基于均匀设计的多目标进化算法

现实生活中的很多决策问题都要考虑同时优化若干个目标,多目标优化算法就是要从所有可能的方案中找到最合理、最可靠的解决方案。如何在Pareto界面稀疏区域求得更多非劣解,则使所求出的解的分布更加均匀。如何求出距Pareto界面更近的非劣解以使所求出的解的质量更高。论文基于加权平均法和均匀设计方法设计了一种解决多目标优化问题的新算法。首先,为了找到在Pareto界面上尽可能多、且均匀分布的点,利用均匀设计方法设计了一个交叉算子,该算子让稀疏部分的相邻点进行均匀交叉,以使算法在稀疏部分能找到更多的非劣解,从而使其所求解分布更加均匀。其次,为了克服加权平均法不能找到Pareto界面非凸部分解的缺点,考虑到非劣解界面上相邻距离较远的一对点之间有可能是非劣解界面上非凸部分之一的情况,分别将此两点与距其最近的非劣解集外的点进行交叉,以期在该两点之间找到新的非劣解,这样可能在非劣解界面的非凸部分找到更多的解。最后对两个测试问题进行了数值试验,并和著名的NSGA-Ⅱ算法用算法性能评价的三种度量进行了比较,结果表明了本文算法是有效的。     

基于动态种群多策略差分进化模型的多目标进化算法

针对复杂的多目标优化问题,根据不同差分进化策略的特点,提出一种基于动态种群多策略差分进化模型和分解机制的多目标进化算法（MOEA／D-DPMD）。该算法将种群划分为3个子种群,每个子种群分配一种差分进化策略。为了提高算法的性能,依据每种差分进化策略的贡献度,动态的调整子种群的规模,各差分进化策略之间相互配合协同进化。采用具有复杂的PS的LZ09系列基准函数,测试新算法的性能,仿真结果表明邻域规模为25时性能最好。通过不同差分进化策略之间的对比分析,新算法也具有较强的优势。将其与MOEAD／DE和NSGA-II算法对比分析,结果显示该算法的收敛性和多样性均优于另外两种算法,是求解复杂多目标问题的有效方法。     

移动云计算多目标任务调度进化算法

研究了移动云环境中任务调度的多目标优化问题,提出一种多目标任务调度进化算法MTSEA.建立了截止时间、预算及能量约束下的任务调度多目标优化模型,模型引入执行跨度、执行代价及执行能耗三目标最优化;设计了一种进化算法对冲突三目标最优化进行求解,算法重点在种群初始化操作中引入了效率最高、代价最小以及能效最高的三个种群个体,以此代替随机个体生成;并利用交叉和变异操作对个体进化迭代,最终通过非占优排序形式得到满足帕累托最优的调度解集.通过仿真实验与两种多目标调度算法进行了性能对比.结果表明,MTSEA算法调度解的收敛性及解空间距离和分布上是更优的.     

一种新的限制精英的多目标进化算法

在NSGA-Ⅱ算法的基础上,文中提出了一种新的限制精英的多目标进化算法(LEMOEA).通过分布函数的引入,限制了精英选取的数量,增大了解的搜索区域,从而更好地维护了种群多样性.动态变异算子的引入,减缓了算法的收敛速度,增大了解的搜索区域,避免了算法早熟收敛或陷入局部最优.实验结果表明:LEMOEA比NSGA-Ⅱ有更好的收敛效果和种群多样性.     

多目标混沌进化算法

设计了多目标混沌进化算法(MCEA),在每一代遗传操作和外部档案调整完成之后,该算法从外部档案中随机选择部分个体,对这些个体的拷贝进行混沌搜索,以产生更多非劣解.将强度Pareto进化算法(SPEA)和SPEA2分别与基于Logistic映射的混沌搜索结合而产生的MCEAs应用于一些复杂多目标优化问题,计算结果表明,混沌的加入,明显改善了多目标进化算法(MOEA)各方面的性能.     

基于混合变量动态分组的大规模多目标进化算法

变量分组是解决大规模多目标优化问题的有效途径。针对混合变量分组存在的问题,文章提出基于混合变量动态分组的大规模多目标进化算法来对混合变量进行更精确的分组,通过控制变量分析中个体非支配排序后第一层的个体数与采样数的比例来挖掘混合变量的动态特征。本文算法MOEA/DVA-F与其他三种经典的大规模多目标进化算法一同在LSMOP1~LSMOP5测试问题上进行IGD性能测试,实验结果表明,MOEA/DVA-F算法具有较好的收敛性和多样性。由此表明MOEA/DVA-F算法是一种有前途的大规模多目标进化算法。     

带局部搜索的动态多群体自适应差分进化算法及函数优化

 提出将一种改进的差分进化算法——带局部搜索的动态多群体自适应差分进化算法(DMSDELS)应用于函数优化.该算法将种群中的个体随机动态分成多个子群体,以增强个体间的信息交换;变异操作中,选择最优个体为基向量,差分向量的方向选择有利于搜索的方向,以提高收敛速度;变异尺度因子F与交叉概率CR采用自适应机制,以平衡局部搜索与全局搜索;部分优秀个体搜索达到指定代数进入局部搜索,以加快收敛.通过对13个benchmark典型复杂函数进行测试,并与其他七种优化算法进行比较,仿真结果表明:DMSDELS算法具有较高的搜索精度和收敛性,且具有较强的跳出局部最优解能力.     

基于双向搜索差分进化的多目标优化算法

针对差分进化算法求解多目标优化问题时易陷入局部最优的问题,设计了双向搜索机制以增强DE(Differential Evolution,DE)算法的局部搜索能力。一方面降低了算法陷入局部最优的风险,另一方面可增强Pareto解集的多样性,使Pareto前沿面的解集分布更为均匀。实验结果表明,相比于NSGA-II等同类算法,提出的方法在搜索Pareto最优解时效率更高,并且Pareto最优解集的精度及分布程度比前者更好。     

基于进化机制的动态多目标优化方法

动态多目标优化是进化计算领域一个新兴的研究方向.文中给出了定义在离散时间空间上、决策变量的维数随时间(环境)可发生变化的一类动态多目标优化问题(DMOP)的新方法.该方法首先把DMOP转化成了一系列同类静态约束优化问题,然后在一种环境变化判断规则下提出了解DMOP的一种新动态多目标进化算法(DMEA).数值实验表明新算法对DMOP最优解具有较好的跟踪能力,并且能有效的获得DMOP在不同环境下数量较多、质量较好且分布均匀的Pareto最优解.     

基于引导个体的预测策略求解动态多目标优化问题

很多现实的优化问题都是动态多目标问题,这类问题不仅具有多个目标,并且也受环境的影响不断变化.本文基于引导个体的预测策略提出一种新的求解动态多目标优化问题的策略.通过记录每次环境变化初始时和种群自主进化一小段时间后种群中心点位置的前后变化,预测最优解的所在方向.同时根据在该方向上均匀分布的若干检测个体,选出一串非支配的个体作为当前环境下的引导个体.为了避免陷入局部最优,在选出的引导个体周围一个小的区域半径内随机产生若干伴随引导个体.实验结果表明,新策略具有更快的响应环境变化的能力.     

解无约束非线性全局优化的一种新进化算法及其收敛性

进化算法是解复杂非线性规划问题的一种新型有效方法,但现有方法的计算量通常较大.为减小计算量,提高算法的效率,本文利用均匀设计来构造新的高效进化算法,新的进化算法本身具有类似于传统优化技术中的局部搜索功能,因此它能非常有效地搜索解空间,保持种群的多样性,减小计算量.文中还证明了新算法的全局收敛性.最后的模拟结果表明,新算法计算量小且收敛速度快.     

基于均匀设计的多目标自适应遗传算法及应用

提出一种多目标遗传算法,将均匀设计技术应用于适应度函数合成和交叉算子构造,以提高遗传算法的空间搜索均匀性、子代质量和运算效率.分析和实验结果表明,该方法可缩短算法运行时间和得到分布较均匀的Pareto有效解集;配合基于元件标称值的网表级高效编码方案和考虑基因位差异的遗传概率调整策略,可实现模拟电路自动设计,通过单次运行即获得对应不同偏好的多种实用化设计结果.     

基于合作模型的协同免疫多目标优化算法

本文针对多目标优化问题Pareto最优解集合(PS)的分布特点,构造了一种基于新的子任务划分方法的合作型协同进化模型,并将该模型引入人工免疫系统中,提出了一种基于合作模型的协同免疫多目标优化算法(A Cooperative Immune Coevolutionary Algorithm for Multiobjective Optimization,CICAMO).CICAMO算法运用Tchebycheff分解方法进行子种群划分,然后对各个子种群建立线性概率统计模型分段逼近整个PS,在抗体繁殖上结合了克隆选择和模型采样两种方式.实验结果表明,CICAMO算法在求解质量和收敛速度上均表现良好,尤其对于决策变量非线性相关的多目标优化问题,性能尤为突出.     

类进化算法驱动的动态电力经济调度优化

动态电力经济调度（Dynamic Economic Dispatch,DED）属于一种在时间和空间上相互耦合的多阶段动态决策问题,一般被转化为一个高维的约束数值优化问题来求解.本文提出了一种新型全局优化算法--类进化算法（Cluster Evolutionary Algorithm,CEA）,并将其应用于DED问题的计算.CEA通过聚类过程在进化个体间构建一定结构的连接关系,并利用这种虚拟的簇类化组织来协调和控制群体的优化计算过程,提高算法对高维问题空间的搜索效率和抗早熟能力.在仿真实验中2个DED测试系统被用于对CEA的性能进行检验,其所得最佳计算结果要好于目前已报道的最优解,而实验统计数据则显示CEA是一种求解DED问题可行且有效的方法.     

用于约束优化的简洁多目标微粒群优化算法

本文提出了一种少控制参数的约束多目标微粒群优化算法.该算法利用关于微粒全局和个体最优点的高斯分布来更新微粒的位置,无需设置惯性权重和学习因子等控制参数;利用非可行储备集保存所得非可行解,给出一种改进的储备集更新方法;为均衡微粒对未知可行域和已知可行域的开发/探索能力,提出一种线性递减策略,用来分配微粒从非可行储备集中选...     

一种改进的多目标蚁群优化算法

提出了一种改进的多目标优化问题的蚁群算法.算法选择进化算法的定义的时候,种群中一定数量的个体信息来源作为中心的扩散,多个中心点之间有一定的距离;群体中的其他个体按照离源个体最近的距离的原则归属于其中一个信息素扩散源;按照信息素扩散算法,每一信息素扩散源中的个体获得源于中心点的信息素;保留每一代群体中的中心点到下一代种群中,确保了收敛性和维护种群的多样性.最后利用多目标背包问题来测试算法的性能,并与MOA和NSGA-II算法进行了分析比较.结果表明,该搜索效率高,向真实Pareto前沿逼近效果好,得到传播的多种解决方案,是一个多目标优化问题的解决和有效的方法.     

用于多目标进化的归一化排序非支配集构造方法

 本文基于归一化思想,通过计算进化群体中个体多目标值的归一化和,提出了个体之间排序意义上的大于、等于关系,建立了进化群体中所有个体从大到小的全排序,同时给出了相关理论和证明.在此基础上,提出了多目标进化算法的非支配集构造方法,该方法使个体之间的比较次数有较大幅度地减少,加速了非支配集的构造速度.实验结果已经验证了本文提出的用归一化排序构造非支配集的方法效率提高显著.     

基于多种群动态协同的多目标粒子群算法

针对复杂的多目标问题,文中提出了一种基于多种群动态协同的多目标粒子群算法。该算法设置多个种群同时进行独立搜索,从而有效提高算法的搜索能力。此外,为进一步保证种群多样性,该算法利用动态聚类策略将种群划分为两个子群,并改变子种群的更新方式。通过动态学习样本和差分变异,进一步避免算法陷入局部最优。经过对一系列标准测试函数进行仿真,验证了该算法在多目标问题上的有效性。将该算法与5种现存算法进行比较,结果显示该算法的多样性和收敛性均具有明显的优势。