基于数据解析的连退生产过程多因子操作优化

针对连退生产过程中带钢质量波动大和生产能耗过大的问题,基于数据解析方法构建带钢质量的预测模型,进而建立连退生产过程多因子操作优化模型.该模型的任务是求得一个最优工艺参数设定方案,使得模型中所包含的两个相互影响但并不冲突的目标能够实现同时最优化.针对该问题,提出一种改进的自适应多因子进化算法(AdaMFEA),将不同优化目标作为不同类别因子,通过父代解在不同因子上的性能评价指标决定子代解的搜索方向.为了改进算法的鲁棒性和搜索效率,算法使用多种交叉算子,并基于各算子的搜索性能分析提出多种交叉算子的自适应选择机制;同时提出基于回溯直线搜索和拟牛顿法的个体学习策略,对个体进行局部搜索.基于Benchmark问题的实验结果表明,AdaMFEA能够有效提升传统多因子进化算法(MFEA)的求解效率;基于实际工业问题的实验结果表明,AdaMFEA可有效求解连退生产过程多因子操作优化问题,实现多个非冲突目标在一个种群的进化过程中同时达到最优.     

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。     

一种双种群协同进化算法在湿法炼锌过程中的应用

为了求解针铁矿法沉铁过程的多目标协调优化模型,从提高全局寻优能力和解的精度出发,提出一种基于改进全局搜索量子进化算法和局部搜索差分进化算法的双种群协同进化算法.数值仿真验证了该进化算法具有较好的收敛性和求解精度;典型工况的仿真优化结果表明了该多目标协调优化模型指导实际生产的可行性,以及所提出算法的有效性.     

基于动态种群多邻域MOEA/D的污水处理过程优化控制

针对污水处理过程中以能耗和罚款为对象的多目标优化控制问题,对基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)进行改进,提出基于动态种群的多邻域MOEA/D用于污水处理过程中多目标优化控制。首先,将种群分为3个初始子种群,不同子种群由不同变异策略产生新解,并通过子代进化率对子种群规模进行动态调整,以适应不同进化时期对策略的需求;其次,分析种群在迭代过程中的进化状态,并结合各策略搜索的范围为每种变异策略分配一个邻域,以提升各策略的搜索性能。实验结果表明,该算法的收敛性和多样性相较于传统算法有明显的提升,该算法能够达到对污水处理过程中的目标进行优化的目的。     

基于直觉模糊熵的粒子群多目标优化

针对现有多目标算法存在的收敛性不强、分散性不高等问题,提出了一种基于直觉模糊熵的粒子群多目标优化算法(IFEMOPSO)。首先,计算出种群的直觉模糊熵(IFE),作为衡量种群在多目标空间下多样性的测度;其次,设计基于IFE的惯性权重动态变化、外部档案调用以及变异操作等3种增强算法探索力度的策略,建立了直觉模糊多目标规划模型,有效地提高了群体进化过程中的多样性,防止了算法陷入局部收敛;最后,仿真结果表明,所提算法很好地提高了所得非劣解集的收敛性和分散性,有效地解决了多目标优化问题。     

基于多变异个体的多目标差分进化改进算法

针对多目标差分进化算法在高维函数下收敛速度慢和易早熟的问题,提出一种基于多变异个体的多目标差分进化改进算法。通过在多目标差分进化算法的个体变异及交叉操作中,引入多个变异个体,使得在高维多目标函数情况下,多目标差分进化算法种群可以更好地保持多样性,减少种群陷入局部最优解的可能性,从而提高该算法在高维多目标优化问题环境下,最优值解的搜索速度及全局最优值解的查找能力。实验结果表明,在高维多目标环境下,与标准多目标差分进化算法相比,该算法可以更快速地找到多个目标函数组的非劣最优值解集。     

基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法

针对多目标粒子群优化算法全局最优位置〖BP(〗(gbest)〖BP)〗选取存在的缺陷和局部搜索能力弱的缺点,提出一种基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法MOPSO-GL。首先对Sigma法进行改进,引入拥挤距离机制,不再是粒子从档案中选择全局最优位置,而是档案成员从种群中选择合适的被引导粒子,引导种群均匀快速地向Pareto前沿飞行,提高了Pareto解的收敛性和多样性;其次当种群寻优能力减弱时,引入基于Skew Tent映射的变尺度全面搜索混沌优化策略对外部档案进行局部搜索,以提高算法的收敛性;最后通过与其他多目标优化算法的比较,结果表明MOPSO-GL具有更好的收敛性和分布性。     

贝叶斯博弈多目标进化算法及其收敛性分析

多目标进化算法（MOEAs）主要依靠非支配解排序推动种群搜索Pareto前沿,在种群迭代搜索前期具有较好的全局寻优性能,但进化后期易出现收敛停滞现象,影响算法对于复杂优化问题的全局寻优能力。由此提出了一种基于静态贝叶斯博弈策略的多目标进化算法（SBG-MOEA）,将每个优化目标模拟为一个博弈参与者,以多次迭代中优化目标Pareto优化收敛程度映射为博弈收益,通过损益纳什均衡博弈机制驱动种群的Pareto寻优,理论分析证明了该方法具有全局收敛特性。基准测试函数的优化实验表明,与NSGA-II等经典算法相比,贝叶斯博弈策略有助于增强进化种群全局搜索能力。     

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。     

一种求解动态优化问题的改进自适应差分进化算法

针对原始动态自适应差分进化（SADE）算法局部搜索能力弱和寻优精度低的问题,提出一种求解动态优化问题的邻域搜索差分进化（NSDE）算法。通过引入邻域搜索机制,在划分种群最优个体的邻域空间范围内产生候选解,选取候选解集合中的最优解并对种群最优个体进行迭代,增强算法局部搜索能力。在传统基于距离的排斥方案中,引入hill-valley函数追踪邻近峰,提高算法寻优精度。实验结果表明,与SADE、人工免疫网络动态优化、多种群竞争差分进化和改进差分进化算法相比,NSDE算法在49个测试问题中分别有28、38、29和38个测试问题的平均误差更小,综合性能表现更好。     

模糊作业时间的拆卸线平衡Pareto多目标优化

针对实际拆卸作业的复杂性,建立了考虑模糊作业时间的多目标拆卸线平衡问题的数学模型,提出了一种基于Pareto解集的多目标遗传模拟退火算法进行求解。改进了模拟退火操作的Metropolis准则,使其能够求解多目标优化问题。采用拥挤距离评价非劣解的优劣,保留了优秀个体,并通过精英选择策略,将非劣解作为遗传操作的个体,引导算法向最优方向收敛。基于25项拆卸任务算例,通过与现有的单目标人工蜂群算法进行对比,验证了所提算法的有效性和优越性。最后将该算法应用于某打印机拆卸线实例中,求得8种可选平衡方案,实现了求解结果的多样性。     

一种基于模拟退火的多目标Memetic算法

为了改善多目标进化算法的搜索效率，提出了基于模拟退火的多目标Memetic算法．此算法根据Pareto占优关系评价个体适应值，采用模拟退火进行局部搜索，并结合交叉算子和基于网格密度的选择机制改善算法的收敛速度和解的均衡分布．flowshop调度问题算例的仿真结果表明，基于模拟退火的多目标Memetic算法能够产生更接近Pareto前沿的近似集．     

基于两阶段优化的并发流任务计算卸载策略

计算卸载作为移动边缘计算中最关键的技术之一而备受研究人员的关注,然而现有研究较少同时考虑拓扑结构、优化目标多样性及计算资源竞争的特性。针对移动边缘计算场景下的并发型数据流任务计算卸载及资源竞争问题,设计一种基于并发型数据流任务的多目标计算卸载混合整数模型,并给出一种基于多目标优化和多属性决策的两阶段优化框架对该模型进行求解。在多目标优化阶段,提出改进动态多种群并行NSGA-II（DMP-NSGA-II）算法,包括多种群多交叉策略、动态调整种群规模与二次局部搜索的改进策略,以解决局部收敛和全局搜索难以平衡的问题,同时设计一种基于混合式求解框架的DMP-NSGA-II算法求解多目标混合整数模型。在多属性决策阶段,提出一种基于模糊C均值聚类和灰关联投影法的后验选解方法,以选出在不同偏好下具有代表性的最优卸载决策。在测试函数和模型实例上的实验结果表明,设计的两阶段优化框架能够有效地求解所提出的模型,在ZDT系列测试函数上DMP-NSGA-II算法的HV和SP指标表现全面优于NSGA-II、MOEA/D和MOEA/D-DE算法,在模型实例上DMP-NSGA-II算法的Meantime和Meanenergy指标相较于基于混合式求解框架的NSGA-II算法,分别提升了30.1%和8.9%。     

数据驱动选择策略的多目标差分进化算法

针对多目标差分进化算法求解复杂多目标优化问题时,最优解选择策略中非支配排序计算复杂度高的问题,提出一种数据驱动选择策略的多目标差分进化(MODE-DDSS)算法.首先,设计多目标差分进化算法的优化解排序等级评估准则,建立基于评估准则的优化解排序等级评估库;其次,设计基于优化解双向搜索机制和无重复比较机制的数据驱动选择策略,实现优化解的高效搜索和快速排序;最后,构建数据驱动选择策略的多目标差分进化算法,降低算法在最优解选择操作中的时间复杂度,提高算法的寻优效率.实验结果表明,所提出的MODE-DDSS算法能够有效减少最优解在选择过程中的比较次数,提升多目标差分进化算法解决复杂多目标优化问题的寻优效率.     

基于协同进化的约束多目标优化算法

针对约束多目标优化算法存在难以有效地兼顾收敛性和多样性的问题,提出一种基于协同进化的约束多目标优化算法。第一阶段,通过基于稳态演化的可行解搜索方式得到一个具有一定数量可行解的种群;第二阶段,将这个种群拆分为两个子种群,并通过双子种群协同进化的方式实现对收敛性和多样性的兼顾;最后采用标准约束多目标优化问题CF1~CF7、DOC1~DOC7和实际工程问题进行仿真实验,以测试所提算法的求解性能。实验结果表明,与基于约束支配准则的非支配排序遗传算法（NSGA-Ⅱ-CDP）、两阶段算法（ToP）、推拉搜索算法（PPS）和约束多目标优化的双存档进化算法（C-TAEA）相比,所提算法在反向世代距离（IGD）和超体积（HV）两个指标上均取得了良好的结果,说明所提算法可以有效地兼顾收敛性和多样性。     

基于局部搜索与混合多样性策略的多目标粒子群算法

为了提高算法的收敛性与非支配解集的多样性,提出一种基于局部搜索与混合多样性策略的多目标粒子群算法（LH-MOPSO）.该算法使用增广Lagrange乘子法对非支配解进行局部搜索以快速接近Pareto最优解;利用基于改进的Maximin适应值函数与拥挤距离的混合多样性策略对非支配解集进行维护以保留解的多样性,同时引入高斯变异算子以避免算法早熟收敛;最后针对多目标约束优化问题,给出一种有效的约束处理方法.实验研究表明该算法具有良好的优化性能.     

基于改进遗传算法的稀疏重构算法

稀疏重构算法中凸松弛法在恢复效率方面、贪婪追踪法在恢复精度方面存在不足,基于遗传算法迭代优化的思想,结合模拟退火以及多种群算法的优势,提出了基于模拟退火遗传算法和基于多种群遗传算法的启发式稀疏重构算法。所提算法均从传统遗传算法易陷入局部最优解的缺陷出发,分别通过保持个体间的差异性和提高种群多样性来搜索待求稀疏信号的全局最优解,并通过理论分析证明了所提算法参数选取及搜索策略的有效性。此外,以阵列信号处理中空间信源的波达方向（DOA）估计问题为例,验证所提算法的有效性。仿真结果表明,相较于正交匹配追踪OMP算法和基于l1范数奇异值分解的l1-SVD算法,所提算法提高了DOA估计的精度,且降低了运算复杂度,使其快速收敛至全局最优解。     

改进自适应多种群NSGA-Ⅲ算法的研究

针对第三代非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅲ,NSGA-Ⅲ)在处理高维多目标函数时存在收敛精度低和搜索性能差等问题,提出一种自适应多种群NSGA-Ⅲ算法。首先将传统算法的单一种群划分成四个亚种群,并为每个亚种群分配不同的交叉算子;其次提出外部最优解集(external optimal solution set,EXS)的概念,通过计算个体更新最优解集的参与量来自适应调节每个亚种群的大小;最后利用局部搜索策略提高EXS的局部搜索性能。采用四个不同的测试函数,与七种对比算法进行仿真验证,结果表明在处理高维多目标优化问题时,提出算法的性能指标整体优于其他对比算法,能够获得较好的算法收敛性和种群多样性。     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中, 平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键, 多数已提出的方法仅依靠一种策略引导粒子搜索, 在解决复杂问题时算法收敛性和多样性不足. 为解决这一问题, 提出一种基于种群分区的多策略自适应多目标粒子群优化算法. 采用粒子收敛性贡献对算法环境进行检测, 自适应调整粒子的探索和开发过程; 为准确制定不同性能的粒子的搜索策略, 提出一种多策略的全局最优粒子选取方法和多策略的变异方法, 根据粒子的收敛性评价指标, 将种群划分为3个区域, 将粒子性能与算法寻优过程结合, 提升种群中各个粒子的搜索效率; 为解决因选取的个体最优粒子不能有效指导粒子飞行方向, 使算法停滞, 陷入局部最优的问题, 提出一种带有记忆区间的个体最优粒子选取方法, 提升个体最优粒子选取的可靠性并加快粒子收敛过程; 采用包含双性能测度的融合指标维护外部存档, 避免仅根据粒子密度对外部存档维护时, 删除收敛性较好的粒子, 导致种群产生退化, 影响粒子开发能力. 仿真实验结果表明, 与其他几种多目标优化算法相比, 该算法具有良好的收敛性和多样性.     

一种求解多目标组合优化的遗传局部搜索算法

为改善遗传算法求解多目标组合优化问题的搜索效率,提出一种新的遗传局部搜索算法.算法采取非劣解并行局部搜索策略以及基于分散度的精英选择策略,并采用基于NSGA-Ⅱ的适应度赋值方式和二元赌轮选择操作,以提高算法收敛性,保持群体多样性.实验结果表明,新算法能够产生数量较多分布较广的近似Pareto最优解.