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.     

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.     

多宇宙并行量子多目标进化算法

提出了一种新的基于量子计算的多目标进化算法,即多宇宙并行量子多目标进化算法。算法中将所有的量子个体按给定的拓扑结构分成多个独立子种群,划分为多个宇宙;采用目标个体均匀分配原则和动态调整旋转角机制对各宇宙量子个体进行演化;宇宙之间采用最佳移民操作来交换信息,设计最优个体保留方案以便各宇宙共享全局信息,提高算法的执行效率。该算法用于多目标0/1背包问题的仿真结果表明：新方法能够找到接近Pareto最优前端的更好的解,同时维持解分布的均匀性。     

多目标进化算法研究进展

进化算法具有本质上并行、不需要求导或其他辅助知识、一次运行产生多个解和简单易于实现等优点,被视为求解多目标优化问题的有效方法,目前已经形成了各种不同的多目标进化算法（MOEA）。本文首先回顾了多目标进化算法的研究起源,给出了多目标优化问题的数学描述;其次,详细分析了第一代多目标进化算法,其主要特征是简单易于实现,包括NSGA、NPGA、MOGA等,并指出这一代算法研究的成绩与不足;然后,对第二代多目标进化算法作了全面分析,指出其特征是强调效率,以精英保留策略为实现机制,且对SPEA、PAES、NSGAⅡ、NPGA2、PESA、Micro-GA等方法进行分析比较,还对这一代的研究作了总结;最后,对多目标进化算法的研究趋势作了展望和预测。     

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。     

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.     

多目标演化算法的进展研究

回顾多目标演化算法的研究历史,给出问题相应的数学描述;其次,分析经典的第一代多目标进化算法,阐明这一代算法的优点与不足;对新一代多目标进化算法作详细的分析,其主要特点是构造外部种群实现精英保留机制;最后多目标进化算法的研究方向作展望.     

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.     

Evolutionary multi-objective optimization: some current research trends and topics that remain to be explored

This paper provides a short review of some of the main topics in which the current research in evolutionary multi-objective optimization is being focused. The topics discussed include new algorithms, efficiency, relaxed forms of dominance, scalability, and alternative metaheuristics. This discussion motivates some further topics which, from the author’s perspective, constitute good potential areas for future research, namely, constraint-handling techniques, incorporation of user’s preferences and parameter control. This information is expected to be useful for those interested in pursuing research in this area.     

A single front genetic algorithm for parallel multi-objective optimization in dynamic environments

This paper proposes a new parallel evolutionary procedure to solve multi-objective dynamic optimization problems along with some measures to evaluate multi-objective optimization in dynamic environments. These dynamic optimization problems appear in quite different real-world applications with actual socio-economic relevance. In these applications, the objective functions, the constraints, and hence, also the solutions, can change over time and usually demand to be solved online whilst the size of the changes is unknown. Although parallel processing could be very useful in these problems to meet the solution quality requirements and constraints, to date, not many parallel approaches have been reported in the literature. Taking this into account, we introduce a multi-objective optimization procedure for dynamic problems that are based on PSFGA, a parallel evolutionary algorithm previously proposed by us for multi-objective optimization. It uses an island model where a process divides the population among the remaining processes and allows the communication and coordination among the subpopulations in the different islands. The proposed algorithm makes an exclusive use of non-dominating individuals for the selection and variation operator and applies a crowding mechanism to maintain the diversity and the distribution of the solutions in the Pareto front. We also propose a model to understand the benefits of parallel processing in multi-objective problems and the speedup figures obtained in our experiments.     

A Study on Distribution Preservation Mechanism in Evolutionary Multi-Objective Optimization

This paper reviews a number of popular distribution preservation mechanisms and examines their characteristics and effectiveness in evolutionary multi-objective (MO) optimization. A conceptual framework consisting of solution assessment and elitism is presented to better understand the search guidance in evolutionary MO optimization. Simulation studies among different distribution preservation techniques are performed over fifteen representative distribution samples and the performances are compared based upon two distribution metrics proposed in this paper. The results and findings reported in this paper are valuable for better understanding of the working principle and characteristics of distribution preservation mechanisms, which are very useful for incorporating different distribution preservation features into MO evolutionary algorithms in a modular fashion or improving the effectiveness of existing preservation approaches.     

多目标演化算法的收敛性研究

基于群体搜索的演化算法求解多目标优化问题有独特的优势,多目标演化算法已有的研究大多为算法的设计和数值试验效果的比较,理论研究往往被忽视．该文讨论了多目标演化算法的收敛性问题,针对一种网格化的简单易于实现的多目标演化算法模型定义了多目标演化算法强收敛和弱收敛等概念,给出了判断算法收敛性的一般性条件;在变异算子为高斯变异、目标函数连续的条件下,证明了提出的算法强收敛．数值实验验证了算法的可行性和有效性．     

基于最佳进化方向的多目标遗传算法

该文模拟自然界中生物总是向着有利于自己的方向进化,即朝生物利益最大化的方向进化这一现象,给出了一种新的设计适应度函数的方法,并且结合多目标优化的Pareto最优解的概念,提出了求解多目标优化问题的一种新的算法———基于最佳基因的多目标遗传算法。数值实验表明,该算法不仅操作简单、鲁棒性强、速度快、且能够获得数量多而且广泛的Pareto最优解。     

约束多目标进化算法研究进展

约束多目标进化算法（CMOEAs）能够同时处理多个相互冲突的目标函数和约束条件,引导种群逼向可行域的最优解,受到了研究者的广泛重视。首先介绍了约束多目标优化问题（CMOPs）的相关定义和多目标进化算法（MOEAs）的三种分类;其次,系统地分析了当前CMOEAs中约束处理机制,凝练出当前主要的四种约束处理方法;然后,从基于支配、基于指标、基于分解三个方面对CMOEAs的研究进展进行了详细综述;最后,指明了CMOEAs存在的挑战和未来研究方向。     

Evolving Dynamic Multi-Objective Optimization Problems with Objective Replacement

This paper studies the strategies for multi-objective optimization in a dynamic environment. In particular, we focus on problems with objective replacement, where some objectives may be replaced with new objectives during evolution. It is shown that the Pareto-optimal sets before and after the objective replacement share some common members. Based on this observation, we suggest the inheritance strategy. When objective replacement occurs, this strategy selects good chromosomes according to the new objective set from the solutions found before objective replacement, and then continues to optimize them via evolution for the new objective set. The experiment results showed that this strategy can help MOGAs achieve better performance than MOGAs without using the inheritance strategy, where the evolution is restarted when objective replacement occurs. More solutions with better quality are found during the same time span.