免疫克隆算法在多目标无功优化中的应用

基于免疫克隆算法,对电力系统无功优化的特点和系统负荷变化情况,重点研究了电力系统的智能动态无功优化问题.免疫克隆算法提出了一种新颖的求解方式,提高了算法的收敛速度,同时也保证了算法能够更好的向着最优Pareto-前端搜索,同时也保证了Pareto-最优解分布的均匀性,对电力系统无功优化提供了很好的基础.     

基于K-Means全局引导策略的多目标微粒群算法

提出了一种基于K-means全局引导策略的多目标微粒群算法(KMOPSO),通过K-means算法从归档集中选出K个均匀分布的非支配粒子作为全局最优引导,以保证种群中的粒子向整个Pareto前端移动,提高解的多样性. 用基于最近邻居的剪枝算法控制归档集规模,同时保证其中非支配解的多样性. 引入变异策略来加强算法的局部搜索能力,避免早熟收敛. 用5个经典函数进行了仿真测试,实验结果表明,该算法能有效地解决多目标优化问题,不但能收敛于Pareto最优前端,而且在解的多样性方面优于改进的非劣分类遗传算法和基于拥挤距离的多目标微粒群算法.     

免疫遗忘动态多目标优化

许多现实世界中的优化问题都是多个目标的,而且是和时间因素有关的,抽象成数学模型就是动态的多目标优化问题,基于免疫遗忘概念和免疫应答的动态过程,提出了一种用于解决动态多目标优化问题的新的人工免疫系统算法一免疫遗忘动态多目标优化(IFDMO)算法.并采用了两集合覆盖这一评价参数,对算法进行了定量的描述.这一参数用于测量在每一个时间步骤得到的最优解向着Pareto-最优面的逼近程度.并将该算法与另外一种算法CSADMO进行了比较,CSADMO是最近提出的一种用于解决动态多目标优化问题的方法,CSADMO在保持所得前沿面的均匀性,多样性及向着Pareto-最优面的逼近性方面都体现出了很好的性质.实验结果表明,在每一时间步骤中,与CSADMO相比,IFDMO获得的解能更好的向着Pareto-最优面逼近,而且解得分布也更加均匀,范围也更加宽广.     

多目标混合优化的阈值图像分割

提出了一种多目标混合优化的阈值图像分割算法。该方法以类间方差函数和模糊熵函数为待优化目标函数,为了改善粒子群算法在迭代后期陷入局部最优的问题,在粒子群算法中引入多元宇宙优化算法并产生一组非支配解集;采用混沌搜索策略进行搜索,以更有效地逼近最优阈值;通过类间差异和类内差异的加权比值来选取最优解。仿真结果表明,相较于Otsu算法、多目标粒子群算法以及多元宇宙优化算法,算法的分割准确率较高。     

基于NSGA-Ⅲ算法的多目标集成工艺规划与调度问题研究

为了减少工业制造中的碳排放,设计以生产过程碳排放最小、最大完工时间最小和总拖期最小为目标的多目标集成工艺规划与调度问题,建立相应目标的优化模型。针对建立的优化模型,提出一种改进的NSGA-Ⅲ算法,使用三段式编码方式解决工艺规划的柔性特征;使用变邻域搜索方法增强算法的局部搜索能力;引入Pareto解集更新策略,保存种群更新过程中的非支配解。在工艺规划阶段,以完工时间、碳排放最小为优化目标,为每个工件生成工艺路线非支配解集,并从中随机挑选非支配解输入到调度阶段;在调度阶段,对优化目标的模型进行优化,生成调度非支配解。使用测试实例对提出方法进行验证,并与现有算法对比,实验结果验证了本文算法找到的非支配解更接近真实的Pareto前沿。     

两阶段三存档集约束优化算法(TSDA)

针对约束优化算法采用相同的进化策略处理位于Pareto边缘的解与函数值较差的解,使得寻优结果较差,提出一种两阶段三存档集约束优化算法.该算法分为两个阶段.第一阶段:根据ε(t)值将种群分为3个存档集,即非支配解存档集、支配解存档集以及非支配可行解存档集.非支配解存档集进行混合策略的双重寻优,既避免了算法陷入局部最优,又使得靠近前沿的解加速收敛;支配解存档集则注重于全局搜索,从而有利于算法搜索到更优可行解.非支配解存档集和支配解存档集使用不同的优化策略进行进化,提高了算法的寻优能力.第二阶段:在第一阶段达到设定的代数时,将各代保留到非支配可行解存档集中的个体进行快速非支配排序,选出的N个优秀个体则为最优解.最后,将提出的算法与其他约束多目标进化算法在3种经典约束测试函数上进行对比,仿真结果表明,所提出算法在不同类约束条件下的寻优能力均具有优势.     

基于分解的自适应多目标粒子群算法研究

针对多目标粒子群算法在选取全局最优解和保持种群多样性上存在的缺陷,本文提出了一种基于分解的自适应多目标粒子群优化算法。该算法采用切比雪夫聚合方法,将多目标问题聚合为若干个单目标问题,并对每一个单目标问题粒子的速度和位置更新公式进行改进,提高了算法搜索到Pareto解集的效率。同时,改进了惯性权重和加速因子,使其自适应调整,能够更好地平衡全局和局部搜索,采用网格技术存储最优解集,能有效保持进化群体的分布均匀性,并采用5个经典的两目标测试函数进行了仿真实验。实验结果表明,通过改进粒子群算法的速度和位置更新公式,可以提高非支配解对真实解的逼近程度,体现了本算法的有效性;多目标粒子群优化算法求得的Pareto解集,在解的收敛性和分布性上都有明显的提升。本算法为求解多目标优化问题提供了一种新的方法。     

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.     

基于NSGA2的水库多目标优化

讨论了非支配排序遗传算法(non-dominated sorting gentic algorithm Ⅱ, NSGA2)及其参数确定问题, 利用NSGA2对两目标水库优化调度问题进行求解,求出了问题的Pareto前端,比较了参数不同取值的优化结果。实例分析结果表明:NSGA2中遗传操作参数(包括锦标赛选择参数、模拟二进制交叉分布参数、多项式变异分布参数)对优化结果影响很小,算法具有鲁棒性,对大部分水库多目标优化问题可采用推荐值;当NSGA2种群规模和进化代数两个参数足够大时,即可得到足够多且分布均匀的Pareto前端,算法具有简便性;利用NSGA2求解水库多目标优化问题,可得到足够多且分布均匀的Pareto前端,随着种群规模和进化代数的调整,Pareto前端逐步改进, 算法稳定性好,适合求解水库多目标优化调度问题。     

Pareto强度值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的贝叶斯网络表示各变量之间条件相关性的分布估计算法:Pareto强度值实数编码多目标贝叶斯优化算法(PSRCMBOA)。通过构建这样的网络模型,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,以增加种群的多样性,提高算法的搜索能力。这种生成新个体的方法结合基于强度值的适应度计算方式以及截断选择机制,可以获得很好地逼近多目标问题的Pareto前沿,且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。文中用3个较难的测试问题验证该算法的性能,并将其应用于Clipper飞船返回舱的气动布局多目标优化设计。PSRCMBOA对3个测试问题找到了很贴近Pareto前沿的非劣解集。对于Clipper飞船返回舱,算法获得了分布较宽且均匀的非劣解集。分析发现,为获得高升阻比,返回舱球头半径应选择在0.155~0.165 m之间、前锥半锥角应选择在20°左右、头锥底到返回舱底部的距离可选择在3.6~4.4 m之间、柱段长可在1.2~1.5 m之间。优化结果表明,该算法能够获得高质量的非劣解集,是一种有效的多目标优化算法,能够用于对复杂的工程问题进行优化设计。     

Novel constrained multi-objective biogeography-based optimization algorithm for robot path planning

A constrained multi-objective biogeography-based optimization algorithm （CMBOA） was proposed to solve robot path planning （RPP）. For RPP, the length and smoothness of path were taken as the optimization objectives, and the distance from the obstacles was constraint. In CMBOA, a new migration operator with disturbance factor was designed and applied to the feasible population to generate many more non-dominated feasible individuals; meanwhile, some infeasible individuals nearby feasible region were recombined with the nearest feasible ones to approach the feasibility. Compared with classical multi-objective evolutionary algorithms, the current study indicates that CM- BOA has better performance for RPP.     

基于多种群改进差分进化算法的环境／经济电力调度优化

应用多种群改进差分进化算法求解环境/经济电力调度(Environmental/Economic Dispatch,EED)这一多目标优化问题。将多种群策略引入差分进化算法,有助于保持群体多样性,有效避免经典差分进化算法的早熟收敛问题。采用自适应变异因子及交叉因子,使算法在搜索初期保持全局搜索能力,在搜索后期增强局部搜索能力,加快收敛速度。将该算法应用到IEEE 30节点-6机组系统的环境/经济调度优化,仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。     

Improved NSGA-Ⅱ algorithm based on the uniformly crowding distance

With the wide application and further study of the genetic algorithm in multi-objective optimization problems, the NSGA-Ⅱ has been one of the representative evolutionary algorithms for multi-objective optimization problems. Crowding distance in the NSGA-Ⅱ plays an important role in convergence and uniform distribution of the solutions, but the NSGA-Ⅱ does not fully take the effect of each individual and the whole population into consideration. To estimate the region density more reasonably so as to make the solution set more uniformly converge to the Pareto optimal front, we design a uniformly crowding distance operator based on the uniformly crowding range and Gini weight, and propose an improved NSGA-Ⅱ algorithm. Finally, the effectiveness of the proposed algorithm is verified by experiments on six multi-objective optimization test functions.     

免疫非支配自适应粒子群多目标优化

为了更加有效地利用粒子群优化技术来解决多目标优化问题,提出了非支配粒子群的概念,并根据当前代的非支配解的数量自适应地构建粒子惯性权,动态调节粒子进化过程．同时,利用人工免疫系统中的克隆选择机制来对非支配粒子进行增殖扩散,保持粒子种群的多样性．通过系统的实验验证,与当前多目标优化领域最有代表性的NSGA-Ⅱ, PESA-Ⅱ和SPEAⅡ相比,表明该算法在收敛性和多样性方面均取得了一定的优势,且时间复杂度明显较低．     

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.     

基于改进NSGA-Ⅱ的梯级水电站多目标发电优化调度

在一种典型多目标进化算法NSGA-Ⅱ基础上做了以下改进：1）引入了外部档案集并提出一种基于局部搜索的算子,用于提高其收敛性及非劣解的分布性;2）为了便于决策者决策,采用一种基于偏好的简单有效决策方法优选调度方案;3）为提高算法的效率,在建立偏序集时,采用快速排序算法对子目标进行排序.最后,采用改进NS-GA-Ⅱ算法求解...     

改进的多目标粒子群优化算法及其在雷达布站中的应用

为更好地解决多目标问题,提高多目标优化算法的多样性和收敛性,提出一种改进的多目标粒子群优化算法。算法将种群分为多个子种群同时进行优化搜索并改进粒子速度更新公式,扩大Pareto最优解集的覆盖面;利用反三角函数logistic映射初始化种群,使初始种群分布更均匀;并使用时变变异方法对外部档案进行变异,避免陷入局部最优。通过与标准多目标粒子群优化算法(MOPSO)和NSGA-Ⅱ在标准测试函数ZDT1、ZDT2、KUR上的仿真实验对比,验证了该文提出的改进算法的有效性,并将其应用于雷达优化布站。     

基于粒子群的信赖域算法及其收敛性

把搜索性能良好的粒子群算法和总体收敛性良好的信赖域算法有效融合,提出了具有局部随机搜索和全局确定性搜索性能的新算法。该方法具有良好的全局收敛性,为解决多峰函数优化问题提供了一种有效的算法。     

改进多目标粒子群优化算法及在图像融合中的应用

在深入研究图像融合算法的基础上,受多目标粒子群优化算法(MOPSO)的启发,提出了一种改进的MOPSO算法,并将该改进算法用于图像融合方面。这种算法提出了两次调节指数收敛函数,使得寻优速率得到更为平滑地过渡,从而让搜索结果更好的接近Pareto最优解集。实验结果表明,与传统的融合算法比较在客观性能指标上得到提高。     

解决高维多目标优化的分组进化算法

高维多目标优化是解决工程应用中的常见优化问题,传统的优化算法解决四维以上优化问题效果欠佳。针对该问题及当前高维多目标优化降维算法存在的不足,提出了分组进化算法。该方法将目标函数划分为若干组,分别进化求得各组的Pareto非支配解集,在各组非支配解集上应用SPEA2算法综合求取全体目标函数的Pareto最优解。对该方法的理论可行性进行了证明,重新定义了SPEA2算法中个体适应度。仿真实验,应用标准测试函数、优化性能指标同当前的高维多目标降维算法进行了比较,结果表明,该算法具有性能上的优势。