一种改进的高维多目标调和进化算法

针对传统的基于严格Pareto支配的多目标进化算法在计算3个以上目标的高维问题时出现收敛性不足的问题,以淘汰选择法ELECTRE-Ⅰ为构造基础,提出了一个改进的优势个体比较选择算子。该锦标赛规则可以有效克服Pareto选择压力不足的问题,与一般的锦标赛选择算子不同,该算子借助于面向最小优势子集选择的ELECTRE-Ⅰ法来找到同一层级非劣集中的优势个体,从而对每一层的非支配进化个体生成一个最小优势子集,进而给出进化个体中的优劣排序新规则,最后在典型高维测试集DTLZ函数上进行仿真实验。实验结果表明,该算法比经典多目标进化算法NSGA-Ⅱ、NSGA-Ⅲ、α-NSGA-Ⅱ和HV-NSGA-Ⅱ在求解某些特定问题集上具有更好的多样性与收敛性。     

新的混合分解高维多目标进化算法

在基于分解技术求解高维多目标优化问题的思想启发下,为了提高多目标优化问题非支配解集合的分布性和收敛性,提出新的基于个体支配关系的混合分解高维多目标进化算法.该算法采用分子种群的进化模式,设计新的基于有效阶的个体支配关系用于个体的比较和更新操作,以便在增加个体选择压力的同时提高解集分布的多样性.为了改善该算法的局部搜索性能,将Powell搜索作为局部搜索算子,采用传统优化与进化算法相融合的混合进化策略.为了检验提出算法的性能,将提出算法用于求解5~20个目标的6类标准测试问题,与同类算法相比,该算法在收敛性和分布性方面均具有较大的改进和提高.     

MaOEA/I: Many-objective Evolutionary Algorithm Based on Indicator Iε+

MaOEA/I：一种基于指标的高维多目标进化算法

朱思峰,杨诚瑞,胡家铭

(天津城建大学 计算机与信息工程学院,天津,300384)

摘要：在高维多目标优化问题中,种群收敛性与多样性的平衡相较于多目标优化问题面临更大挑战。本文提出了一种基于指标的高维多目标进化算法用以解决上述问题。指标被应用于环境选择,以指标的二元关系替代非支配关系,保证高维环境下种群收敛性与多样性的平衡。指标更加注重局部信息,仅以解两两之间的关系评估解的质量。当的值小于0时,解支配解;当的值等于0时,解与解相同;当的值大于0时,解与解之间不存在支配关系,但是此时的值越小,两解的距离越近。可以认为,的值越小,这组解对种群的贡献越低,环境选择将依次删除对种群贡献最低的解。本文提出的算法与其他6种算法进行了对比实验,结果证明本文提出的算法能够取得更优的结果。

关键词 高维多目标;进化算法;指标;收敛性;多样性

     

基于基因表达式编程的多目标优化算法

目前的多目标优化进化算法在高维的决策空间中收敛性能不佳,针对这个问题,提出了基于基因表达式编程的多目标优化算法GEPMO,主要工作包括：提出了新的个体编码方案,分离了值基因和位置基因;设计了新的算子;分析了GEPMO的编码空间;提出了GEPMO的框架。在标准测试函数上的实验结果表明了新算法的有效性,在高维决策空间中GEPMO能够覆盖SPEA算法的结果集87.5%,但SPEA覆盖GEPMO仅为5%。     

基于混沌优化和网格筛选策略的多目标分布估计算法

为了解决多目标分布估计算法中进化速度慢、解精度和分布不佳等问题,提出一种基于混沌优化和网格筛选策略的多目标分布估计算法.该算法首先利用混沌模型进行种群的初始化,以获得较理想的初始化结果;然后运用混沌的局部优化策略对每代产生的非支配个体进行寻优,加速种群向Pareto最优前沿的逼近;最后利用简单的网格筛选策略保持个体的均匀分布,从而增强精英种群的多样性.3种评价标准在8个测试问题上的实验表明:与目前最具代表性的RM-MEDA算法相比,该算法不仅在接近真实的最优前沿和保持种群的多样性方面具有一定优势,而且在进化速度上也有较大提高.     

基于动态分配邻域策略的分解多目标进化算法

邻域规模是影响分解多目标进化算法性能的重要因素之一,传统分解多目标进化算法通常对计算复杂度不同的子问题分配相同的邻域规模,算法运行效率受到限制.针对以上问题,提出了一种基于动态分配邻域策略的分解多目标进化算法(M OEA/D-SD):首先,在收敛性方向和多样性角度上评估个体的进化状态;其次,根据进化状态动态调节邻域大小...     

基于插值方法的EMO多样性保持策略

针对演化多目标优化(evolutionary multi-objective optimization,EMO)算法搜索到的近似Pareto 前沿出现间断或不完整现象的问题,提出了基于插值方法的演化多目标多样性保持策略,利用标准测试函数对NSGAII(支配关系排序的遗传算法)和提出的算法进行多样性和收敛性指标测试,数值试验结果表明,所提出的算法性能得到明显改进,优于NSGAII算法.     

基于精英策略的多目标模拟退火算法

在本文提出的新算法中,以模拟退火方法为进化手段,为了保证解的收敛性与多样性,运用快速非支配排序和密度比较算子,并利用精英策略,保存最优解。对新算法加以实现,最后对其结果进行评价。     

一种基于人工免疫系统的多目标优化算法

在算法MISA中使用了Pareto支配、P竞争选择法、退化个体的选择及实数编码策略.在仿真试验中,将算法MISA与NSGAⅡ所得模拟实验结果进行对比.通过比较发现,在三维目标优化方面,算法MISA无论是在个体的多样性,还是收敛性上都要比NSGAⅡ好,这种算法是一种可行的、有效的解决多目标优化问题的方法.     

自适应差分进化算法的研究及其在聚丙烯牌号切换优化中的应用

针对常规差分进化算法易"早熟"的问题,提出了自适应的差分进化算法,该算法在计算过程中自适应地调整变异率,使得种群在初期保持个体多样性,避免早熟,到后期保留优良信息,加快全局搜索速度;同时该算法还引入了扰动交叉算子,有助于在搜索过程中保持群体的多样性.测试表明,新算法的寻优性能有明显改善,并成功地应用于聚丙烯牌号切换优化问题.     

一种适应度排序的高维多目标粒子群优化算法

针对高维多目标优化问题复杂度高,求解难度大的特点,提出了一种集成适应度排序的高维多目标粒子群优化算法.该算法通过获取种群中个体与参考点最近的向量,结合基于惩罚的边界交叉方法对种群中的个体进行排序,并对较差的个体进行删除,留下的精英个体被保存到外部档案中.将该算法与性能先进的4种高维多目标进化优化算法在13个标准测试实例...     

基于超平面投影的高维多目标进化算法

针对高维多目标优化问题（MaOPs）,为了更好地在收敛性和分布性之间保持平衡,提出基于超平面投影的高维多目标进化算法（HPEA）.通过归一化技术构造单位超平面,将种群个体垂直投影到单位超平面上,消除收敛程度的影响;通过改进的Harmonic平均距离,评估单位超平面上投影点的拥挤密度;结合收敛信息构造λ-distance,更好地平衡解集收敛性与分布性.为了检验所提算法的性能,将之用于求解3~10个目标的9类标准测试函数,与目前国内外具有代表性的5种高维多目标进化算法对比可知,该算法相对于其他算法具有优势,能够在提高算法收敛性的同时,保证解集的分布性.     

高维多目标问题的排序新方法

针对高维多目标优化问题,提出了一种新的排序方法．它通过产生近似最优目标向量来增加种群的规模,从而达到对真实个体的有效排序．首先构造一个理想的帕累托前沿面,然后将这个理想的帕累托前沿面分成若干个网格,使每个个体都对应惟一的一个网格,通过这个网格上的节点来判断这个体是不是非支配解．数值实验表明,即使对于50维目标的问题,收敛性度量值也小于1．此外,与当前的两种最具代表性的松弛的帕累托占优方法比较,该方法能同时保持解的多样性和收敛性．     

一种多样性控制的多目标粒子群算法

针对传统多目标粒子群算法容易早熟的问题,提出了一种基于多样性控制的多目标粒子群算法.该算法采用一种基于权值向量的多样性评价指标来度量算法在每一次迭代时的种群多样性,并根据评估值来自适应地控制算法的进化过程.为了保证种群的多样性,采用一种基于Steffensen方法的自适应变异策略对外部种群进行更新.通过自适应地选择粒子...     

高维目标进化算法研究进展

主流的多目标进化算法在解决目标数目较少的优化问题时具有较好的性能,但当优化目标数目超过4维,即具有高维目标时,算法的性能很快下降,而且搜索的开销快速增长.高维目标进化算法的研究受到了进化计算与工程优化领域的高度关注.鉴于此,对高维目标优化问题的困难进行了分析,并对高维目标进化算法的研究进展进行了综述,总结了各类算法的特点与缺陷,并指出了未来进一步研究的方向.     

Solving material distribution routing problem in mixed manufacturing systems with a hybrid multi-objective evolutionary algorithm

The material distribution routing problem in the manufacturing system is a complex combinatorial optimization problem and its main task is to deliver materials to the working stations with low cost and high efficiency. A multi-objective model was presented for the material distribution routing problem in mixed manufacturing systems, and it was solved by a hybrid multi-objective evolutionary algorithm (HMOEA). The characteristics of the HMOEA are as follows: 1) A route pool is employed to preserve the best routes for the population initiation; 2) A specialized best-worst route crossover (BWRC) mode is designed to perform the crossover operators for selecting the best route from Chromosomes 1 to exchange with the worst one in Chromosomes 2, so that the better genes are inherited to the offspring; 3) A route swap mode is used to perform the mutation for improving the convergence speed and preserving the better gene; 4) Local heuristics search methods are applied in this algorithm. Computational study of a practical case shows that the proposed algorithm can decrease the total travel distance by 51.66%, enhance the average vehicle load rate by 37.85%, cut down 15 routes and reduce a deliver vehicle. The convergence speed of HMOEA is faster than that of famous NSGA-II.     

一种高维多模态优化的量子粒子群优化算法

为求解实际工程中的高维多模态优化问题,提出了基于动态邻域的多策略进化的量子粒子群优化算法(QPSO).针对QPSO算法存在的粒子"早熟"问题,首先定义了一种动态邻域选择机制以保持种群的"活跃性";然后结合动态邻域机制,定义了三个不同策略的局部吸引子更新方程以保持种群进化的"多样性".为了防止算法的进化方向不发散,对收敛到全局最优解的局部吸引子更新策略赋予了较大权重;最后为了拓展最优解空间引入了狼群优化算法中的综合评价方法.通过对不同类型的高维多模态基准测试函数的仿真实验结果表明:相比于其余四种优化算法,本文提出的优化算法在收敛精度和稳定性方面具有明显优势,并且随着测试维度的增加,这种优势更加凸显,展现出了较好的解决高维多模态优化问题的性能.文中引入的综合评价方法在所有的测试函数中均具有较高的生效次数,综合评价生效意味着为下一次的进化找到一个更加有利的进化方向,这样能够减少算法找到最优解的次数,也能进一步提升算法的收敛精度.     

基于MapReduce模型的分布式粒子群算法

通过对传统的单种群粒子群算法的分析,提出一种基于MapReduce模型的分布式粒子群算法,解决粒子群算法在求解大规模优化问题时求解效率和精度明显下降等问题。在粒子群进化过程中,粒子速度和位置的更新采用惯性权重的方法,其权重值线性递减,并且利用多子群进化策略,提高算法的收敛精度。通过MapReduce模型实现算法的并行化,有效提高算法求解效率。选取目前比较流行的几种算法,并在13个500维、1 000维的标准测试函数上仿真试验,结果显示该算法具有良好的优化性能。     

一种改进的粒子群优化算法

针对基本粒子群算法在处理复杂问题时有可能陷入局部极小的现象,引入群体适应度方差及群体位置方差,协调算法的种群多样性,使之能有效地克服基本粒子群算法容易陷入局部收敛的问题。在算法的中后期,根据粒子的表现不同,自适应调整惯性权重,保持群体惯性权重的多样性。通过选取4个基准函数进行测试,验证了改进算法可提高粒子群算法的优化性能。     

基于云差分进化算法的约束多目标优化实现

针对现有约束多目标算法存在收敛性、分布性不高等问题,提出一种基于云差分进化算法的约束多目标优化方法,通过云模型对差分进化算法的参数进行自适应处理;采用建立外部种群分别存储可行解和不可行解的方式处理约束条件,并对已有可行解集的更新方法进行改进,有效提高解集的分布性.提出新的变异策略,利用优秀可行解和不可行解的方向信息增强算法对解的探索能力.通过对CTP类标准问题的求解表明,与另外2种较为优秀的约束多目标算法相比,本算法显著提高了Pareto解集的分布性,且更接近于真实的Pareto前沿,有效地解决了约束多目标问题.