混沌云模型多目标布谷鸟搜索算法

针对多目标布谷鸟搜索算法（MOCS）迭代后期寻优速度慢,并且容易造成局部最优等缺点,提出一种混沌云模型多目标布谷鸟搜索算法（CCMMOCS）。首先在进化过程中通过混沌理论对一般的布谷鸟巢位置在全局中寻求优化,以防落入局部最优;然后利用云模型对较好的布谷鸟巢位置局部优化来提高精度;最后将两种方法对比得到相对更好的解作为最优值以完成优化。对比误差估计值及多样性指标,由5个常用多目标测试函数仿真结果可知,CCMMOCS比传统多目标布谷鸟搜索算法、多目标粒子群算法（MOPSO）及多目标遗传（NSGA-Ⅱ）算法性能更好,Pareto前沿更接近理想曲线,分布也更均匀。     

基于协同进化的约束多目标优化算法

针对约束多目标优化算法存在难以有效地兼顾收敛性和多样性的问题,提出一种基于协同进化的约束多目标优化算法.第一阶段,通过基于稳态演化的可行解搜索方式得到一个具有一定数量可行解的种群;第二阶段,将这个种群拆分为两个子种群,并通过双子种群协同进化的方式实现对收敛性和多样性的兼顾;最后采用标准约束多目标优化问题CF1～CF7、...     

新的基于多目标优化的推荐算法

针对目前推荐系统效率问题,采用线上、线下分离策略,构建一种新的推荐系统框架.针对推荐系统多目标性和目前众多推荐算法适应性局限等特性,采用混合策略,提出一种新的多目标推荐算法.首先,对多个推荐算法进行加权混合;然后,构建以权重序列为自变量,推荐评价指标F调和率、多样性和新颖度为目标函数的多目标优化模型;其次,采用SPEA2多目标优化算法进行优化求解;最后,基于用户的购物偏好和Pareto解集向用户有针对性地进行购物推荐.实验结果表明:新的推荐算法较子推荐算法在F调和率上持平,在多样性上提高了1%,在新颖度上提高了11.5%;多目标的各个Pareto解在解空间中分布形成了密集邻近的点曲线.该推荐算法能够满足不同购物偏好用户的推荐要求.     

基于并行度最大化的多目标优化任务划分算法

针对可重构系统硬件任务划分并行度最大问题,提出一种基于并行度最大的多目标优化任务划分算法。首先,该算法在满足可重构硬件面积资源和合理依赖关系的约束下,按广度优先的遍历方式搜索待划分的操作节点;然后,着重考虑执行延迟对于系统完成时间的影响,将块内操作节点的并行度最大化;最后,在减少碎片面积和不增加块间连接边数的原则下接受新的节点,否则就结束一个块划分。实验结果表明,与现有的基于层划分（LBP）和基于簇划分（CBP）两种算法相比,提出的算法获得了最大的块内操作并行度,同时还减少了划分块数和块间的连接边数。     

基于Petri网建模的并行粒子群算法

粒子群优化算法,起源于鸟群行为的研究,是一种基于群智能的进化计算技术,通过粒子之间的协作与竞争以实现对多维复杂空间的高效搜索。提出了基于Petri网的并行粒子群算法,并采用经典测试函数验证算法的有效性。测试结果表明,算法能很好地控制粒子群优化过程中的早熟问题,并能够较好地得到群落全局最优解。     

基于多目标优化的联邦学习进化算法

传统联邦学习存在通信成本高、结构异构、隐私保护力度不足的问题,为此提出了一种联邦学习进化算法,应用稀疏进化训练算法降低通信成本,结合本地化差分隐私保护参与方隐私,同时采用NSGA-Ⅲ算法优化联邦学习全局模型的网络结构、稀疏性,调整数据可用性与隐私保护之间的关系,实现联邦学习全局模型有效性、通信成本和隐私性的均衡。不稳定通信环境下的实验结果表明,在MNIST和CIFAR-10数据集上,与FNSGA-Ⅲ算法错误率最低的解相比,该算法所得解的通信效率分别提高57.19%和52.17%,并且参与方实现了（3.46,10-4）和（6.52,10-4）-本地化差分隐私。在不严重影响全局模型准确率的前提下,该算法有效降低了联邦学习的通信成本并保护了参与方隐私。     

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。     

Design optimization of a runflat structure based on multi-objective genetic algorithm

Runflat structure plays an important role in determining the sustainable mileage after the tire is shot. Lightweight, stiffness and strength are highly relevant to the overall performance of the structure. A parameterized model was built based on the full study of the structure, and a new adaptive meshing method is proposed to ensure the quality of the model. The accuracy of the new model was verified by comparing to the traditional finite element model. The parameter study was carried out to investigate the response of the performance and mass. Multi-objective optimization model was established by applying optimal Latin square design method and response surface model approach. Non-dominated sorting genetic algorithm-II (NSGA-II) was applied to obtain the optimization design. The results indicate that the combination of parameterized model and multi-objective genetic algorithms successfully achieve the goal of multi-objective optimization for mass and displacement while ensuring the stress. Meanwhile, the optimal topology, shape and thickness optimization for the runflat structure have been achieved at the same time.     

基于概率模型的混合多目标算法

对传统多目标算法NSGA-Ⅱ及模型多目标算法RM-MEDA进行了分析,并指出了二者的不足。在此基础上,提出基于概率模型的混合多目标算法,并设计了相应的建模准则用于实现两种算法的结合,使得提出的算法能够充分发挥两种算法的优势。将提出的算法与NSGA-Ⅱ算法和RM-MEDA算法在10个测试函数进行了实验对比,结果证实了算法在全局收敛性及多样性等方面有着较好的效果。     

积分水平集的多目标规划

给出了一种基于积分水平集的求解多目标规划的概念性算法。用数论中确定性的一致分布的数值积分来逼近水平值和水平集,从而得到了实现性算法和算法终止准则。最后给出数值例子证明了算法的有效性。     

基于多目标遗传算法的LoRa参数匹配优化

从工程应用角度出发,需要LoRa无线传输系统兼备系统功耗低、传输距离短、系统稳定性好的特点,优化设计匹配参数是提高LoRa传输性能的重要途径。以LoRa无线通信的能耗最低、最远传输距离最大以及系统的鲁棒性最强为优化目标,以SF、BW、CR等参数的有效取值为约束条件,采用线性加权的方法将多目标优化问题转换为单目标问题,求出最优解。仿真和实际测试结果表明,遗传算法应用于LoRa的参数匹配具有可行性和有效性。     

基于元胞多目标遗传算法的蜗杆优化设计

为研究蜗杆传动的多目标优化问题,提出一种自适应差分进化的元胞多目标遗传算法。该算法针对元胞遗传算法的特点,对基本的差分进化策略进行改进,得到一种参数自适应控制策略。将该算法与目前性能优异的4种多目标进化算法在三目标的基准测试函数进行对比实验,结果表明所提算法相对于其他算法具有明显的优势,能够在保证良好收敛性的同时,使获得的Pareto前端分布性更加均匀,覆盖范围更广;工程实例求解结果也表明了算法的工程可行性。     

基于混沌的多目标粒子群优化算法

针对多目标优化问题,提出了一种改进的粒子群算法.该算法为了寻找新解,引入了混沌搜索技术,同时采用了一种新的方法--拥挤距离法定义解的适应度.并采取了精英保留策略,在提高非劣解集多样性的同时,使解集更加趋近于Pareto集.最后,把算法应用到4个典型的多目标测试函数.数值结果表明,该算法能够有效的收敛到Pareto非劣最优目标域,并沿着Pareto非劣目标域有很好的分散性.     

A novel multi-objective optimization algorithm based on Lightning Attachment Procedure Optimization algorithm

In this paper, a novel multi-objective optimization method based on a recently introduced algorithm known as Lightning Attachment Procedure Optimization (LAPO) is presented. The proposed algorithm is based on non-dominated sorting approach where the best solutions chosen from the Pareto Optimal Front (POF), based on crowding distance, are stored in a repository matrix called an Archive matrix. The procedure is performed such that the final best solutions are distributed evenly along the optimal PF. Then, the proposed algorithm is tested by some multi-objective optimization functions and some classical engineering problems also. The results are compared to those of four well-known methods and then discussed. The results are compared using 4 criteria which show how to select a POF close to the true POF, how the results are distributed, and how close the final results approximate all the possible outcomes of true POF. It is shown that the proposed method outperforms the other methods with regards to 3 criteria and yields comparable results regarding the last criteria. Superiority of the proposed method in finding the true POF while covering a wide range of possible optimal results is discussed in the results section. Therefore, it is concluded that the proposed method does an excellent job at solving a wide range of multi-objective optimization problems.     

分区引导种群进化的拟态物理学多目标优化算法

针对基本拟态物理学优化（artificial physics optimization,APO）算法易陷入局部最优、分布性不佳等问题,提出一种分区引导种群进化的改进多目标拟态物理学优化（multi-objective APO improved by partition-guided evolution,PEMOAPO）算法。首先,采用tent映射与反向学习相结合的策略进行种群的初始化,增强种群的多样性;其次,提出分区引导个体进行进化的机制,对处于可行域与不可行域的个体,采取不同的质量函数及虚拟作用力计算规则进行迭代更新,增强算法的收敛性能。选取MW系列和C_DTLZ系列作为基准测试函数进行仿真实验,通过综合性能评价指标对比分析、统计学分析、收敛性分析及时间复杂度分析,表明改进算法具有良好的多样性及收敛性,能快速收敛到Pareto前沿。     

基于多目标骨架粒子群优化的特征选择算法

针对在分类问题中,数据之间存在大量的冗余特征,不仅影响分类的准确性,而且会降低分类算法执行速度的问题,提出了一种基于多目标骨架粒子群优化（BPSO）的特征选择算法,以获取在特征子集个数与分类精确度之间折中的最优策略。为了提高多目标骨架粒子群优化算法的效率,首先使用了一个外部存档,用来引导粒子的更新方向;然后通过变异算子,改善粒子的搜索空间;最后,将多目标骨架粒子群算法应用到特征选择问题中,并利用K近邻（KNN）分类器的分类性能和特征子集的个数作为特征子集的评价标准,对UCI数据集以及基因表达数据集的12个数据集进行实验。实验结果表明,所提算法选择的特征子集具有较好的分类性能,最小分类错误率最大可以降低7.4%,并且分类算法的执行时间最多能缩短12 s,能够有效提高算法的分类性能与执行速度。     

基于多样性检测的双子群多目标粒子群算法

为了平衡多目标粒子群算法的多样性和收敛性,提出一种基于多样性检测的多子群多目标粒子群算法.首先,将多样性检测方法引入到多目标粒子群算法中,并结合多目标粒子群算法的特点进行改进.然后,将种群分为两个不同分工的子群,一个子群保持较好的多样性,在搜索空间进行全局搜索;另一个子群保持较好的收敛性,在Pareto前沿附近进行局部搜索.最后,根据多样性度量指标调整两个子群的搜索行为,以达到兼顾多样性和收敛性的目的.在标准测试问题上的仿真结果表明了所提算法的有效性.     

多蚁群分级优化的多目标求解方法*

为提高多目标优化方法的求解性能,在给出了蚁群算法优化函数类问题求解方法的基础上,提出了基于多蚁群分级优化多目标问题的求解方法。构建了子蚁群以自身启发式信息及以其他子群的启发式信息获得准Pareto解以及采用各子群的每一只蚂蚁获得的准Pareto解作支配判断,从而提高Pareto解的多样性;构建了父蚁群以准Pareto解作为空间节点构成TSP类似的组合优化问题,其求解结果以获得多目标优化问题的Pareto解的前沿,从而提高Pareto解的均匀分布性。通过优化实例验证,结果表明,多蚁群分级优化的多目标求解方法     

基于多区域中心点预测的动态多目标优化算法

现实生活中存在很多动态多目标优化问题(DMOPs),这类问题要求算法在环境变化后快速收敛到新的Pareto前沿,并保持解集的多样性,随着Pareto前沿复杂程度的增加,这一问题更加突出.鉴于此,提出一种基于多区域中心点预测的动态多目标优化算法(MCPDMO).首先,根据环境变化的严重程度将种群划分为多个子区域,使得个体的分配更加适应动态变化的环境;然后,分别计算每个子区域的中心点,对不同子区域在不同时刻的中心点建立时间序列,并利用差分模型预测新环境的最优解集,以提高算法对不同环境变化的响应能力;最后,为验证算法的有效性,与3种动态多目标优化算法在10个标准测试函数上进行仿真实验.实验结果表明,所提出算法在具有复杂Pareto前沿的动态问题上表现出更优的收敛性和分布性.