求解多目标背包问题的改进人工鱼群算法

作为一种新的群智能算法,在求解多目标背包问题时,人工鱼群算法存在盲目搜索、收敛速度慢和求解精度低等问题.针对这些问题,本文结合人工鱼位置全局最优信息,对人工鱼的移动策略进行自适应改进,提出一种改进的人工鱼群算法.对多目标背包优化问题实验仿真表明,本文改进的人工鱼群算法收敛速度和搜索到的非劣解的精度均优于粒子群算法和遗传算法.     

基于禁忌和声搜索算法解决0-1背包问题

和声算法是模拟音乐演奏的一种基于群的超启发算法。由于算法的简易性和快速收敛性,其在连续优化问题中得到广泛应用。文章利用改进的和声算法解决基于离散的0-1背包优化问题。通过运用二进制编码,并引入禁忌思想以及结合自适应的参数调整策略,提出了禁忌和声搜索算法。经过试验仿真,验证了禁忌和声算法与其他算法相比具有一定的性能改进。     

基于多目标的机器人装配线平衡算法

为提高装配线效率的同时优化制造的能源利用效率,在进行机器人装配线平衡时考虑机器人的执行能耗、换模能耗、待机能耗、工件传输能耗等,在工作站数量最小化和总能耗最小化两个目标之间寻求平衡.针对该约束的多目标优化问题,首先建立数学模型,设计编码方式;然后提出一种改进的基于分解的多目标进化算法,该算法引入非可行解参与进化和惩罚系数自适应变化策略以调节解的收敛性与多样性,并提出基于问题特殊性的局部搜索机制以进一步减小装配线能耗;最后对不同规模的问题进行优化,并与其他标杆算法进行对比,以评价该算法的效率和优越性.结果表明:该算法有效、可行,并且对该数学模型的求解有效提高了机器人装配线能效.     

多目标资源受限项目调度的多种群蚁群算法

为实现资源受限项目调度的多目标优化,通过改进传统蚁群算法,提出适用于多目标优化的多种群蚁群算法.该算法基于串行进度生成机制,每个蚁群具有各自的目标函数、与目标函数相匹配的不同搜索策略以及各自的信息素更新机制.各蚁群独立进行搜索决策,但各蚁群之间存在信息素的相互作用,从而实现加速搜索.针对多目标资源受限项目调度问题设计新的精英策略.在目标规划基础上构造一系列多目标项目调度算例,经系统测试表明,所提出的多种群蚁群算法能够有效优化资源受限项目的资源配置,实现多目标优化.     

用于解决多目标0/1背包问题的免疫系统Pareto强度算法

将人工免疫系统的机理与Pareto强度算法相结合,提出一种用于解决多目标0/1背包问题的免疫系统Pareto强度算法(ISSPA).ISSPA结合克隆选择操作和注射疫苗操作,并通过免疫特异性度量保持种群的良好多样性和算法的全局搜索能力.与其他多目标进化算法的对比实验证明,ISSPA搜索得到的Pareto解的支配能力和在空间分布的均匀性上较其他几种多目标进化算法有明显的优势.     

考虑工具和空间约束的机器人装配线平衡优化

为了提高流水装配线的效率和产能,在进行机器人装配线平衡的同时,优化任务资源的占用空间大小,考虑工具的占用空间及切换次数,在工作站数量最小化以及每个工作站占用空间最小化两个冲突目标之间寻求平衡。针对该带约束的多目标优化问题,首先建立数学模型,然后提出一种改进的多目标免疫克隆算法,基于该问题的特殊性提出了针对性的编码方式,引入了Pareto前沿排序、精英策略、全局搜索策略,以提升该算法的综合性能。最后,对不同规模的实例问题进行优化,并且与其他算法进行对比,以评价本文算法的效率和优越性。结果表明:本文算法在得到的解数量与质量方面都更加有效,对于不同规模问题都具有可行性。     

基于云差分进化算法的约束多目标优化实现

针对现有约束多目标算法存在收敛性、分布性不高等问题,提出一种基于云差分进化算法的约束多目标优化方法,通过云模型对差分进化算法的参数进行自适应处理;采用建立外部种群分别存储可行解和不可行解的方式处理约束条件,并对已有可行解集的更新方法进行改进,有效提高解集的分布性.提出新的变异策略,利用优秀可行解和不可行解的方向信息增强算法对解的探索能力.通过对CTP类标准问题的求解表明,与另外2种较为优秀的约束多目标算法相比,本算法显著提高了Pareto解集的分布性,且更接近于真实的Pareto前沿,有效地解决了约束多目标问题.     

多目标进化算法综述

多目标进化算法已经成为解决多目标优化问题的主要方法之一。本文详细介绍了经典的多目标进化算法,并分析了各种算法所采取的策略,给出了各个算法优缺点分析。讨论了多目标进化算法的应用。     

多目标进化算法综述

多目标进化算法已经成为解决多目标优化问题的主要方法之一。本文详细介绍了经典的多目标进化算法,并分析了各种算法所采取的策略,给出了各个算法优缺点分析。讨论了多目标进化算法的应用。     

结合分解技术的多目标引力搜索算法

针对基于分解的多目标遗传算法在解决多目标问题时无法有效解决前沿面非均匀、不连续的问题,提出一种基于分解技术的多子群串行搜索的多目标引力搜索算法(MOGSA/D).为充分利用算法优化分解出的目标函数所得到的进化信息、提高收敛速度,采取多种群串行的搜索方式;针对理想前沿面为非超平面的情况,提出一种预测理想前沿面形状的方法,并针对预测结果选择适合的权重系数生成方式;为提高解集的整体质量,提出一种基于目标权值的策略删减种群.通过标准测试函数的实验验证,所提算法与其他多目标进化算法相比在解集的收敛性以及分布性上均有较大提高,验证了算法的有效性.     

求解多目标柔性作业车间调度问题的离散人工蜂群算法

作业车间调度问题是一类典型的组合优化问题,要求多个作业在不同的机器上进行加工,目的是获得最好的作业加工序列,以满足特定的性能指标。柔性作业车间调度问题是对传统的作业车间调度问题的进一步扩展,由于求解的复杂性,使得传统方法很难在有效的时间内获得问题的最优解。人工蜂群算法是近年来提出的一种受生物行为启发的优化算法,该算法主要通过模拟蜜蜂的觅食来实现问题的求解。提出了一种离散的人工蜂群算法于求解柔性作业车间调度问题,算法通过交叉方式来搜索潜在的更好的蜜源,并采用自适应的变异策略来降低早熟收敛的可能性。最后通过对比实验证明算法对于求解多目标柔性作业车间调度问题是有效的。     

求解背包问题的病毒协同进化粒子群算法

为提高粒子群算法的搜索性能,提出一种基于病毒进化理论的改进离散粒子群算法:病毒协同进化粒子群算法.在粒子群中引入生物病毒机制和宿主与病毒基于感染操作的思想,病毒采用与粒子等长的编码方式,执行反向代换、结合等操作,利用病毒的水平感染和垂直传播能力较好地维持个体的多样性和对解空间的局部搜索能力.通过解决背包问题对算法进行验证,仿真表明所提算法搜索性能优于遗传算法、模拟退火及标准粒子群等其他算法.该算法能有效求解背包问题等NP难题.     

基于梯度拥挤度的多样性保持策略的MOEA

为了在多目标演化算法解决问题时保证解集的多样性,提出了一个有效的梯度拥挤度多样性保持策略,以及基于该保持策略的多目标演化算法;设计了多样性的熵度量准则,以及多样化种群初始策略.实验证明,提出的算法在种群多样性保持方面取得了较好的效果.     

混合遗传模拟退火算法求解背包问题

提出了一种混合遗传模拟退火算法求解背包问题,该算法应用改进的模拟退火算法作为局部搜索,提高算法的搜索效率,采用同时考虑解的质量和种群多样性的种群更新策略,保持种群的多样性,仿真实验结果表明该算法是有效的.     

基于多种群改进差分进化算法的环境／经济电力调度优化

应用多种群改进差分进化算法求解环境/经济电力调度(Environmental/Economic Dispatch,EED)这一多目标优化问题。将多种群策略引入差分进化算法,有助于保持群体多样性,有效避免经典差分进化算法的早熟收敛问题。采用自适应变异因子及交叉因子,使算法在搜索初期保持全局搜索能力,在搜索后期增强局部搜索能力,加快收敛速度。将该算法应用到IEEE 30节点-6机组系统的环境/经济调度优化,仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。     

基于GA的电力系统多目标模糊无功优化

针对传统无功优化的目标单一性,建立了以有功网络损耗和节点电压偏差均最小为目标的无功优化模型,采用模糊数学将不同量纲目标进行归一化,并转化为单目标模糊规划模型.鉴于多目标无功优化模型的复杂性,以及连续、离散控制变量并存,采用遗传算法搜索全局最优解.对某21节点系统进行了多目标无功优化分析,验证了该模型的可行性和优越性.     

改进多目标进化算法的云工作流调度

针对云计算和云存储资源复杂变化的定价机制给云工作流调度带来了极大的挑战问题,建立了考虑定价机制的多目标云工作流调度模型。针对云工作流调度问题的特点,设计了一种实数编码机制,使得现有的基于实数编码的交叉算子能够直接用于求解云工作流调度问题,从而避免了现有组合优化方法需要进行解的可行性修正的问题。进一步在MOEA/D算法框架下,设计了一种启发式局部搜索策略,提出了一种新的进化多目标云工作流调度算法。仿真试验结果表明,与目前主流的进化多目标优化算法相比,该算法在求得帕累托最优解集的宽广性和均匀性上具有明显的优势,且算法稳定性更好。该方法对于云平台资源利用率的提升具有重要的应用价值。     

基于改进自适应权重多目标粒子群算法的分布式电源优化配置

根据配电网和分布式电源相关特性,建立考虑多种约束条件下配电网网损最小、分布式电源成本最低、电网电压稳定性最好的多目标优化数学模型。该文提出一种改进自适应权重多目标粒子群算法对配电网进行分布式电源优化配置,相较于传统的多目标粒子群算法容易陷入局部最优,以及单目标算法只能给出单一配置方案,该方法在保证得到更接近全局最优解的同时提供一系列可供选择的方案(一组Pareto解集)。采用不同算法对IEEE 69节点算例进行求解计算,仿真结果充分证明了算法的优越性,为配电网中分布式电源配置提供了更为灵活的可行性方案。     

基于K-Means全局引导策略的多目标微粒群算法

提出了一种基于K-means全局引导策略的多目标微粒群算法(KMOPSO),通过K-means算法从归档集中选出K个均匀分布的非支配粒子作为全局最优引导,以保证种群中的粒子向整个Pareto前端移动,提高解的多样性. 用基于最近邻居的剪枝算法控制归档集规模,同时保证其中非支配解的多样性. 引入变异策略来加强算法的局部搜索能力,避免早熟收敛. 用5个经典函数进行了仿真测试,实验结果表明,该算法能有效地解决多目标优化问题,不但能收敛于Pareto最优前端,而且在解的多样性方面优于改进的非劣分类遗传算法和基于拥挤距离的多目标微粒群算法.