改进的NSGA-Ⅱ算法及其在星座优化设计中的应用

针对NSGA-Ⅱ算法中的模拟二进制交叉(SBX)算子以及NSGA-Ⅱ在收敛速度及多样性保持方面性能的不足,将反向学习机制(OBL)应用到NSGA-Ⅱ的初始化和进化过程中,并引入一种改进的算术交叉算子。ZDT系列测试函数在收敛性和多样性两个方面的评价结果表明,改进的NSGA-Ⅱ算法在收敛速度、收敛性和多样性上优于NSGA-Ⅱ算法。将改进的NSGA-Ⅱ算法应用于卫星星座优化设计中,仿真结果表明改进的算法在卫星星座优化设计中比较有效。     

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.     

改进NSGA-Ⅱ算法及其在切削加工参数优化中的应用

针对NSGA-Ⅱ算法种群收敛分布不均匀,全局搜索能力差,易陷入局部最优等不足,引入正交交叉策略与混合变异算子,提出一种改进的NSGA-Ⅱ算法。在测试函数上对改进NSGA-Ⅱ算法与传统NSGA-Ⅱ算法同时进行性能测试,结果表明改进的NSGA-Ⅱ算法无论是在收敛性还是多样性上均优于NSGA-Ⅱ算法。将改进算法与传统NSGA-Ⅱ算法同时应用于6061铝合金精密车削加工参数多目标优化设计中,研究结果表明改进NSGA-Ⅱ算法收敛精度更高,收敛速度更快,优化结果更加逼近全局最优解,在求解切削加工参数多目标优化问题时更加有效。     

考虑末端配送方式感染风险及消费者满意度的车辆路径问题研究

在商品供应链中，生鲜配送成本过高是亟需解决的问题。本文考虑疫情的感染风险对生鲜配送路径优化问题展开研究，以最小化物流成本和最小化感染风险为目标构建模型，设计优先级三层编码方法，使用NSGA-Ⅱ求解问题。在此基础上，增加逆序邻域策略改进NSGA-Ⅱ，提高算法的收敛性。最后进行数值实验，验证了模型的可行性以及改进算法的优越性。     

基于改进NSGA-Ⅱ算法的多目标联邦学习

联邦学习作为一种新兴技术,可在融合多参与方数据的机器学习训练的同时,保证各参与方隐私数据的安全性,有效解决数据隐私问题以及数据孤岛问题。然而,联邦学习仍然面临着巨大的挑战,各个客户端与中心服务器的不断交互带来了巨大的通信成本。为了在保证模型精度的情况下尽量减少通信开销,论文提出一种改进的NSGA-Ⅱ算法来对联邦学习中全局模型的结构进行优化,引入快速贪婪初始化和进化后期丢弃低质量个体的策略来对传统NSGA-Ⅱ算法进行改进。实验表明,与MOEA/D算法对比,论文改进NSGA-Ⅱ算法在同等实验条件下性能更好,可获得更好的Pareto最优集,有效优化联邦学习模型结构,降低通信成本。     

基于网格的E-占优新型NSGA-II算法

为了提高基于E-占优的NSGA-Ⅱ算法的优化效果,针对其在保持种群的多样性和分布性上的不够完善以及变异算子性能比较弱的问题,提出基于网格的E-占优新型NSGA-Ⅱ算法,根据算法所存在的问题采用网格来保持进化种群的多样性、分布性和采用非均匀变异来改善变异算子的性能。新算法与NSGA-Ⅱ和基于E-占优的NSGA-Ⅱ进行比较,结果表明新算法性能得到了提高,在处理多目标问题时多样性和分布性上均有了明显的改善。     

改进NSGA-Ⅱ算法在锅炉燃烧多目标优化中的应用

提出改进非劣分类遗传算法(NSGA-Ⅱ)在燃煤锅炉多目标燃烧优化中的应用,优化的目标是锅炉热损失及NOx排放最小化。首先,采用BP神经网络模型分别建立了300MW燃煤锅炉的NOx排放特性模型和锅炉热损失模型,同时利用锅炉热态实验数据对模型进行了训练和验证,结果表明,BP神经网络模型可以很好地预测锅炉的排放特性和锅炉的热损失特性。在建立的锅炉排放特性和热损失BP神经网络模型基础上,采用非劣分类遗传算法对锅炉进行多目标优化,针对NSGA-Ⅱ在燃煤锅炉燃烧多目标优化问题应用中Pareto解集分布不理想、易早熟收敛的问题,在拥挤算子及交叉算子上进行了相应改进。优化结果表明,改进NSGA-Ⅱ方法与BP神经网络模型结合可以对锅炉燃烧实现有效的多目标寻优、得到理想的Pareto解,是对锅炉燃烧进行多目标优化的有效工具,同改进前的NSGA-Ⅱ优化结果比较,其Pareto优化结果集分布更好、解的质量更优。     

基于改进NSGA-Ⅱ的列车运行多目标优化方法

针对目前城市轨道交通列车运行节能控制必须满足工程校验、实时高精度需求以及快速非支配排序遗传算法(NSGA-Ⅱ)在优化列车运行速度曲线时解集分布性差的问题,提出一种基于改进NSGA-Ⅱ的列车运行多目标优化方法.首先建立以站间牵引能耗、到站时间、停车精度为优化目标,以多种规范约束为支配惩罚,以实数编码的位置-工况组合为变量下的列车节能运行数学模型.然后,以限速曲线与坡度变化原则分段离散化站间线路,基于NSGA-Ⅱ加入动态矫正计算适应度值并引进自适应选择与混合交叉算子.最后,采用北京地铁8号线数据进行优化仿真.结果表明,改进NSGA-Ⅱ算法在标准测试函数上解集分布性指标最高提升27％,在列车节能工程优化问题上,运行备选方案数量提升2倍以上,方案分布性提升26％,牵引能耗降低4.8％.本方法为城轨列车节能运行的优化设计及决策者对目标条件的权衡提供了更广泛的选择.     

基于改进NSGA-Ⅱ算法的微电网多目标优化研究

在解决微电网分布式电源多目标优化运行问题时,针对传统NSGA-Ⅱ算法在逼近性、运算效率等方面的局限性,考虑进化过程个体相似度的差异及算法陷入局部最优的可能性,提出了一种改进型的NSGA-Ⅱ算法。新算法引入信息熵机制改进算子,将交叉概率、变异概率分别近似为递减函数模型、柯西分布模型,通过算法性能测试证明了新算法有效性。以分布式电源接入IEEE30节点电力系统为例进行仿真实验,通过与传统NSGA-Ⅱ多目标优化算法对比,证明了改进型算法在提高收敛速度、改善优化指标方面的优越性。     

火箭壳体加工的虚拟单元重构方法

针对火箭壳体加工车间新订单连续到达,排产方案重构频繁导致重构时间花销大、排产方案低效等问题,首先建立虚拟单元重构的多目标规划模型,以多批订单总生产时间、运输设备总运输距离以及车间生产设备负荷均衡因素为目标函数,以车间设备加工能力和火箭壳体加工工艺限制为约束条件;其次提出一种改进的NSGA-Ⅱ算法对模型进行优化求解,针对NSGA-Ⅱ算法局部搜索能力的不足,在NSGA-Ⅱ算法交叉过程中引入“首次改进”和“随机改进”两种局部搜索策略,提高该算法的局部搜索能力;最后基于超体积、均匀性两个多目标评价指标对提出的改进NSGA-Ⅱ算法与传统的NSGA-Ⅱ算法以及NSGA-Ⅲ算法进行比较,结合实例验证了改进NSGA-Ⅱ算法在进行火箭壳体虚拟单元重构时更加高效.     

一种改进的多目标优化算法

为了提高非劣解向Pareto最优面收敛的速度以及解的多样性,设计了一种新的杂交算子并改进了NS-GA-Ⅱ算法。在此算法中,采用中心均值重组算子策略增强算法全局快速搜索能力,以获得最佳的Pareto近似解,同时,改进NSGA-Ⅱ快速非支配排序和拥挤机制将父代与子代的双种群进行截短,确保最优解不会丢失并保证解的多样性。数据实验表明,该算法能在解的收敛性、分布性以及自适应程度上均表现较好。     

面向堆垛机路径优化的局部搜索自适应遗传算法

为了提高自动化立体仓库的运行效率, 针对其中的堆垛机路径调度问题, 根据时间、能耗和作业效率建立了堆垛机调度优化模型, 提出了一种改进的多目标遗传算法IMOGA. 该算法在NSGA-Ⅱ算法的基础上改进了遗传算子, 采用了适合问题模型的交叉变异操作, 引入了自适应遗传算子, 并新增了基于模拟退火思想的局部随机搜索策略. 以某氨纶厂仓库堆垛机调度情况进行仿真验证, 结果表明, IMOGA算法收敛速度更快, 解集的质量更高, 在堆垛机调度问题上具有更高的适用性.     

基于自适应混合非支配个体排序策略的改进型NSGA-Ⅱ算法

针对经典快速非支配排序遗传算法(NSGA-Ⅱ)中基于拥挤距离的种群多样性保持策略不能客观反映个体间真实拥挤程度的问题,提出了一种基于自适应混合非支配个体排序策略的改进型NSGA-Ⅱ算法(NSGA-Ⅱ^h)。首先,设计一种新的循环聚类个体排序策略;然后,根据Pareto分层信息来对基于经典拥挤距离和循环聚类的两种个体排序策略进行自适应的选择;最终,实现对进化后期的种群多样性保持机制的改进。通过5个标准测试函数进行算法验证,并与经典的NSGA-Ⅱ、多目标粒子群优化算法(MOPSO)和GDE3等算法进行对比分析,NSGA-Ⅱ^h算法获得了80%的最优反向世代距离(IGD)值,且显著性水平为5%的双尾t检验结果表明,新算法具有明显统计意义上的性能优势。改进算法不仅能提高进化种群的分布性,而且能增强算法的收敛性,有效提高了优化效果。     

基于CGACO的多重分类准则模型优化研究

为提高供应链物流管理服务水平,基于帕累托定律,运用规范列平均法和优化理论建立了基于多重分类准则模型。通过有效利用混沌遗传和蚁群优化算法在组合优化中的优势,给出了混沌遗传蚁群优化算法,采用混沌搜索优化初始群体、修正变异算子、蚁群算法寻优优化、改进相关参数等实现了两种算法的有机集成。物流案例实证表明了混沌遗传蚁群算法在解决多重分类准则优化模型方面的有效性。     

基于NSGA-Ⅱ算法的装备研制多目标优化研究

为提高装备军事效益和经济效益,在网络计划技术的基础上,以装备研制成本和质量为目标,结合工期-质量模型、工期-成本模型和成本-质量模型,建立了多目标综合优化模型。采用一种基于Pareto最优解的多目标遗传算法——NSGA-Ⅱ算法求解,以某探测器研制为例,运用该方法进行建模求解,经MATLAB计算,验证了模型的合理性和算法的有效性。结果表明NSGA-Ⅱ算法的收敛性好,通过它求得的非劣解与实际能较好地相符,为部队在各种武器装备方案论证阶段开展工期、成本和质量之间的权衡分析提供了一种有效工具。     

混合哈里斯鹰优化算法求解带模糊需求的低碳多式联运路径规划问题

针对带限制的低碳多式联运路径规划问题的研究,在考虑模糊需求和碳排放量约束的条件下构建了路径成本、碳排放量等目标最小化的多目标多式联运数学模型。首先,根据模型特点使用机会约束规划处理用梯形模糊数表示的不确定需求;其次,改进了哈里斯鹰算法,采用路径重连算法、两种交叉算子和两种变异算子代替原算法中的搜索过程,在保留算法原有特性的前提下使其成功应用于离散优化问题。最后,以广西省南宁市到黑龙江省哈尔滨市的多式联运网络进行路径优化分析,给出了多个合理的路径方案。HHHO与其他算法进行对比结果显示,HHHO、NSGA-Ⅱ、GA、SA和PSO均在规定时间内得到了一组含有5个解的近似最优解集,HHHO的解集更加接近最优解集;HHHO及其他四种算法运行时间分别为86.50 s、118.26 s、101.67 s、81.22 s和68.40 s, HHHO在运行时间上比GA和NSGA-Ⅱ更快,验证了模型的正确性以及混合哈里斯鹰算法的有效性。     

自适应混沌变异蛙跳算法*

研究蛙跳算法的寻优性能,主要在基本蛙跳算法的全局搜索过程中加入自适应混沌变异操作, 提出一种改进蛙跳算法。改进后的算法采用Logistic混沌序列构造混沌变异算子, 同时结合个体适应度和进化代数自适应调整变异尺度, 从而增强蛙跳算法搜索最优解的能力。仿真实验结果表明, 改进后的算法寻优精度和收敛速度得到了有效提高, 具有较好的实用性能。     

基于混沌“微变异”自适应遗传算法

遗传算法可以较好地解决复杂的组合优化问题,但也存在两方面不足:一是搜索效率比其他优化算法低;二是容易过早收敛,陷入局部最优.对此,提出一种混沌“微变异”遗传算法.利用混沌优化算法具有随机性和遍历性的特点,解决遗传算法容易陷入局部最优解的早熟问题,使得新算法同时具有较强的局部搜索能力和完成全局寻找最优解的能力.同时,对遗传算法的选择算子增加了混沌扰动,对交叉算子和变异算子进行自适应调整,对适应度函数进行改进,使遗传算法整体性能得到提高.最后,通过经典函数验证表明,混沌“微变异”遗传算法比一般的混沌遗传算法和经典遗传算法的进化速度更快,搜索精度更高.     

改进的多目标遗传算法在营养决策中应用

将多目标遗传算法NSGA-Ⅱ应用于营养决策优化。采用多维实数向量的编码方式,使用状态转移表对遗传算子进行描述。对NSGA-Ⅱ算法进行改进,在进化操作中增加了随机变换运算和删除运算,加快了算法的收敛并避免了早熟。仿真结果证明该算法能逼近Pareto域,并在该域中均匀分布,经一次运行便可提供更多科学合理的营养决策优化候选方案。     

基于自适应蚁群聚类的入侵检测

针对蚁群聚类算法在聚类结果中出现部分数据划分不够准确的问题,提出一种基于信息熵调整的自适应混沌蚁群聚类改进算法。该算法通过优化过程中种群的信息熵来衡量演化的程度,自适应地调整信息素更新策略。每一次迭代结束时,使用混沌搜索算子在当前全局最优解附近搜索更好的解。而随着算法的进行,混沌算子搜索范围逐渐缩小,这样混沌算子在蚁群搜索的初期起到防止陷入局部最优的作用,在蚁群搜索后期起到提高搜索精度的作用,从而得到更好的聚类结果。使用KDD Cup 1999入侵检测数据集所作的仿真实验结果表明,聚类效果改进明显,并能有效提高入侵检测的检测率、降低误检率。