基于粒子群算法求解多目标优化问题

粒子群优化算法自提出以来，由于其容易理解、易于实现，所以发展很快，在很多领域得到了应用．通过对粒子群算法全局极值和个体极值选取方式的改进，提出了一种用于求解多目标优化问题的算法，实现了对多目标优化问题的非劣最优解集的搜索，实验结果证明了算法的有效性．     

多子群协同进化的多目标微粒群优化算法

微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。     

一种基于合作型协同和ε-占优的多目标微粒群算法

在求解多目标优化问题时,微粒群优化算法有容易陷于局部极值、函数评价次数多和受到维数限制等不足之处.提出了一种基于合作型协同和ε-占优的多目标微粒群算法(cooperative coevolutionary and ε-dominancebased multi-objective particle swarm optimizer,简称CEPSO).依据决策变量分解问题,采用多个子群分别优化各个子问题,并在更新粒子位置时采用均匀分布变异算子防止微粒群早熟收敛;在保存非劣解时,使用<     

基于MOPSO算法的卫星共形阵列天线多波束形成

针对共形阵列天线多波束方向图综合问题,提出一种基于最大方向性系数方法得到初始非劣解的多目标粒子群算法,求解满足多个期望波束和低副瓣要求的Pareto最优解。算法首先采用多目标分解策略,由多个单波束最优解的加权线性组合得到近最优解的非劣解。然后结合该非劣解,基于粒子空间和目标空间同时约束的局部搜寻策略,使用多目标粒子群算法优化多个波束,并降低副瓣。仿真结果表明,该算法有效地实现了卫星共形阵列天线的多波束形成和低副瓣,且能快速得到Pareto最优解分布。     

一种基于拟态物理学优化的多目标优化算法

提出一种使用拟态物理学优化(APO)解决多目标优化问题的算法(MOAPO).根据多目标优化问题的特点,借鉴聚集函数法的思想,利用APO算法实现了对多目标优化问题中Pareto最优解集的搜索,并且在搜索过程中动态调整惯性权重与引力因子,以增强非劣解的多样性.实验结果表明了将APO应用于多目标优化问题的有效性.通过与基于微粒群优化(PSO)的多目标优化算法及NSGA-Ⅱ算法的比较,表明了MOAPO算法具有较好的分布性.     

一类优化问题的分解算法

讨论一类大规模系统的优化问题,提出一种递阶优化方法．该方法首先将原问题转化为多目标优化问题,证明了原问题的最优解在多目标优化问题的非劣解集中,给出了从多目标优化问题的解集中挑出原问题最优解的算法,建立了算法的理论基础．仿真结果验证了算法的有效性．     

含区间参数多目标系统的微粒群优化算法

参数不确定优化问题是实践中经常遇到的复杂优化问题, 现有方法多针对单目标函数的情况. 本文利用微粒群优化算法解决含区间参数多目标优化问题, 提出一种基于概率支配的多目标微粒群优化算法. 该算法通过定义概率支配关系, 比较所得解的优劣; 基于 σ 区间值, 选择微粒的全局极值点, 并给出新的微粒个体极值点及外部储备集的更新策略. 与传统多目标微粒群优化算法比较, 仿真结果表明本文所提算法的有效性.     

基于最大最小适应度函数的多目标粒子群算法

针对多目标优化问题提出了一种基于最大最小适应度函数（F_maximin）的粒子群算法，将此算法简称为IMPSO。它在求解多目标问题的非劣解前沿（Pareto Front）时表现出很好的性能。通过经典测试函数计算表明该算法保证收敛到多目标优化问题的Pareto最优前沿；同时，使用两个性能指标（GD和Diversity）验证了此算法优于其他的多目标粒子群优化算法。     

一种改进的多目标粒子群优化算法

提出一种改进的多目标粒子群优化算法,该算法采用精英归档策略,由档案库中的非劣解提供粒子速度更新时的全局最优位置,根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的线密度度量非劣解前端的均匀性,通过删除小密度的非劣解提高非劣解前端的均匀性。针对多目标进化算法理论型指标的不足,设计了应用型评价指标。标准函数的仿真实验结果表明,所提算法能够获得大量的非劣解,快速地收敛于Pareto最优解前端,且分布比较均匀。     

多目标微粒群优化算法综述

作为一种有效的多目标优化工具,微粒群优化(PSO)算法已经得到广泛研究与认可.首先对多目标优化问题进行了形式化描述,介绍了微粒群优化算法与遗传算法的区别,并将多目标微粒群优化算法(MOPSO)分为以下几类:聚集函数法、基于目标函数排序法、子群法、基于Pareto支配算法和其他方法,分析了各类算法的主要思想、特点及其代表性算法.其次,针对非支配解的选择、外部档案集的修剪、解集多样性的保持以及微粒个体历史最优解和群体最优解的选取等热点问题进行了论述,并在此基础上对各类典型算法进行了比较.最后,根据当前MOPSO算法的研究状况,提出了该领域的发展方向.     

基于粒子群优化算法的网络CFA问题研究

为了降低网络运营费用与改进网络性能,采用近年来新出现的一种高效的群智能搜索方法——粒子群优化算法求解计算机通信网络中链路容量与流量分配(CFA)问题。大量的计算机仿真实验结果验证了该算法在CFA问题中的有效性,而且与传统的拉格朗日松弛及子梯度寻优算法相比,解的质量有了大幅度的提高。与遗传算法相比,该算法在复杂性及运行速度等方面更具优越性。     

一种模糊神经网络控制器参数的混沌优化设计

通过模糊控制与神经网络相串联的方式构成模糊神经网络系统，然后提出一种基于模拟退火策略的混沌优化算法，将该算法引入模糊神经网络参数域中进行优化，实现混沌粗搜索与细搜索相结合优化目的，体现出具有更强的模糊神经网络参数全局最优解的搜索能力。采用该控制器对一个非线性对象进行控制。仿真实验表明，该方法能有效地实现模糊神经网络控制器参数优化，控制具有无振荡、超调小、调节时间短等优点，算法结构简单，容易实现。     

Optimization of antenna arrays based on neurocomputers

In the present article the application of neural networks for solving the problem of optimization of antenna arrays is considered; an efficient algorithm for maximization of the energy parameters of antenna arrays is proposed; numerical investigations are carried out and a neural network optimization algorithm is compared to well-known algorithms.     

Comparison of Stochastic Global Optimization Methods to Estimate Neural Network Weights

Training a neural network is a difficult optimization problem because of numerous local minima. Many global search algorithms have been used to train neural networks. However, local search algorithms are more efficient with computational resources, and therefore numerous random restarts with a local algorithm may be more effective than a global algorithm. This study uses Monte-Carlo simulations to determine the efficiency of a local search algorithm relative to nine stochastic global algorithms when using a neural network on function approximation problems. The computational requirements of the global algorithms are several times higher than the local algorithm and there is little gain in using the global algorithms to train neural networks. Since the global algorithms only marginally outperform the local algorithm in obtaining a lower local minimum and they require more computational resources, the results in this study indicate that with respect to the specific algorithms and function approximation problems studied, there is little evidence to show that a global algorithm should be used over a more traditional local optimization routine for training neural networks. Further, neural networks should not be estimated from a single set of starting values whether a global or local optimization method is used.     

Optimization of type-2 fuzzy weights in backpropagation learning for neural networks using GAs and PSO

In this paper the optimization of type-2 fuzzy inference systems using genetic algorithms (GAs) and particle swarm optimization (PSO) is presented. The optimized type-2 fuzzy inference systems are used to estimate the type-2 fuzzy weights of backpropagation neural networks. Simulation results and a comparative study among neural networks with type-2 fuzzy weights without optimization of the type-2 fuzzy inference systems, neural networks with optimized type-2 fuzzy weights using genetic algorithms, and neural networks with optimized type-2 fuzzy weights using particle swarm optimization are presented to illustrate the advantages of the bio-inspired methods. The comparative study is based on a benchmark case of prediction, which is the Mackey-Glass time series (for τ = 17) problem.     

一种基于神经网络覆盖构造法的模糊分类器

首先介绍了一种M-P模型几何表示,以及利用这种几何表示可将神经网络的训练问题转化为点集覆盖问题,并在此基础上分析了神经网络训练的一种几何方法.针对该方法可构造十分复杂的分类边界,但其时间复杂度很高.提出一种将神经网络覆盖算法与模糊集合思想相结合的方法,该分类器可改善训练速度、减少覆盖的球领域数目,即减少神经网络的隐结点数目.同时模糊化方法可方便地为大规模模式识别问题提供多选结果.用700类手写汉字的识别构造一个大规模模式识别问题测试提出的方法,实验结果表明,该方法对于大规模模式识别问题很有潜力.     

基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测

为了解决传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。     

基于GA-NN的复杂工艺生产过程多目标优化研究

在复杂非线性多目标优化问题求解中,非线性模型结构很难事先给定,需要检验的参数也非常繁多,应用传统的建模方法和优化模型已难以解决更为复杂的现实问题。人工神经网络技术为解决复杂非线性系统建模问题提供了一条新的途径。将神经网络响应面作为目标函数或者约束条件,加上其他常规约束条件进行系统模型的建立,再应用遗传算法进行优化,从而实现设计分析与设计优化的分离。以某化工企业的生产过程优化问题为例,利用BP神经网络建立了工艺参数与性能目标之间的模型,然后利用遗传算法搜索最优工艺参数,获取了用于指导生产的样本点数据。研究结果表明,该方法能够获得高精度的多目标优化模型,从而使优化效率大为提高。     

Programming based learning algorithms of neural networks withself-feedback connections

Discusses the learning problem of neural networks with self-feedback connections and shows that when the neural network is used as associative memory, the learning problem can be transformed into some sort of programming (optimization) problem. Thus, the rather mature optimization technique in programming mathematics can be used for solving the learning problem of neural networks with self-feedback connections. Two learning algorithms based on programming technique are presented. Their complexity is just polynomial. Then, the optimization of the radius of attraction of the training samples is discussed using quadratic programming techniques and the corresponding algorithm is given. Finally, the comparison is made between the given learning algorithm and some other known algorithms     

求解模糊机会约束规划的混合智能算法

模糊机会约束规划是一类重要的模糊规划,它广泛地存在于许多领域中,微粒群算法已实现了对其的有效求解,但求解速度仍不能满足大规模模糊机会约束规划问题的求解,为了寻找更为高效的求解模糊机会约束规划的算法,通过采用模糊模拟产生样本训练BP网络以逼近模糊函数,然后应用微粒群算法并以逼近模糊函数的神经网络作为适应值估计及检验解的可行性,从而提出了一种求解模糊机会约束规划的混合智能算法。最后通过仿真结果说明了算法的正确性和有效性。