混合高斯噪声背景下基于多目标优化的节点选择方法

为解决非高斯噪声背景下,基于贝叶斯Fisher信息矩阵和基于互信息的节点选择不一致的问题,该文提出一种基于多目标优化的节点选择方法。推导出节点噪声为混合高斯分布时的贝叶斯Fisher信息矩阵和互信息,将节点个数、选择的节点对应的Fisher信息矩阵和互信息共同作为优化的目标函数。提出利用基于分解的多目标优化方法寻找Pareto最优解,并采用与理想解相似的偏好排序技术(TOPSIS)从所有Pareto最优解中选择最终的节点选择方案。仿真实验结果表明,基于多目标优化的节点选择方法选择的节点具有更优更稳健的定位精度。     

用多目标进化算法搜索MOPs的鲁棒Pareto最优解

 搜索鲁棒Pareto最优解是多目标进化算法(MOEA)研究的一个重要方面.目前,优化"原目标函数"的传统MOEA与基于"有效目标函数"的MOEA (Eff-MOEA)在搜索鲁棒Pareto最优解时都易丢失某些性质的解.为解决这一缺陷,本文定义了一种新的鲁棒Pareto最优解,提出了一种新的搜索鲁棒Pareto最优解的MOEA(MOEA/R),MOEA/R将多目标鲁棒优化问题(MROP)转化成两目标问题来优化,一个目标为解的质量,另一个目标为解的鲁棒性,每一目标均对应一子优化问题.通过与NSGA-Ⅱ及Eff-MOEA的对比分析,结果表明MOEA/R的结果较好,更重要的是本文探索了一种新的搜索鲁棒Pareto最优解的思想.     

基于多目标遗传算法的星载天线干扰抑制算法

提出了一种基于多目标遗传算法的星载天线干扰抑制算法，该算法在射频端通过调节权系数进行输出功率判决从而实现波束形成。文中引入多目标优化问题Pareto最优解的概念，采用了无支配性排序遗传算法（NSGA-Ⅱ）来搜索干扰调零权值的Pareto最优解集，充分发挥这种先进多目标遗传算法的高内在并行性、强鲁棒性以及能够不断优化最优解集的优势，较好地兼顾了星载天线干扰抑制时干扰抑制深度与主波束保形这一对矛盾问题。最后提出了归一化双目标函数加权选择最优调零权的方法从Pareto最优解集中选择一组符合决策者偏好的最优调零权。计算机仿真实验证明，文中所提出的算法具有较好的干扰抑制能力和主波束保形效果。     

基于权值向量的偏好多目标优化方法

偏好多目标优化方法是多目标优化领域的一个重要分支,其主要目的是仅搜索Pareto前沿面上部分区域内决策者感兴趣的解.基于MOEA/D算法根据预先设定的均匀分布的权值向量搜索Pareto最优前沿面的思想,本文提出了一种基于权值向量的偏好多目标优化方法,该方法通过引入具有偏好信息的权值向量,使算法仅搜索偏好点附近的解.仿真实验结果表明,与现有偏好多目标优化算法相比,本文方法具有支持多偏好点、偏好区域大小可控、偏好点位置无特别要求及偏好解具有更好收敛性的优势.     

高维多目标优化中基于稀疏特征选择的目标降维方法

目标降维算法通过去除冗余的目标达到简化问题规模的目的,为求解高维多目标优化问题提供了一种新的思路和方法.近似解集的几何结构特征和Pareto占优关系从不同侧面反映了多目标优化问题的内在结构特性,而现有算法仅利用其中一种特征分析目标之间的关系,具有较大局限性.本文提出基于稀疏特征选择的目标降维方法,该方法利用近似解集的几何结构特征构建稀疏回归模型,求解高维目标空间映射为低维目标子空间的稀疏投影矩阵,依据此矩阵度量目标的重要性,并利用Pareto占优关系改变程度选择满足误差阈值的目标子集,实现目标降维.通过与其他已有目标降维算法比较,实验结果表明本文提出的降维算法具有较高的准确性,并且受近似解集质量的影响较小.     

一种基于多样性信息和收敛度的多目标粒子群优化算法

为了提高多目标粒子群算法优化解的多样性和收敛性,提出了一种基于多样性信息和收敛度的多目标粒子群优化算法（Multiobjective Particle Swarm Optimization based on the Diversity Information and Convergence Degree,dicdMOPSO）.首先,利用非支配解多样性信息评估知识库中最优解的分布状态,设计出一种全局最优解选择机制,平衡了种群的进化过程,提高了非支配解的多样性和收敛性;其次,基于种群多样性信息设计出一种飞行参数调整机制,增强了粒子的全局探索能力和局部开发能力,获得了多样性和收敛性较好的种群.最后,将dicdMOPSO应用于标准测试函数测试,实验结果表明,dicdMOPSO与其他多目标算法相比不仅获得了多样性较高的可行解,而且能够较快的收敛到Pareto前沿.     

基于极坐标变换的改进NSGA-II算法

在实际工程中存在着大量的多目标优化问题,而由于大部分多目标优化问题有无穷多个最优解,且传统的数学方法如梯度下降法和牛顿法,无法求解一些不可微或表达式过于复杂的多目标优化问题。为避免以上局限,NSGA-II作为求解多目标优化问题的代表算法被提出,但NSGA-II算法仍存在着一些不足,如变异算子功能过于简单,降低了Pareto最优解的多样性。为增加Pareto最优解的多样性,文中设计了一种基于极坐标变换的改进NSGA-II算法,该算法可使得Pareto最优解分布更加均匀,并最终通过标准的测试函数验证了算法的有效性。     

非支配解竞争模型下的电力系统无功优化

传统的电力系统多目标粒子群优化算法利用权重系数将问题转化为单目标求解,从而忽视了各目标函数间的竞争关系。针对这一问题,设计出一套非支配解竞争模型并运用到电力系统多目标无功优化中,同时以降低有功网损和减少电压偏差为目标,使二者在充分竞争的情况下得出Pareto最优解。在IEEE-14节点系统上进行仿真实验,仿真结果给出了有功网损和电压偏差之间的竞争关系,该算法一次运行可以得出多组非支配解,电力决策者可根据实际问题的需要选择最终满意的Pareto最优解,具有很好的灵活性与多样性。仿真结果表明,该方法是一种能够有效求解电力系统多目标无功优化问题的新思路。     

多目标优化问题的遗传算法改进研究

基于Nash均衡的思想在NSGA所求得的Pareto最优解基础上,探讨一种能对多目标优化问题进行求解的遗传算法。采用Nash均衡的思想在多目标优化的遗传算法,结合NSGA算法,提出一种能得到多个Pareto最优解的多目标优化算法。通过目标函数线性加权法、NSGA对函数进行了试验分析,对部分自变量进行固定,对其他的自变量进行优化,对Pareto最优解进行持续优化,进而实现加速算法的收敛,从实验中得出了这种算法具有较快的收敛性,但是其运行时间和NSGA相比没有多少改善。     

萤火虫算法改进及其在公交线网优化设计中的应用

萤火虫算法是一种新颖的群智能优化算法,在该类优化领域中的应用很少。将萤火虫算法应用在公交线网优化问题中。公交线网优化是一个复杂的多目标优化问题,是影响公共交通效率的关键问题。根据算法和问题的特点,设计了基于矩阵的解表示方法。为解决GSO算法优化精度底、收敛速度慢的缺陷,提出自适应调整荧光素挥发因子ρ的萤火虫算法,通过matlab编程仿真,结果表明改进后的算法能将多目标的优化问题收敛到Pareto最优解,并具有均匀分布的Pareto曲线,证明能有效的解决公交线网优化问题。