基于多邻居结构的自适应元胞差分算法

针对传统多目标优化算法在求解Pareto解集时存在全局搜索能力与局部寻优能力无法得到有效平衡的问题,提出了一种基于多邻居结构的自适应元胞差分算法.该算法在保留传统元胞差分算法进化特点的基础上,使用更加丰富的多邻居结构替换原有的单一邻居结构,并且依据相应元胞个体的性能优劣来对其邻居结构进行选择分配.同时,面对进化过程中的复杂性能需求,算法定义了一种周期性变化的变异策略来实现不同进化阶段的自适应调节.最后,利用DTLZ系列测试函数对算法性能进行测试,并通过与四种经典的多目标优化算法相比较,证明了改进后的算法拥有更好的收敛性与分布性.     

应用精英反向学习的多目标烟花爆炸算法

现实中的多目标优化问题越来越多,而且日益复杂.受混合多目标优化算法设计思想的启发,将烟花爆炸方法和精英反向学习机制引入至多目标优化领域,提出一种应用精英反向学习的多目标烟花爆炸算法(Multi-Objective Fireworks Optimization Algorithm Using Elite Opposition-Based Learning,MOFAEOL).该算法利用精英反向学习策略加强算法的全局搜索能力,利用烟花爆炸方法增强算法的局部搜索能力并提高求解的精度.这两种搜索机制相互协同以更好地平衡算法的全局勘探和局部开采的能力.MOFAEOL算法与另外5种代表性多目标优化算法一同在由ZDT系列和DTLZ系列组成的测试集上进行性能比较.实验表明,MOFAEOL算法在收敛性、多样性和稳定性方面均优于或部分优于其他对比算法.     

基于改进遗传算法的多无人机任务分配

为解决传统遗传算法在求解多无人机任务分配问题时易陷入局部最优和收敛速度较慢的问题,文中提出一种融合模拟退火思想的改进遗传算法。首先描述多无人机任务分配问题,将其转化为多旅行商问题,并建立数学模型;然后在传统的遗传算法中引入Metropolis准则,对选择、交叉、变异后的子代种群进行优化调整,使算法可以跳出局部最优并快速收敛;最后进行仿真实验,采用TSPLIB数据库对改进算法进行有效性验证,分别求解不同规模的多旅行商问题,对算法的优越性进行验证,求解任务分配算例以验证改进算法解决多无人机任务分配问题的可行性。实验结果表明,改进的遗传算法能跳出局部最优,收敛速度显著提升,在求解多无人机任务分配问题时,寻优效果优于改进前的算法。     

改进混合蛙跳算法求解旅行商问题

以旅行商问题(TSP)为例,引入调整序思想设计了局部搜索策略,同时在全局信息交换过程中加入变异操作,提出一种改进混合蛙跳算法求解TSP问题.实验结果表明,与遗传算法和粒子群优化算法相比较,改进混合蛙跳算法在求解TSP问题上具有更好的搜索性能和顽健性.     

一种具有演化规则的元胞遗传算法

 本文根据元胞个体密度与分布的演化规则,考虑整个空间元胞个体动态的相互作用,从更为真实模拟自然界的角度出发,提出了具有演化规则的元胞遗传算法(CEGA),并得到了算法中元胞演化选取准则. 通过复杂典型测试函数的仿真实验结果表明,该算法较一般元胞遗传算法和一般遗传算法具有更好地维持群体多样性的能力,以利于有效地进行全局探索,逃出局部优,并具有更快的寻优速度. 通过采用不同演化规则实验比较,得出中等密度分布的元胞个体有利于求解问题.     

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.     

混合精英策略的元胞多目标遗传算法及其应用

为了提高Pareto解集的收敛性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种混合精英策略的元胞多目标遗传算法。该算法在分析元胞种群结构的特点基础上,融入一种混合精英策略,提高算法的收敛性能。为了更好的平衡算法的全局搜索和局部寻优的能力,加入一种差分进化交叉算子。通过与同类算法在21个基准函数上对比实验,结果表明,引入混合精英策略和差分进化策略能够提高算法的性能,与其他优秀算法进行比较的结果说明,新算法有更好的收敛性和多样性。工程实例求解结果表明了算法的工程可行性。     

改进元胞粒子群算法求解JSP问题

为求解离散JSP(作业车间调度)问题,设计了基于四方形网格的元胞粒子群算法。引入变异策略增强了算法跳出局部最优的能力,对每代粒子群引入变邻域搜索提高了算法的局部搜索能力。数值实验表明,改进的元胞粒子群优化算法具有好的收敛性与求解精度。     

基于改进模拟退火的遗传算法求解0-1背包问题

引入改进的模拟退火思想来改进遗传算法.本算法结合了遗传算法和模拟退火算法的优点,并有效地克服了各自的弱点,使其在优化性能、优化效率和可靠性方面具有明显的优越性.运用本算法求解不同种群规模的0-1背包问题,数值试验结果表明,算法既具有较快的收敛速度,又能够收敛到最优解,优于遗传算法和模拟退火算法.     

多无人机协同搜索多目标的路径规划问题研究

多无人机协同搜索多目标的多旅行商航路规划问题(MTSP)是无人机协同作战的关键技术之一。在协同搜索背景下,多架无人机从同一个基地出发搜索附近的可疑目标,以最快速完成任务为目的,建立MTSP模型,提出一种聚类算法和遗传算法进行分步组合的优化算法。第一步,利用K-means聚类算法将MTSP问题分解成多个独立的TSP问题;第二步,改进遗传算法,引入2-opt算法作为优化算子,重新设计选择算子和交叉算子,分别求解多个TSP问题。通过具体算例验证了该算法的合理性,并同常用的分组遗传算法比较,分步组合优化算法具有更高的计算效率,求解结果更为可靠,尤其在求解大型MTSP问题时,优势更为明显。     

MOMS-GA: A Multi-Objective Multi-State Genetic Algorithm for System Reliability Optimization Design Problems

A custom genetic algorithm was developed and implemented to solve multiple objective multi-state reliability optimization design problems. Many real-world engineering design problems are multi-objective in nature, and among those, several of them have various levels of system performance ranging from perfectly functioning to completely failed. This multi-objective genetic algorithm uses the universal moment generating function approach to evaluate the different reliability or availability indices of the system. The components are characterized by having different performance levels, cost, weight, and reliability. The solution to the multi-objective multi-state problem is a set of solutions, known as the Pareto-front, from which the analyst may choose one solution for system implementation. Two illustrative examples are presented to show the performance of the algorithm; and the multi-objective formulation considered for both of them is the maximization of system availability, and the minimization of both system cost, and weight.     

一种增强型多目标烟花爆炸优化算法

现实中多目标优化问题的多样化和复杂化要求发展新的多目标优化算法.在混合多目标进化算法设计思想和新型进化模型的启发下,提出一种增强型多目标烟花爆炸算法eMOFEOA,该算法利用均匀化与随机化相结合的方法生成均匀分布的初始种群,为算法后续搜索提供较好的起始点;对烟花爆炸半径采用精细化控制策略,即不同世代的种群具有不同的爆炸半径,而且同一种群内部因个体支配强度的差异而具有不同的爆炸半径,以节省计算资源;利用简化的k-最近邻方法维持外部档案的多样性.本文算法与另5种对等比较算法一同在12个基准多目标测试函数上进行性能比较,实验结果表明eMOFEOA算法在收敛性、多样性和稳定性上具有总体上显著的性能优势.     

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.     

多目标混沌进化算法

设计了多目标混沌进化算法(MCEA),在每一代遗传操作和外部档案调整完成之后,该算法从外部档案中随机选择部分个体,对这些个体的拷贝进行混沌搜索,以产生更多非劣解.将强度Pareto进化算法(SPEA)和SPEA2分别与基于Logistic映射的混沌搜索结合而产生的MCEAs应用于一些复杂多目标优化问题,计算结果表明,混沌的加入,明显改善了多目标进化算法(MOEA)各方面的性能.     

基于量子遗传算法的MIMO雷达正交信号波形设计

正交信号波形设计是MIMO雷达领域的研究热点,随着技术的发展,MIMO雷达对正交信号波形的性能要求越来越高。针对现有MIMO雷达正交信号波形互相关峰值较高且算法收敛速度慢的问题,为了提高码长较长的正交信号波形的性能,本文使用量子遗传算法,将量子计算与遗传算法相结合,进一步降低了波形的互相关峰值,一方面降低了不同目标回波之间的相互干扰,提高了雷达系统的检测性能,另一方面使雷达系统更难被敌方定位,提高了雷达的战场生存能力。仿真试验的结果表明,该方法能有效提高波形的正交性能,并加快了优化的速度。      

A multi-objective approach in the linear antenna array design

We show that linear antenna array design can be modeled as a multi-objective optimization problem. A genetic algorithm is proposed for the solution of this problem. This genetic algorithm efficiently computes the trade-off curve between main beam width and side lobe level for linear antenna arrays with uniform and non-uniform separations. For uniform separation, the proposed algorithm is validated against the Chebyshev method for the cases of 6-, 8-, 10-, and 12-element linear arrays. Simulation results for non-uniform spacing with uniform and non-uniform excitations applied across the array indicate that the trade-off curve between main beam width and side lobe level for uniform spacing arrays can be improved by introducing non-uniform spacing.     

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.     

基于分解和超平面拟合的进化超多目标优化降维算法

目标降维是研究超多目标优化问题的一个重要方向,它通过恰当的算法设计,能够剔除一些对求解优化问题冗余的目标,达到极大简化优化问题的效果。在超多目标优化降维问题中,前沿界面呈现非线性的情形是最普遍也是最难处理的降维问题。该文提出一种基于分解和超平面拟合的算法(DHA)来处理这类目标降维问题,通过对进化过程中种群的有效分解,使得在几何上非线性分布的非劣解集近似分解为多个近似线性分布的子集,再用系数是稀疏的超平面结合一些扰动项去拟合这些非劣解子集,最后根据该超平面提取出原问题的本质目标集,达到去除冗余目标的效果。为了检验提出算法的有效性,采用DTLZ5(I, m), WFG3(I, m)和MAOP(I, m)作为测试问题集,与代表当今水平的著名算法进行比较。计算机仿真结果表明该文提出的算法无论前沿界面是线性或非线性的情形都具有优异的性能。