一种基于云模型的多目标进化算法

在多目标进化算法的基础上,提出了一种基于云模型的多目标进化算法(CMOEA).算法设计了一种新的变异算子来自适应地调整变异概率,使得算法具有良好的局部搜索能力.算法采用小生境技术,其半径按X条件云发生器非线性动态地调整以便于保持解的多样性,同时动态计算个体的拥挤距离并采用云模型参数来估计个体的拥挤度,逐个删除种群中超出的非劣解以保持解的分布性.将该算法用于多目标0/1背包问题来测试CMOEA的性能,并与目前最流行且有效的多目标进化算法NSGA-II及SPEA2进行了比较.结果表明,CMOEA具有良好的搜索性能,并能很好地维持种群的多样性,快速收敛到Pareto前沿,所获得的Pareto最优解集具有更好的收敛性与分布性.     

一种基于多目标优化的Agent多议题协商模型

Agent多议题协商研究是多Agent合作求解的核心内容之一,一般基于对策论的方法实现Pareto最优的协商结果。由于很多学者将其转化为单目标约束满足问题,因而只能满足一方的效用最大化要求。Nash指出在理想情况下Agent应追求自身效用最大和对手效用最大的多目标优化,以达到快速达成一致并能最优化自身效用的目的。针对该问题,本文给出一种用指数型功效系数法求解的一揽子交易多议题协商模型NMMOP,该模型能够实现双方Agent的效用最优,提高协商双方的总效用。实验结果验证了该模型的优化效率优于Fatima和Faratin等人的工作。     

基于进化算法的多目标优化方法

进化算法在解决多目标优化问题中有其特有的优势.首先对多目标优化问题进行了描述;然后结合研究现状讨论了目前几种主要的基于进化算法的多目标优化方法,以及它们的优缺点;最后给出了多目标进化优化算法的一些应用,以及进化多目标优化算法的未来发展方向.     

一种求解约束多目标优化问题的线性进化算法

针对多目标优化问题,提出了一种新的基于实数编码的线性进化算法.新算法将约束优化问题的高维搜索空间通过线性变换映射到二维空间,在二维空间中探索原优化问题的解,并构造出一种线性适应度函数,重新设计了一种基于密度函数的交叉算子.对二组典型优化问题的测试表明,本算法是可行和有效的,解集分布的均匀性与多样性均较理想.     

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.     

优化设计中的多目标进化算法

近十多年来多目标进化算法是人工智能领域的一个相当活跃的研究热点。该文从非Pareto方法、基于Pareto方法及贝叶斯多目标优化算法等角度对当今多目标进化算法进行了分析,归纳了新出现的各种方法和技术,探讨了这个领域发展中存在的问题,并进一步给出了发展方向。此外文中分别对后两类提出了解决一般问题的计算效果较好的改进算法和新的算法。     

一种自适应多目标离散差分进化算法

提出一种自适应多目标离散差分进化算法。该算法将差分进化引入多目标优化领域,采用一种新的自适应离散差分进化策略增强算法的全局搜索能力,以获得更优的Pareto近似解,并结合Pareto快速分层排序策略和基于聚集密度的按层修剪操作对种群进行更新维护,使解集保持良好的多样性。实例测试和算法比较表明,该算法能有效求解离散域和连续域上不同类型的多目标优化问题,且在收敛性、分布性、稳定性方面均表现较好。     

多目标进化算法的研究与进展

多目标优化问题通常难以处理,在20世纪80年代中期人工智能的进化算法开始应用于该领域.近10年来涌现了很多种多目标进化算法,一些已成功应用到工程实践中,从而形成了最近的一个热门研究领域.本文阐述了多目标进化算法研究的有关工作进展,并提出今后需要研究的问题,旨在引起大家对此新兴研究领域的关注与兴趣,从而推动与此相关问题的研究.     

基于模拟退火的多目标优化算法

该文剖析了多目标优化问题和物体退火之间的关系,发现两者之间有着天然的联系,并在此联系的基础上,构建了一种新型的多目标优化算法———基于模拟退火的多目标优化算法。最后,基于典型算例的数值仿真验证了算法的有效性。     

基于空间网格划分的多目标进化算法

为了有效求解多目标优化问题,找到分布宽广、均匀的Pareto解集,提出了一个基于空间网格划分的进化算法。将目标空间网格化,利用网格的位置,删除大量被支配个体。在杂交算子中利用了单个目标最优的个体信息,以增加非劣解的宽广性。利用一种新设计的基于最大距离排序的方法删除非劣解集中多余个体。数值实验表明提出的算法是可行有效的。     

一种改进的小生境遗传算法在多目标优化中的应用

引入个体迁徙和捕猎行为的模拟,改进小生境遗传算法的思想,以加快Pareto最优解的收敛速度和保证解的多样性,使得改进的算法更适合于多目标优化求解.计算实例表明,与SPEA算法相比,所提出的算法更优越.     

具有约束多目标优化的进化算法

针对带有约束多目标优化问题,提出一种多目标优化进化算法。在选择过程中,采用约束的Pareto支配和聚集距离定义适应值,根据适应值挑选出有代表性的个体。在变异过程中,沿着权重梯度方向搜索来寻找可行的Pareto最优解。最后,采用两个数值算例测草算法的性能,结果表明该算法能获得多目标约束优化问题的可行Pareto最优解并且具有较好的分散性。     

改进的粒子群优化算法

将基本粒子群算法粒子行为基于个体极值点和全局极值点变化为基于个体极值中心,并且按一定概率选择其他粒子的个体极值点,设计了一种新的粒子群优化算法.新算法的学习行为符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解.实验结果表明了算法的有效性.     

多目标优化遗传算法的收敛性定义及实例研究

寻找非劣解集合是遗传算法求解多目标优化问题的目标,而标准的遗传算法收敛性分析方法对多目标遗传算法的分析并不合适。本文利用有限马尔科夫链给出了遗传算法求解多目标优化问题的两个收敛性定义,并给出了一个实例研究及进一步的工作计划。     

带组织的粒子群优化同步并行算法

提出带组织的粒子群优化同步并行算法.粒子群优化算法是一种基于群体智能的演化算法,具有良好的优化性能.但由于群体的迅速收敛和多样性低,导致算法早熟收敛.带组织的粒子群优化同步并行算法虽然克服了早熟收敛问题,但无形中却增加了计算时间.结合已有的并行计算技术,构造出了该方法的同步并行计算算法,仿真试验证明并行算法具有更快的收敛速度.     

一种改进的求解约束函数优化问题的演化算法

带约束的函数优化是函数优化中最多,也是较难的问题.针对这个问题提出一种改进的算法,它是基于遗传算法的非参惩罚函数的函数优化.通过改进广义的目标函数,对不可行解恰当地进行惩罚,并引进柯西组合、柯西变异以及高斯变异,极大地提高了算法的全局搜索和局部搜索能力,克服传统遗传算法"爬山能力差"的弱点.     

一种求解多目标0-1规划问题的自适应粒子群算法

对于带有线性约束的多目标0-1规划问题,给出了一种自适应的粒子群优化算法。该算法利用变换来控制模型的线性约束,并通过对各目标函数进行自适应加权的方式形成适应度函数。数值结果表明该算法是有效的,可以求解实际应用中的一些模型。     

STUDS MATING IMMIGRANTS IN EVOLUTIONARY ALGORITHM TO SOLVE THE EARLINESS-TARDINESS SCHEDULING PROBLEM

Current trends in manufacturing are focused on just-in-time production which emphasizes policies discouraging earliness as well as tardiness of job completion. New trends to enhance evolutionary algorithms introduced multiple-crossovers-on-multiple-parents (MCMP) a multirecombinative approach allowing multiple crossovers on the selected pool of (more than two) parents. As a novel variant, MCMP-SRI considers the inclusion of a stud-breeding individual in a pool of random immigrant parents. Members of this mating pool subsequently undergo multiple crossover operations. This paper describes implementation and performance of MCMP-SRI when solving diverse instances of the earliness-tardiness problem in a single machine environment.     

基于PSO信息传递模式的混合算法

粒子群优化算法（Particle Swarm Optimization,PSO）是一种基于群智能（Swarm Intelligence）的随机优化计算技术。PSO和遗传算法这两种算法相比较,PSO收敛快速准确,但编码形式单一,局限于解决实优化问题,而遗传算法编码形式灵活,解决问题广泛,但执行效率低于PS00。将粒子群算法的信息传递模式与遗传算法的编码和遗传操作相结合,提出一种混合算法。并推导了两个算法之间的密切联系。并通过组合优化和函数优化的基准测试集对算法进行测试,试验结果表明,该算法在收敛精度和速度优于传统遗传算法。同时,也观察到该算法取得了与粒子群算法一致的收敛现象。     

一种改进的Ford-Fulkenson算法在选题系统中的应用研究

介绍了经典的二分图的匹配算法Ford-Fulkenson,并作了改进,在毕业设计选题系统中进行了应用,能在学生的志愿和老师的要求之间进行自动匹配,使负责选题的工作人员能从冗杂的课题需求中尽量准确的达成匹配,从而提高院校的教学质量.