.     

基于线性权重最优支配的高维多目标优化算法

在高维多目标优化问题中,Pareto支配关系存在非支配解随优化目标数增加呈指数级增长和种群选择压力下降等问题。针对这些问题,基于线性权重聚合函数和支配关系两种比较多目标解方法的思想,提出一种线性权重最优支配关系（LWM-dominance）,并理论证明了LWM非支配解集是Pareto非支配解集的子集,同时保留了种群中重要的角解。进一步地,基于LWM支配关系,实现了一个高维多目标进化优化算法,基于该算法的实验验证了LWM支配关系的性质。在随机解空间中的实验结果表明LWM支配关系适用于5~15个目标的高维多目标优化问题,通过DTLZ1~DTLZ7高维多目标优化问题进化过程中LWM非支配解集与Pareto非支配解集规模的对比实验,结果表明优化目标数为10和15时非支配解的比例平均下降了约17%。