一类带约束动态多目标优化问题的进化算法

动态多目标约束优化问题是一类NP-Hard问题,定义了动态环境下进化种群中个体的序值和个体的约束度,结合这两个定义给出了一种选择算子.在一种环境变化判断算子下给出了求解环境变量取值于正整数集Z+的一类带约束动态多目标优化问题的进化算法.通过几个典型的Benchmark函数对算法的性能进行了测试,其结果表明新算法能够较好地求出带约束动态多目标优化问题在不同环境下质量较好、分布较均匀的Pareto最优解集.     

一种差分多目标优化算法

提出一种基于差分进化多目标优化算法.首先,采用基于差分进化的种群启发式搜索,根据多目标优化的特点,进行基于全部种群的Pareto占优比较和选择,有效实现全局搜索和局部搜索.另外,利用一个外部种群来储存非支配解,当非支配解的个数大于外部种群预先设定的规模时,对每个非支配个体采用基于支配关系和拥挤信息的适应度策略评价,然后采用基于密度的选择策略对外部种群进行删减,进一步提高算法的均匀性和宽广性.与NSGA-Ⅱ、PESA-Ⅱ、SPEA2的比较结果表明,该算法不仅收敛性较好,而且在均匀性和宽广性上优势明显.     

自动化立体仓库货位分配优化研究

分析了自动化立体仓库货位优化问题,建立了自动化立体仓库货位优化数学模型,采用Pareto算法研究了货位优化方法,通过实例分析,优化后显著提高了货架稳定性,并且提高了货物存取效率。     

基于新模型的动态多目标优化进化算法

在动态多目标优化中,各目标通常相互冲突,其最优解往往有无穷多个,如何在时间连续发生变化的情况下依然能求出分布均匀且数量多的Pareto最优解供决策者选择十分重要.对动态多目标优化问题连续变化的时间变量区间进行了任意划分,在得到的每个时间子区间上把动态多目标优化问题近似为静态多目标优化问题,进而在每个子区间上定义了种群的静态序值方差和静态密度方差,然后把目标个数任意的动态多目标优化问题转化成一个双目标静态优化问题.在给出的一种能自动检测时间变化的自检算子下,提出一种新的动态多目标优化进化算法,并且证明了算法的收敛性.计算机仿真表明新算法对动态多目标优化问题求解十分有效.     

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、...     

解决多目标优化问题的差分进化算法研究进展

差分进化(differential evolution,DE)是一种简单但功能强大的进化优化算法.由于其优秀的性能,其诞生之日起就吸引了各国研究人员的关注.作为一种基于群体的全局性启发式搜索算法,差分进化算法在科学和工程中有许多成功的应用.本文对解决多目标优化问题的差分进化算法研究进行了综述,对差分进化的基本概念进行了详细的描述,给出了几种解决多目标优化问题的差分进化算法变体,并且给出了差分进化算法解决多目标优化问题的理论分析,最后,给出了差分进化算法解决多目标优化问题的工程应用,并指出了未来具有挑战性的研究领域.     

基于生态策略的动态多目标优化算法

动态多目标优化问题(dynamic multi-objective optimization problems, DMOP)的目标函数、约束条件或者问题的相关参数随时间变化,是多目标优化领域非常重要的研究难题,传统方法难以很好地追踪其变化的Pareto前沿.针对动态多目标优化问题特点,提出了一种基于生态策略的动态多目标优化算法(dynamic multi-objective optimization algorithm based on ecological strategy, ESDMO).各种群可以采取不同的进化策略应对外部环境变化,捕食种群与被捕食群体间的竞争也促进种群不断提高生存力.受此启发,采用了一种多种群协同进化机制与强化学习策略相结合的协同进化计算模型.该算法定义了一种环境自检算子用于检测环境的变化,不同的种群采取不同的生态策略来应对动态环境变化.经过各种类型的动态多目标优化问题测试,实验结果表明所提出的算法具有更好的解集多样性、均匀性和分布性,验证了该算法对于解决动态多目标优化问题是有效的.     

基于参数动态调整的多目标差分进化算法

针对多目标差分进化算法最优解难以获取的问题,提出一种基于参数动态调整的多目标差分进化(AMODE)算法.AMODE算法通过设计变异率和交叉率的自适应调整策略,实现进化过程中变异率和交叉率的动态调整,均衡多目标差分进化算法的局部搜索能力和全局探索能力,获得收敛性、多样性和均匀性较好的最优解.实验结果表明,基于参数动态调整的AMODE算法能够有效改善多目标差分进化算法的逼近能力(IGD)和均匀性(SP),具有较好的优化效果.     

基于精英多策略的货位分配优化方法

针对智能立体仓库货位分配问题,提出一种基于精英多策略的货位分配优化方法。首先,考虑货物重量、出入库频率和出入库时间等因素,以货架重心低、出入库频率高、货物离出入库口近等为原则建立货位分配优化模型;然后,提出一种精英多策略差分进化算法,通过提取部分精英个体的信息指导变异,并根据精英个体的拥挤度变化对不同的阶段使用不同的策略,从而产生高质量的解,同时加快算法的收敛速度;最后,通过10个经典测试函数验证了所提算法的有效性,并基于该方法对某智能制造企业的成品库进行了优化,得到了满意的货位分配方案。     

动态多目标免疫优化算法及性能测试研究

基于生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能，提出一种动态多目标免疫优化算法处理动态多目标优化问题．算法设计中，依据自适应ξ邻域及抗体所处位置设计抗体的亲和力，基于Pareto控制的概念，利用分层选择确定参与进化的抗体，经由克隆扩张及自适应高斯变异，提高群体的平均亲和力，利用免疫记忆、动态维持和Average linkage聚类方法，设计环境识别规则和记忆池，借助3种不同类型的动态多目标测试问题，通过与出众的动态环境优化算法比较，数值实验表明所提出算法解决复杂动态多目标优化问题具有较大潜力．     

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。     

利用MISA多目标优化的置信规则库分类算法

现有基于置信规则库的分类系统的分类准确率和效率受到系统参数设置以及规则库结构合理性的影响。为了寻找到最佳的参数值和最优的规则库结构,本文结合多目标免疫系统算法（multiobjective immune system algorithm, MISA）提出利用MISA多目标优化的置信规则库分类算法。该方法融合特征属性约简思想和差分进化算法思想建立训练模型,采用多目标免疫系统算法对系统复杂度和分类准确率进行多目标优化,从而寻找到分类模型的最优解。在实验分析中,首先将本文提出的置信规则库多目标分类系统MISA-BRM和置信规则库分类系统的实验结果进行对比,从复杂度和准确率两个维度说明本文方法的有效性。同时还将本文方法与现有的其他分类方法进行比较,验证本文方法的可行性和有效性。实验结果表明,本文方法能够有效地对基于置信规则库的分类系统的准确率和复杂度进行多目标优化。     

SVM性能的免疫鱼群多目标优化研究

SVM算法的训练精度和训练速度是衡量其性能的2个重要指标.以这2个指标为目标变量建立SVM性能多目标优化问题的数学模型,采用直接对多个目标同时进行优化的方法求得问题的Pareto近似解集.在求解Pareto近似解集时,将免疫原理中的浓度机制引入基本鱼群算法中,形成一种改进的免疫鱼群算法.以非线性动态系统仿真数据为样本数据,并采用改进的免疫鱼群算法求解SVM性能多目标优化问题的Pareto近似解集.仿真结果表明,在解决多目标优化问题时,免疫鱼群算法相对于基本鱼群算法和遗传算法具有更好的优越性.     

基于动态层次分析的自适应多目标粒子群优化算法及其应用

提出一种基于动态层次分析的自适应多目标粒子群优化算法,利用模糊一致矩阵层次分析法选取全局最优粒子,保证进化方向的合理性和客观性。在进化过程中对种群状态进行客观度量,自适应更新种群的权重和学习因子等重要参数,使种群进化具有自我调节能力。将提出的算法分别应用于标准多目标测试函数、PID控制器参数优化和甲醇转化烃类物质的工业过程模型辨识中,通过与其他算法的对比说明了所提出算法的有效性和可行性。     

基于改进SPEA2算法的给水管网多目标优化设计

针对给水管网多目标优化设计问题，将管网造价、节点富余水头总和以及节点富余水头方差设为目标函数，从经济性和可靠性两方面对给水管网进行优化。为了获取多样性和收敛性好的解，本文结合选择机制中支配和分解的思想，引入参考向量到强度帕累托进化算法（strength Pareto evolutionary algorithm 2, SPEA2）中，配合支配强度进行解的选择。通过双环管网和纽约管网两个管网案例，仿真结果表明了所提算法在解决管网多目标优化设计问题上的有效性，并最终应用于实际的管网工程建设中。     

自适应差分进化算法及对动态环境经济调度问题应用

为了应对动态环境经济调度(DEED)问题的高维性和大规模约束性,提出了一种自适应多目标差分进化算法(ADEA)。设计自适应差分交叉模块,提出改进的current to best/1交叉策略提高种群的多样性,有效地提高传统进化算法的探索与开采能力,提出一种修补策略处理功率平衡约束和爬坡率约束。为了验证该方法的有效性,数值仿真将ADEA应用于10机系统进行测试,并与同类算法展开比较,仿真结果表明ADEA具有较好的收敛能力,获得的Pareto前沿具有较好的均匀性和延展性,通过模糊决策获得的最好折中解能为电力系统调度人员提供较为合理的调度方案。