Pareto强度值演化算法求解多目标优化问题

近年来,多目标优化问题求解已成为演化计算的一个重要研究方向,而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点.多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域.本文定义和使用稀松密度来保持群体中个体的均匀分布,并将个体的Pareto强度值和稀松密度合并到个体的适应值定义中.通过对测试函数的实验,验证了算法的可行性和有效性.     

基于动态拥挤距离的自适应变异演化算法

多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域。根据个体的非支配排序级数设计了一种自适应变异步长的柯西变异算子,对变异越界处理进行了改进;并定义和使用动态拥挤距离来保持群体中个体的均匀分布。最后通过对测试函数的实验,验证了算法的可行性和有效性。     

高效求解Pareto最优前沿的多目标进化算法

设计了一种新的求解均匀分布的Pareto最优解集的多目标进化算法(MOEA),其主要的特点是使用了一种新的个体适应值的计算方式,方法是通过群体中某一个体与群体的最优非劣解集的最小距离来刻画个体的适应值的.算法还结合了遗传算法中的精英策略以及NSGA-Ⅱ中的拥挤距离[12],提高了非劣解向Pareto最优前沿收敛的速度,并且保证了Pareto 最优解集的多样性.仿真结果表明,算法不仅能够获得分布良好的Pareto最优前沿,而且能够极大地简化计算,减少了算法的运行时间,其计算复杂度为o(mn2)(m表示的是目标函数的个数,n是种群的规模).     

基于IFI与FUA的Pareto遗传算法

在适应值快速辨识算法和基于聚类排挤的外部种群快速替换算法的基础上,提出了搜索Pareto最优解集的快速遗传算法。在该算法中,IFI算法实现个体适应值的快速辨识,FUA维持种群多样度和Pareto最优解集的均匀分布性。采用FPGA算法对多种多目标0/1背包问题进行仿真优化,FPGA算法能够以较少的计算成本搜索到高精度、分布均匀、高质量的Pareto非劣解集,收敛速度和收敛准确性均优于强度Pareto进化算法(SPEA)。     

一种改进的基于pareto解的多目标粒子群算法

研究一种改进的多目标粒子群优化算法,算法采用精英归档策略,利用粒子的个体最优定位,通过Pareto支配关系更新全体粒子最优位置,由档案库中动态提供。根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的密度距离度量非劣解前端的均匀性,通过删除密度距离小的非劣解提高非劣解前端的均匀性。从归档中根据粒子的密度距离大小依照概率选取作为粒子的全局最优位置,以保持解的多样性。标准函数的仿真实验结果表明,所提算法能够获得大量且较均匀的非劣解,快速地收敛于Pareto最优解前端。     

基于ε占优的正交多目标差分演化算法研究

演化多目标优化是目前演化计算中热门研究方向之一.但是,要设计一种高效、鲁棒的演化多目标优化算法,使其找到接近最优和完整的非劣解集是一项很困难的任务.为了能有效求解多目标优化问题,提出了一种新的多目标差分演化算法.新算法具有如下特征:1)利用正交实验设计和连续空间量化的方法产生初始群体,使得初始群体中的个体可以均匀分布于搜索空间,并且可以使好的个体在演化过程中得到利用;2)采用Archive群体保存非劣解,并利用ε占优方法更新Archive群体,从而可以使算法较快获得分布很好的Pareto解集;3)为了加快算法收敛,提出一种基于随机选择和精英选择的混合选择机制.通过8个标准测试函数对新算法进行测试,并与其他一些多目标演化算法进行比较,其结果表明新算法可以有效逼近真实Pareto前沿且分布均匀,并且在收敛性和多样性的求解精度和稳     

基于均匀设计的聚类多目标粒子群优化算法

为更有效地求解多目标优化问题,提出一种基于均匀设计的聚类多目标粒子群算法UCMOPSO。采用基于均匀设计的交叉操作尽可能地获得目标空间中均匀分布的非劣解,帮助种群跳出局部最优解,并通过一种新的聚类操作选择外部存档中有代表性的非劣解,从而控制外部存档规模,降低计算复杂度。对基准函数的测试结果表明,UCMOPSO算法相比同类算法在收敛性和分布性方面具有优势。     

多目标混合遗传算法求解流水车间调度问题

为高效地求解多目标流水车间调度问题,提出了一种多目标混合遗传算法,此算法将局部搜索融入进化计算中,采用非劣解并行局部搜索策略,并依据基于Pareto支配关系的个体排序数和密度值进行适应度赋值,以加速算法的收敛,保持群体多样性.仿真结果表明,新算法能够有效地解决多目标流水车间调度问题.     

一种实数编码多目标贝叶斯优化算法

提出了一种采用基于决策树概率模型表示各变量之间条件相关性的分布估算算法:实数编码多目标贝叶斯优化算法(RCMBOA)。通过构建这样的概率模型,继而对模型进行抽样以产生新个体。再对生成的新个体进行变异操作,以提高算法的搜索能力,增加种群的多样性。这种生成新个体的方法结合非劣分层与截断选择机制,可以很好地逼近多目标问题的Pareto前沿。同时,在进行截断选择时,每次只删除一个排挤距离小的个体,之后重新估算个体的排挤距离,以获得分布均匀的非劣解集。对于约束多目标优化问题,算法采用带约束支配关系判别个体的优劣。用该算法对8个较难的测试问题进行了优化计算,获得的非劣解集与NSGA-II算法得到的相比,非劣解集的质量更高,分布更为均匀。计算结果说明RCMBOA是一种有效、鲁棒的多目标优化算法。     

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。     

求解多目标作业车间调度问题的混合变异杂草优化算法

针对多目标作业车间调度问题,提出一种混合变异杂草优化算法。该算法采用基于各子目标熵值权重的欧氏贴近度作为适应度值计算方法,引导种群向Pareto前端进化。在进化过程中,运用快速非支配排序策略构建Pareto档案,并利用进化种群中最优个体实时更新Pareto最优解集,提升算法的优化性能;同时通过引入变异算子增加种群多样性,避免算法陷入局部最优。最后,基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性。     

A prediction strategy based on center points and knee points for evolutionary dynamic multi-objective optimization

In real life, there are many dynamic multi-objective optimization problems which vary over time, requiring an optimization algorithm to track the movement of the Pareto front (Pareto set) with time. In this paper, we propose a novel prediction strategy based on center points and knee points (CKPS) consisting of three mechanisms. First, a method of predicting the non-dominated set based on the forward-looking center points is proposed. Second, the knee point set is introduced to the predicted population to predict accurately the location and distribution of the Pareto front after an environmental change. Finally, an adaptive diversity maintenance strategy is proposed, which can generate some random individuals of the corresponding number according to the degree of difficulty of the problem to maintain the diversity of the population. The proposed strategy is compared with four other state-of-the-art strategies. The experimental results show that CKPS is effective for evolutionary dynamic multi-objective optimization.     

基于多目标粒子群算法的混合流水车间调度方法研究

混合流水车间调度问题HFSP是一种具有很强应用背景的生产调度问题。本文给出了一种HFSP多目标调度模型,提出了一种针对该类问题的多目标粒子群算法。该算法采用基于Pareto支配关系的极值更新策略;采取对自适应惯性权重递减和对种群变异的方法以保持种群多样性;设置Pareto解池保存计算中出现的Pareto最优解,并提出了一种基于适应度拥挤度的聚类算法优化解的分布特性。实验结果表明,本文算法是求解HFSP问题的一种有效方法。     

A multi-objective artificial physics optimization algorithm based on ranks of individuals

This paper proposes a multi-objective artificial physics optimization algorithm based on individuals’ ranks. Using a Pareto sorting based technique and incorporating the concept of neighborhood crowding degree, evolutionary individuals in the search space are evaluated at first. Then each individual is assigned a unique serial number in terms of its performance, which affects the mass of the individual. Thereby, the population evolves towards the direction of the Pareto-optimal front. Synchronously, the presented approach has good diversity, such that the population is spread evenly on the Pareto front. Results of simulation on a number of difficult test problems show that the proposed algorithm, with less evolutionary generations, is able to find a better spread of solutions and better convergence near the true Pareto-optimal front compared to classical multi-objective evolutionary algorithms (NSGA, SPEA, MOPSO) and to simple multi-objective artificial physics optimization algorithm.     

混合多目标粒子群优化算法在热精轧负荷分配优化中的应用

通过对热精轧负荷分配过程的分析,选取负荷均衡、板形良好和轧制功率最低为目标,建立了热精轧负荷分配多目标优化模型.为了提高多目标优化算法解集的分布性和收敛性,提出了一种混合多目标粒子群优化算法(HMOPSO),该算法根据Pareto支配关系得到Pareto前沿进而保证种群收敛;采用分解策略维护外部存档,该策略首先根据Pareto前沿求出上界点对目标空间进行归一化处理,然后对种群进行分区处理进而保证种群的分布性能.仿真结果表明,HMOPSO的收敛性和分布性都好于MOPSO和d MOPSO;采用模糊多属性决策的方法从Pareto最优解集中选择一个Pareto最优解,通过与经验负荷分配方法相比,表明该Pareto最优解可以使轧制方案更加合理.     

二维目标下分布性与收敛性结合的种群维护策略

种群维护是多目标进化算法的重要组成部分。针对传统方法在维护过程中只考虑分布性的情况,提出一种分布性与收敛性结合的种群维护策略,该方法用一种邻近个体间的相对趋近关系来表示其适应值,弥补了单纯Pareto支配关系的“粗糙性”,并用一种可调邻域的方法对种群的密集程度进行控制。将其与NSGA-II和SPEA2进行对比,实验结果表明该算法在有效保持种群分布性的同时,拥有良好的收敛性和速度。     

基于Pareto解集分段预测策略的动态多目标进化算法

针对现有的动态多目标优化算法种群收敛速度慢、多样性难以保持等问题,提出了一种基于Pareto解集分段预测策略的动态多目标进化算法BPDMOP。当检测到环境变化时,对前一时刻进化得到的Pareto最优解根据任一子目标函数进行排序,并按照该子目标的大小均分为3段,分别计算出每一段Pareto解集中心点的移动方向;对每一段Pareto子集进行系统抽样得到Pareto前沿面的特征点,利用线性模型分段预测下一代种群;根据优化问题的难易程度,自适应地在预测的种群周围产生随机个体来增加种群的多样性。通过对3类标准测试函数的实验表明了该算法能够有效求解动态多目标优化问题。     

多目标优化差分进化算法

个体的适应度赋值和群体的多样性维护是进化算法的两个关键问题。首先,一方面,定义了Paretoε-支配关系的相关概念,通过Paretoε-支配关系确定个体的强度Pareto值,根据个体的强度Pareto值对群体进行Pareto分级排序,实现优胜劣汰;另一方面,使用拥挤距离估算个体的拥挤密度,淘汰位于拥挤区的一些个体,维持群体的多样性。然后,根据差分进化算法的特点,使用适当的进化策略和控制参数,给出了一种用于求解多目标优化问题的差分进化算法DEAMO。最后,数值实验表明,DEAMO在求解标准的多目标优化问题时性能表现优良。     

Pareto-MEC算法及其收敛性分析

介绍了一种新的多目标进化算法——Pareto-MEC。将基本MEC和Pareto思想结合起来处理多目标问题。提出了局部Pareto最优解集与局部Pareto最优态集概念，并利用概率论的基本理论证明了趋同过程产生的序列强收敛于局部Pareto最优态集。数值试验验证了Pareto-MEC算法的有效性。