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。     

基于个体邻域的改进NSGA-Ⅱ算法

带有精英策略的非支配排序遗传算法（NSGA-II）是在NSGA的基础之上，提出拥挤度和拥挤度比较算子，代替了需要指定共享半径的适应度共享策略，是解决多目标优化问题的经典算法之一。但是NSGA-II算法在保持种群多样性时采取的拥挤距离排挤机制有着pareto前沿分布不均匀的缺陷，因此，提出一种基于个体邻域的改进NSGA-II算法SN-NSGA2。SN-NSGA2将密度聚类算法DBSCAN中邻域的思想应用到排挤机制中去，提出一种个体邻域的构建方法，采用相应的淘汰策略去除个体邻域中的其他邻居个体。实验结果表明相对于NSGA-II算法来说，新算法求出的pareto解集有着更好的分布性以及良好的收敛性。     

基于改进NSGA-Ⅱ算法的港口堆位分配问题研究

散杂货港口堆位分配问题是一个典型的组合优化问题。在对此问题分析和建模的基础上,采用NSGA-Ⅱ算法进行求解。针对问题搜索空间大、约束条件复杂等特点,对传统NSGA-Ⅱ算法进行了改进,以提高算法的处理效率、收敛性和多样性。应用Java编程语言,融合JESS推理机,进行了改进NSGA-Ⅱ算法的仿真研究。     

基于改进的非支配排序遗传算法的无源滤波器设计

工业中的电网谐波不但降低了电能的质量,还可能引起故障甚至事故,因此有必要对电网谐波进行有效地滤除;实际的工程实践中,无源滤波器常被用来滤除该谐波,而其滤波参数的确定是个关键;基于带精英策略的非支配排序遗传算法NSGA-Ⅱ,文中提出了一种新的无源滤波器的参数优化方法,克服了传统的凭个人经验选择滤波器参数的缺陷.利用NSGA-Ⅱ对无源滤波器进行参数优化,不仅能节省初始投资,还能更有效地消除谐波干扰;仿真结果证明了该方法的有效性.     

基于NSGA-Ⅱ的大规模本体映射方法

现有的基于进化算法的本体映射技术在面对大规模本体映射问题时,由于搜索空间太大导致算法效率低下,从而使其无法有效地在实际中得到应用。针对这一问题,提出了基于快速非支配排序的多目标遗传算法(NSGA-Ⅱ)的大规模本体映射方法。该方法通过三个步骤来映射本体:1)通过基于邻居相似度的划分算法来将源本体划分为不相交的概念块;2)通过相关概念过滤方法来确定目标本体中同源本体概念块相关的概念块;3)使用NSGA-Ⅱ方法来完成概念块之间的映射并通过贪心算法集成最终的结果。使用OAEI 2012的小规模的书目本体测试数据集和大规模的生物医学本体测试数据集对所提出的方法进行测试。同OAEI 2012的参与者的比较结果表明,所基于NSGA-Ⅱ的大规模本体映射方法能够在较短的时间内获取较好的本体映射结果,因此该方法是有效的。     

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。     

改进NSGA2在炼钢-连铸调度中的应用研究北大核心CSCD

针对具有多重精炼方式的炼钢-连铸调度排产问题,采用单纯带精英策略的非支配排序遗传算法(NSGA2)存在求解精度不高,求解速度慢、并得到Pareto解集后需要人工确定最优解的问题,提出了基于优先级策略的改进NSGA2新方法。首先基于炼钢-连铸生产工艺过程及调度目标和要素建立多目标优化调度模型,然后将所提出的方法应用到具有多重精炼的炼钢-连铸生产调度问题中,并与现有采用原始NSGA2的仿真结果进行比较。实验结果表明本文提出的基于优先级策略的改进NSGA2算法在求解速度、求解精度上均优于原始NSGA2算法,并能自动给出唯一的最优调度方案,避免人工确定最优解缺乏科学依据问题。     

NSGA-Ⅱ应用于圆筒型永磁直线电机的多目标优化

针对圆筒型永磁直线电机提出了使用二代非支配排序遗传算法(NSGA-Ⅱ)优化其功率和效率。首先根据电机的二维有限元模型,计算电流、电压等参数;其次利用敏感参数法建立以气隙长度等为变量的优化模型,并计算电机的电磁参数;再对电磁参数数据训练,以NSGA-Ⅱ为优化算法的多目标优化模型,优化电机的功率和效率;最后根据优化结果加工出了MTS100kN万能试验机。样机实验结果验证了所提出的多目标优化设计方法和性能分析的正确性。     

NSGA-Ⅱ算法在空间服务应急任务中的应用

给出了空间应急任务的解决方法,当发生需要空间服务的应急任务时,首先利用现有卫星组成的星座对目标地点进行覆盖计算,如果其覆盖性能不满足任务需求,就用NSGA-Ⅱ算法对卫星星座进行优化设计,这里优化星座中每颗卫星的平近点角;然后利用调相机动实现星座优化结果,将卫星机动到指定位置,并计算每颗卫星的机动时刻以及机动所需要的能量;最后给出了应急任务算例和它的具体解决过程,计算出了卫星机动变轨的时刻和所需能量。     

改进NSGA-Ⅱ算法的海上搜救调度方法

针对海上搜救资源调度决策困难、干扰多、实时性差、难以实现全局最优问题,本文以黄渤海海域为例,采用改进的非支配排序遗传(NSGA-Ⅱ)算法解决海上船舶搜救资源调度问题.首先,根据AIS以及北斗数据,建立了海上搜救资源的多目标优化模型;其次,改进的NSGA-Ⅱ算法采用基于正态分布交叉(NDX)算子,在扩大搜索范围的基础上,避免陷入局部最优,得到多目标问题完整的Pareto解集;采用综合评价法(TOPSIS)从Pareto解集中求得折衷解,即最终设计的搜救调度方案;最后,在考虑船舶数量约束以及时间约束的条件下,采用改进的NSGA-Ⅱ算法分别与NSGA-Ⅱ算法和贪婪算法进行对比,并采用黄渤海海域船舶采集数据进行仿真.结果表明该算法能够有效解决海上搜救资源调度优化问题.     

基于集对分析与NSGA-Ⅱ的生产作业多目标优化

针对生产过程中生产作业的优化调度问题,以生产质量、效率和成本阈值为约束条件,基于集对分析建立了的生产质量—效率—成本控制的生产作业多目标优化模型;利用快速非支配排序遗传算法（NSGA-Ⅱ）求解优化模型,得到相对确定条件下质量—效率—成本控制的Pareto最优解集。决策者依据实际生产过程需要,为各项生产作业从Pareto最优解集中筛选最合理的调度方案。最后,通过算例仿真验证了结合集对分析与NSGA-Ⅱ的方法解决生产作业多目标优化问题的准确性、有效性和实用性。     

基于NSGA-Ⅱ算法的区域覆盖卫星星座优化

针对区域覆盖的卫星星座优化设计.将一种基于Pareto最优概念的快速非支配排序遗传算法(NSGA-Ⅱ)引入区域覆盖侦察卫星星座的多目标优化设计,并利用多属性决策中的字典序法,根据目标的重要程度.在得到的Parcto解中进行选择.最后,利用STK和Visual C++针对侦察卫星星座进行了仿真,仿真结果表明了算法可以找到多个Pareto解,避免了传统求解方法的权值选择问题,并且较简单遗传算法具有更好的灵活性,为解决星座多目标优化设计问题提供了新的思路.     

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。     

基于遗传算法的振动主动控制优化方法研究

对多岛遗传算法和非支配排序遗传算法进行了研究;以结构振动系统的结构振动能量指标和系统控制能量指标作为多目标优化函数,建立了振动主动控制系统的传感器和作动器位置、数量、长度及控制增益的多目标优化配置数学模型,首次采用非支配排序遗传算法作为优化策略进行多目标优化,同时,以多岛遗传算法作为优化策略,以系统存留能量指标作为单目标优化函数,并以悬臂梁作为算例进行了对比仿真,验证了二者的一致性。     

软件测试路径选择优化模型及其进化求解

路径测试是一种非常重要且应用广泛的结构测试方法, 已有路径生成方法的测试效率不高、测试开销较大, 且易生成冗余测试路径. 针对以上问题, 主要研究路径选择问题的优化模型及其进化求解方法, 目的在于: 在不降低测试覆盖率的前提下, 减少冗余路径的数量, 降低测试消耗. 首先, 以多条路径作为决策变量, 基于该决策变量包含的边数和路径数, 建立多目标优化模型; 然后, 采用多目标进化算法求解该模型, 得到目标路径集. 将所提方法应用于7个基准测试程序, 并与其他算法比较. 实验结果表明, 相比其他算法, 所提方法能够在保证测试充分性的条件下, 降低测试消耗, 从而提高测试效率.     

改进自适应多种群NSGA-Ⅲ算法的研究

针对第三代非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅲ,NSGA-Ⅲ)在处理高维多目标函数时存在收敛精度低和搜索性能差等问题,提出一种自适应多种群NSGA-Ⅲ算法。首先将传统算法的单一种群划分成四个亚种群,并为每个亚种群分配不同的交叉算子;其次提出外部最优解集(external optimal solution set,EXS)的概念,通过计算个体更新最优解集的参与量来自适应调节每个亚种群的大小;最后利用局部搜索策略提高EXS的局部搜索性能。采用四个不同的测试函数,与七种对比算法进行仿真验证,结果表明在处理高维多目标优化问题时,提出算法的性能指标整体优于其他对比算法,能够获得较好的算法收敛性和种群多样性。     

非支配排序遗传算法的改进

NSGA-Ⅱ（Non-dominated Sorting Genetic Algorithm）算法针对多目标优化问题,提出了非劣分类分层,引进拥挤度和拥挤度比较算子,通过精英选择策略,这样可使非劣前沿向Pareto前沿靠近,同时使解集具有更好的多样性。笔者对NSGA-Ⅱ算法的原理进行了系统的学习和研究,结合国内外最新的研究情况,实现了该算法并进行了一些改进,以期获得更好的效果,最后用多目标标准测试函数进行了实验分析。     

非支配排序均匀遗传算法*

根据第二代非支配排序遗传算法（NSGA Ⅱ）的不足之处,提出了一种新的多目标遗传算法——非支配排序均匀遗传算法（NSUGA）。新算法采用了多父本多点交叉方式,同时将均匀设计的思想用于算法的交叉操作;新算法还对拥挤距离的计算过程和算法的终止条件进行了改进。通过两个多目标优化测试函数的仿真计算对比,显示NSUGA算法在求解精度、计算效率和避免算法陷于局部最优解方面均优于NSGA II算法。     

一种基于快速排序的快速多目标遗传算法

多目标遗传算法的一个重要步骤就是构造非支配集,本文提出了一种基于快速排序的非支配集构造方法,提高了非支配集构造效率,并且在Deb提出的NSGAⅡ的基础上,改进了其种群构造策略,设计了一类新的多目标遗传算法。实验表明,这种方法比NSGAⅡ具有更快的收敛速度且保持了良好的分布性。