高维多目标优化问题融入决策者偏好的集合进化优化方法

高维多目标优化问题普遍存在且非常重要,但是,已有的解决方法却很少.本文提出一种有效解决该问题的融入决策者偏好的集合进化优化方法,该方法首先基于决策者给出的每个目标的偏好区域,将原优化问题的目标函数转化为期望函数;然后,以原优化问题的多个解形成的集合为新的决策变量,以超体积和决策者期望满足度为新的目标函数,将优化问题转化为2目标优化问题;最后,采用多目标集合进化优化方法求解,得到满足决策者偏好且收敛性和分布性均衡的Pareto优化解集.将所提方法应用于4个基准高维多目标优化问题,并与其他2种方法比较,实验结果验证了所提方法的优越性.     

基于自适应支配准则的高维多目标进化算法

基于松弛支配的高维多目标进化算法（Many-objective Evolutionary Algorithms,MaOEAs）由于能够有效地提高区分解的能力,受到广泛关注,但该类大多数算法处理不同目标的优化问题时普适性较差.针对这个问题,本文提出一种基于自适应支配准则的高维多目标进化算法（Adaptive Dominance Criterion Based Evolutionary Algorithm for Many-objective Optimization,ADCEA）.首先,自适应准则（Adaptive Dominance Criterion,ADC）根据目标空间中相邻解间的角度信息和目标数目,设计一种自适应小生境方法,并结合收敛性指标信息,实现对候选解的非支配排序.然后,为了进一步增强种群的多样性,在环境选择中引入参考向量分割种群技术;最后,构建合理的适应度函数,并根据适应度值大小选取收敛性和多样性较好的非支配解集.实验证明,本文所提的方法在处理不同目标的优化问题时普适性提高,并在平衡种群的收敛性和多样性上取得显著效果.     

基于模糊支配的高维多目标进化算法MFEA

为提高高维复杂多目标优化算法的收敛性和解集分布性,提出一种基于模糊支配的高维多目标进化算法MFEA.在第二代Pareto支配类高维多目标进化算法模型基础上,利用模糊理论对模型中的环境选择进行改进,提出基于模糊隶属度的支配关系,并结合Harmonic、k邻域法和小生境技术对其中的拥挤密度估计方法进行改进,最后根据高维多目标的特点并结合模糊理论α-截集的思想提出了新的环境选择策略.将该算法与目前性能最好的5种多目标进化算法在标准测试函数集上进行对比试验,结果表明本文算法与其他算法相比具有明显的优势,不仅提高了算法的收敛性能,而且保证了Pareto最优解的均匀分布性.     

一种基于角度惩罚距离的高维多目标进化算法

为了使多目标进化算法在收敛性和分布性之间保持平衡,该文提出一种基于角度惩罚距离的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on Angle Penalized Distance, MaOEA-APD)。首先,综合考虑收敛性和分布性在进化不同阶段的重要性,构造一种角度惩罚距离,使两者随进化进程动态平衡;其次,开发基于删除劣质个体的环境选择策略,在提高种群分布性的同时提高收敛性;最后,根据环境选择的原理,设计与之相协调且互补的匹配选择过程,提高算法的整体进化效率。将所提算法与目前国内外性能优异的3种高维多目标进化算法进行对比,实验结果表明在WFG标准测试函数集上,该文算法相对于其他算法,综合性能有了较大的提升。     

一种基于角度信息的约束高维多目标进化算法

目前约束高维多目标进化算法大多注重提高收敛精度,而收敛速度相对较慢.为提高算法的收敛速度,提出一种基于角度信息的约束高维多目标进化算法.该算法提出基于角度违反度函数的选择操作,依据动态的收敛性和分布性直接选择较优个体,提高收敛速度;此外,提出了基于差分进化算法的交叉操作,在不同的进化阶段选用不可行解参与交叉操作,补偿收敛精度.在标准测试函数集C-DTLZ上进行仿真实验,并与当前国内外性能优异的4种约束高维多目标进化算法进行对比,证明了本文算法收敛精度保持良好,而收敛速度得到了提升,且目标维数越高提升效果越明显.     

求解模糊柔性作业车间调度的多目标进化算法

针对实际制造车间中工序加工时间具有不确定性,将加工时间采用模糊数表示,建立一种多目标模糊柔性作业车间调度模型,并提出了有效求解该模型的多目标进化算法.算法采用混合机器分配和工序排序策略的方法产生初始种群,并采用插入空隙法对染色体进行解码.定义一种新的基于可能度的个体支配关系和一种基于决策空间的拥挤算子,并将所提支配关系和拥挤算子运用于快速非支配排序.接着,提出一种基于移动模糊关键工序的局部搜索策略.实验部分首先通过田口试验方法来研究关键参数对算法性能的影响;其次,将所提算法与三种不同的优化算法作对比.实验结果验证了所提算法的有效性.     

利用冲突信息降维的进化高维目标优化算法

进化多目标优化算法求解高维目标优化问题面临收敛能力、计算复杂度、决策以及Pareto前沿的可视化等困难，其根本原因是目标空间维数高。目标降维通过丢弃冗余目标，为缓解高维目标优化求解困难提供一种新思路。本文提出利用冲突信息降维的分解进化高维目标优化算法（CIOR-MOEA/D）。该方法通过衡量目标在近似解集上体现的冲突性，构造问题的冲突信息矩阵，对该矩阵进行特征分析，确定目标的重要性程度，实现维数约简，并利用分解进化多目标优化算法（MOEA/D）对重要子目标集合进行分解进化,从而得到问题的近似解集。实验结果表明,本文提出的目标降维算法在降维的准确性与鲁棒性上均表现突出，能够有效地处理冗余高维目标优化问题。      

基于合作模型的协同免疫多目标优化算法

本文针对多目标优化问题Pareto最优解集合(PS)的分布特点,构造了一种基于新的子任务划分方法的合作型协同进化模型,并将该模型引入人工免疫系统中,提出了一种基于合作模型的协同免疫多目标优化算法(A Cooperative Immune Coevolutionary Algorithm for Multiobjective Optimization,CICAMO).CICAMO算法运用Tchebycheff分解方法进行子种群划分,然后对各个子种群建立线性概率统计模型分段逼近整个PS,在抗体繁殖上结合了克隆选择和模型采样两种方式.实验结果表明,CICAMO算法在求解质量和收敛速度上均表现良好,尤其对于决策变量非线性相关的多目标优化问题,性能尤为突出.     

基于流形距离的量子进化聚类算法

基于量子计算的机理和特性,并结合进化计算,本文提出了一种新颖的量子进化聚类算法(QEAM),在该聚类算法中引入了一种新的距离测度函数——流形距离.新方法将聚类归属为优化问题,通过运用量子进化的机理更快地搜索到最优聚类中心,从而得到最优隶属度矩阵划分;同时,通过基于流形距离的相似性度量,有效利用样本所具有的全局一致性信息...     

基于TGC的高校排课算法

为了解决高校排课问题,提出了三倍体编码方案,解决了传统遗传算法所存在的问题.通过分层的方法将五维组合模型分解为三次二维组合模型,缩减问题规模;同时利用交替进化的方法对目标染色体循环优化.实验结果表明该方案实现了组合优化,提高了求解效率.     

基于分离技术的数字电路多目标进化设计

提出了一种基于真值表变量分离技术的数字电路进化设计方法.该方法旨在减少待进化系统的输入输出位数,将较难实现的整体进化系统分解成几个容易实现的进化子系统,从而实现较大规模数字电路的进化设计.同时结合多目标遗传算法,优化电路结构.并以加法器和乘法器为设计实例,结果证明了该方法能有效进化出较大规模的数字电路,得到的进化电路资源更少,时延更短.     

高阶调制系统下LDPC码优化设计

为了提高编码调制系统的整体编码增益,提出一种高阶调制系统下LDPC码的度分布优化方法.根据高阶调制符号中不同比特的误比特特性,将调制符号所经历信道建模为一组对称二进制输入加性高斯信道.在此基础上,推导了高阶调制系统下LDPC码高斯近似密度进化分析方法,并得到译码收敛条件.结合度分布约束关系及译码收敛条件,提出高阶调制系统下LDPC码的度分布优化问题及差分进化实现方法.仿真结果表明,设计的LDPC码在高阶调制系统中的渐进性能和误码性能优于基于比特优化映射的编码调制方案.     

基于改进MOEA/D分解算法的天线阵优化设计

针对天线阵列设计需要优化的目标数量多、耗时长且难以收敛的问题，提出一种新的根据拥挤度动态调节邻域大小的基于分解的多目标进化算法MOEA/D。该算法引入一个拥挤参数集合，根据种群拥挤度的排名区间为子问题选取集合中不同的拥挤参数值，根据搜索阶段计算每个子问题的选择邻域和替换邻域，并间隔50代重新进行拥挤度排名计算达到动态调节邻域的目的，以平衡种群的收敛性和多样性。在对比实验中，选取测试函数DTLZ、WFG和直线阵列优化设计问题，将改进算法与其他4种算法进行性能对比。实验结果表明，改进算法在测试函数和直线阵列优化设计问题上表现均优于对比算法，搜索得到的Pareto解集满足天线阵列的设计需求。     

求解高维混合指标优化问题的交互式进化计算

同时存在区间显式指标和模糊隐式指标的高维混合指标优化问题是一类难以求解的不确定多目标优化问题.针对该问题,首先,分别对高维显式指标和隐式指标的主要参数按确定性多目标优化,根据获得的相关权值,将高维显式指标和高维隐式指标分别降维成一维等效区间适应值和一维等效模糊适应值,二者合成个体等效指标体;然后,依据等效指标体的占优情况,通过确定自适应参考点和偏好区域面积选择个体;最后,在大规模种群NSGA-II范式下,采用隐式指标估计策略和种群聚类方法实现交互式进化优化算法.将本文算法应用于2种混合性能指标优化问题,验证所提算法的有效性和泛化性.     

基于多源交配选择策略的重组算子与多目标优化研究

本文提出了一种基于多源交配选择的多目标进化算法(Multi-source Mating Selection based Multi-objec-tive Evolutionary Algorithms,MMSEA).在MMSEA算法中,谱聚类被用来挖掘种群规则特性,基于所获得的种群结构化信息设计了一种多源交配选择重组算子来引导算法搜索,通过为每个个体设置多个交配选择源,在利用相似个体重组加速算法收敛的同时较好地保持了种群的多样性.实验结果表明,所提重组算子可以有效提升算法性能,将MMSEA与多种主流的多目标进化算法进行实验对比研究与参数灵敏度分析的结果表明,MMSEA在求解具有复杂特性的典型多目标优化问题测试集时表现出较强的竞争力.     

量子衍生差分进化算法的设计与实现

为提高差分进化算法的优化性能,从研究差分进化算法的实现机制入手,提出将差分策略与量子比特在Bloch球面的绕轴旋转相融合的新思想。个体采用基于Bloch球面描述的量子比特编码,采用差分策略计算当前个体上量子比特的旋转角度,采用向量积理论构造旋转轴,采用泡利矩阵构造旋转矩阵,以当前最优个体上相应量子比特为目标,在Bloch球面上沿旋转轴向目标比特旋转。采用Hadamard门实现个体变异。函数极小值优化的仿真结果表明,所提方法单步迭代的平均时间约为普通差分进化算法的13倍。当限定步数相同时,优化结果约为普通差分进化算法的0.3倍,当运行时间相同时,优化结果约为普通差分进化算法的0.4倍。从而表明所提算法计算效率降低,但寻优能力明显提高,整体优化性能优于原算法。      

基于进化多目标优化的对地打击武器-目标分配

基于进化多目标优化方法研究对地打击武器-目标分配(WTA)建模和求解问题.首先,分析对地打击WTA问题特点,定义优化目标函数为飞机突防风险最小和目标毁伤效能最大,提出一种基于栅格地图的防空火力对飞机威胁的量化评估方法,建立多目标优化问题模型;然后,采用一种多目标优化算法NSGA-Ⅱ对问题求解,结合问题特点设计算法各组成部分;最后,构建仿真算例进行实验分析,仿真结果表明,所提模型和算法能够有效求解对地打击WTA问题,可为工程实现提供参考.     

一种改进的基于密度的多目标进化算法

多目标密度驱动进化算法(MODdEA)利用非支配等级信息和分区密度信息求解多目标优化问题,该算法在与其他多目标进化算法的比较中有着出色的表现.在其基础上本文提出了一种改进的多目标进化算法MODdEA+,首先在该算法中基于搜索空间的分区机制提出了克隆操作,该操作不但能在进化前期增强算法的全局搜索能力,还能在进化后期提高算法的局部精化能力;其次引入一种基于Pareto信息表中个体支配及被支配信息的评价策略以使对信息表个体的排序结果更加精确;最后对变异操作进行了改进以降低出现不必要越界情况的概率.为验证改进算法的有效性,在对其进行分析的基础上针对多个测试问题将其与原算法进行了实验比较,结果表明改进算法的求解质量明显优于原算法.     

基于协方差分析的合作协同进化差分进化算法

在大规模高维优化问题中,随着决策变量数目的增加,协同进化算法在搜索全局最优解过程中容易陷入局部最优。基于此,提出了一种基于协方差分析的合作协同进化差分进化算法,在根据决策变量之间的相关性对优化问题进行分组之后,针对子组件内部变量之间的相关性会影响种群进化过程的现象,在对子组件优化的过程中,利用协方差计算种群分布的特征向量,通过坐标旋转消除变量之间的相关性,有效避免在种群搜索过程中陷入局部最优,同时加快了算法的寻优速度。在CEC2014测试函数集上进行了对比实验,实验结果表明,所提算法具有可行性。     

新型复杂进化全局优化算法的研究

文章在复杂系统思想激励下设计了一种新型的基于复杂系统改进的进化算法,该算法改进了进化算法的交叉、选择、变异和进化策略,体现了进化过程中能量分布、空间搜索、信息利用的复杂性,并保持了进化算法的简单结构框架;进而通过计算实例分析了新型复杂系统进化算法两个主要参数对算法性能影响;最后,新算法测试了CEC'2012大规模全局优化竞赛中的函数集合,并与其他优秀算法的测试结果进行了对比,结果表明本文所提出的基于复杂系统改进的进化算法综合性能强于所有的对比算法.