MOEA/D聚合函数的二次泛化及其优化性能分析

基于分解的多目标进化算法（Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D）是多目标优化算法的一个重要分支,多目标优化的关键问题是如何在算法的收敛性和散布性之间达到良好的平衡.目前主流算法的聚合函数存在着不同的优缺点,尤其是当使用切比雪夫方法选择个体时,经常出现个体偏离权重现象,个体和权重间得不到很好的粘合.本文基于此提出了一种新的聚合函数方法,提高了MOEA/D的性能.该聚合函数的函数形式为二次函数,种群个体在该函数下的等高线是一条二次曲线（本文称双曲线函数方法,Hyperbola Function Method,HYB）,是对目前存在的聚合函数的一种泛化形式.该HYB方法相比PBI （Penalty-based Boundary Intersection）方法更强调收敛性,能更容易地在收敛性散布性之间达到平衡.本文测试了MOKP问题及DTLZ系列等测试函数,并与其他算法进行了实验对比,结果显示HYB方法更稳定有效且种群在收敛速度上有一定的提高.     

基于动态分配邻域策略的分解多目标进化算法

邻域规模是影响分解多目标进化算法性能的重要因素之一,传统分解多目标进化算法通常对计算复杂度不同的子问题分配相同的邻域规模,算法运行效率受到限制。针对以上问题,提出了一种基于动态分配邻域策略的分解多目标进化算法（MOEA/D-SD）:首先,在收敛性方向和多样性角度上评估个体的进化状态;其次,根据进化状态动态调节邻域大小,为每个子问题分配合适的邻域规模,从而提高算法的收敛性和解集整体质量。将所提算法与MOEA/D和MOEA/D-GR算法在ZDT和DTLZ系列测试函数上进行性能对比。仿真实验结果表明:MOEA/D-SD算法的收敛性能明显提升,算法资源分配更加合理,所求解集整体质量有所提升。     

一种改进的差分进化算法及其应用

多目标优化问题(MOP)存在范围广且人工求解难度大,通过差分进化算法(DE)解决MOP问题具有重要意义.由于常用DE算法性能有限、收敛速度、计算精度和优化能力相互制约,通过改善变异因子、进化机制以及与粒子群算法融合等措施,研究一类基于粒子群优化和DE的混合算法(PSODE),经典优化函数的仿真实验和对比分析,结果表明在高维复杂寻优问题中可以求得高精度解.在实际数字滤波器优化设计中,表明其改进算法在计算精度和运行速度上均能取得满意的应用效果.     

精英克隆局部搜索的多目标动态环境经济调度差分进化算法

为有效解决复杂多目标动态环境经济调度问题,提出一种基于精英克隆局部搜索的多目标动态环境经济调度差分进化算法。以传统的差分进化(differential evolution, DE)算法为框架,为了提高DE算法的开采和探索能力,增设精英群的克隆和突变机制,采用动态选择方式确定精英群,有效增强算法的全局搜索能力。数值试验以IEEE-30的10机、15机系统为测试实例,并将提出的算法与三种代表性算法比较。结果表明,新算法所获的Pareto前沿具有较好的收敛性和延展性,可为电力系统调度人员提供更灵活的决策方案。     

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.     

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。     

面向4G网络的室内分布系统设计

在现有室内分布系统建设模式的基础上,针对4G室内分布系统改造过程中的MIMO(Multiple Input Multiple Output)双通道功率平衡问题建立了数学模型,并采用MOEA/D-M2M进化算法进行求解.仿真结果表明,本文设计的模型和算法能求解出一种同时满足建网成本最小化和室内覆盖最大化的方案.     

基于分解的多目标进化算法在工程优化中的应用

将基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)应用于工程优化问题时,由于各目标函数在数量级及量纲上的不同,需要对目标函数进行归一化处理.首先,采用一种自适应ε约束差分进化算法(εConstrained Differential Evolution,εDE)寻找各个目标在Pareto前沿上的最大值和最小值,利用这些值对各目标进行归一化处理;然后,用MOEA/D进行求解,并在算法中加入了自适应ε约束处理技术;最后,采用一个标准测试问题和一个焊接梁设计优化问题对该算法进行测试,并与其他两种归一化方法进行了比较.根据提出的方法,MOEA/D能对Pareto前沿的一端进行集中优化,因而能处理一些Pareto前沿两端难以优化的问题.     

零等待flow shop多目标调度的混合差分进化算法

针对具有零等待约束的flow shop问题,以总流程时间和最大完工时间为多目标,提出一种结合多目标变邻域搜索的混合差分进化算法(multi-objective differential evolution hybridized with variable neighborhood search,M DEVNS)进行求解。提出一种基于改进Naw az-Enscore-Ham(NEH)规则的多样化种群初始化方法;设计了差分进化的变异、试验、目标个体更新操作;为提高多目标搜索能力,在算法的进化中混合了一种多目标变邻域搜索方法。通过Taillard标准测试算例的计算试验,证明了MDEVNS算法获得的Pareto前沿解在多样性和性能方面要优于多目标模拟退火算法和非支配排序遗传算法,验证了MDEVNS算法求解多目标零等待流水车间调度问题的有效性。     

基于混合免疫协同进化算法的模糊-PI优化控制

针对遗传算法诸如局部搜索能力差、早熟收敛、“退化”现象等问题，在协同进化算法(CA)的基础上融入传统的单纯形算法，同时引入免疫算子来防止“退化”现象，提出了混合免疫协同进化算法(HICA)，并设计了一种自适应交叉、变异算子以提高算法的运算效率；应用HICA对模糊 PI控制器的各个参数进行协同优化，设计了体现控制器综合性能指标的目标函数，仿真结果表明：提出的基于HICA模糊 PI控制优化方法可以获得满意的控制效果.     

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。     

用于气动发动机设计的非支配排序遗传算法的改进

非支配排序遗传算法用于气动发动机设计不能获得完整的功率与比功关系曲线,为此对程序中的等级排列子程序和分散性估计方法进行了改进.将两目标优化问题中的性能指标分别定义为空间性能指标和跟随性能指标.通过一个区间分布参数将空间性能指标分成多段,位于同一区段内的个体根据其跟随性能指标的大小进行等级排列.个体间的分散性只根据空间性能指标进行计算.通过对预先设计的以正弦函数为目标的优化问题进行求解,验证了改进后的程序能够获得准确、分布均匀的解.与NSGA-II算法相比,改进后的程序用于气动发动机设计可以得到更加完整的设计信息.     

认知无线电多目标优化算法研究

认知无线电是指能够感知周围频谱环境并动态使用频谱资源的智能无线通信系统。认知无线电的多目标优化问题是一个典型的动态参数优化问题。以传输能量、数据率以及误比特率等多个参数为目标,采用一种基于DNA计算的非支配排序多目标遗传算法(DNA-GA)来对其进行优化。将CR可调参数进行编码作为染色体,产生大小为N的初始化种群,并根据CR目标函数计算个体适应度,再结合克隆操作使算法收敛于全局最优,最终得到CR系统的最优操作参数。仿真结果表明,DNA-GA可以在不同用户需求情况下获得较好的性能优化。     

排课问题的一种遗传算法适应度求解方法

排课问题的多个优化目标间可能是冲突的,如何有效优化求解的多个目标,是排课问题的关键。适应度计算方法影响遗传算法的采样空间和执行效率,研究适应度的求解方法有助于解决多目标优化问题。利用多目标决策协调模型进行排课问题的改进适应度求解方法的研究,以优化遗传算法的采样空间,加快算法的收敛。把该方法应用到排课问题中,实验结果表明对目前仍没有较好解决方法的组合优化问题,可以得到比较容易的解决。     

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.     

基于NSGA—Ⅱ算法的RLV多目标再入轨迹优化设计

传统的再入轨迹优化设计通常只考虑单目标优化问题，例如最小热流、最小大航程、最小控制能量等。随着人们对降低费用和提高性能的期望越来越高，多目标再入轨迹优化问题也引起了注意。以往人们通过加权因子等方法将多目标问题转化为单目标问题，避免了复杂的多目标优化算法的应用。但也引入了新的参数，且每次优化只能获得与该参数相关的1个解。NSGA—Ⅱ算法是最近发展起来的具有优良性能的多目标遗传算法，它引入了快速分类、约束支配和精英策略，1次运行可以获得多个Pareto最优解。文中利用NSGA—Ⅱ算法来求解具有最小热载和最大横程的2个目标的再入轨迹优化问题。算例表明NSGA—Ⅱ算法能够有效地搜索到优化轨迹的Pareto前沿，是RLV初步设计的有力工具。     

基于NSGA-II算法的RLV多目标再入轨迹优化设计

传统的再入轨迹优化设计通常只考虑单目标优化问题,例如最小热流、最小大航程、最小控制能量等。随着人们对降低费用和提高性能的期望越来越高,多目标再入轨迹优化问题也引起了注意。以往人们通过加权因子等方法将多目标问题转化为单目标问题,避免了复杂的多目标优化算法的应用。但也引入了新的参数,且每次优化只能获得与该参数相关的1个解。N SGA-II算法是最近发展起来的具有优良性能的多目标遗传算法,它引入了快速分类、约束支配和精英策略,1次运行可以获得多个Pareto最优解。文中利用N SGA-II算法来求解具有最小热载和最大横程的2个目标的再入轨迹优化问题。算例表明N SGA-II算法能够有效地搜索到优化轨迹的Pareto前沿,是RLV初步设计的有力工具。     

基于模糊满意度的水火电力系统多目标短期优化调度

针对水火电力系统短期经济环境负荷调度多目标优化问题,构建了一种基于粒子群算法的交互式模糊满意度决策方法。通过定义每个目标函数的隶属度函数,把多目标问题模糊化;决策者依据自己的主观意愿来设定每个目标的参考隶属度值;利用参考隶属度值与目标隶属度值之差的绝对值最大最小化的方法,将多目标问题转换为单目标问题;采用粒子群算法求解此单目标优化问题。在决策过程中,决策者对当前解不满意,可应用交互式的方法再次设定参考隶属度值,重新进行求解,直到找到决策者满意的方案为止。算例计算验证了交互式模糊满意度决策方法的有效性和可行性,不仅避免了多目标问题向单目标问题转换过程中目标权重选取的人为任意性,而且能充分体现决策者的主观意愿,便于实际应用操作。     

基于动态模糊混沌粒子群算法的含电动汽车微电网多目标优化调度研究

提出一种基于动态模糊混沌粒子群算法的微电网多目标优化调度方法.利用动态目标函数与模糊理论解决多目标主观权值的缺陷,建立以运行维护成本、环境污染物成本为目标的微电网多目标调度模型.微电网多目标优化调度属于多变量、强非线性优化问题,针对传统粒子群算法求解时容易陷入局部最优等问题,在粒子初始化时,引入一种结合Chebyshev映射和Logistic映射的组合混沌映射,在粒子更新过程中,引入Logistic映射,从而增加粒子寻优的遍历性,加强算法全局优化能力.针对惯性权重在粒子群更新过程中的取值问题,采用迭代次数梯度改变惯性权重的策略.仿真结果证明了算法具有更高的收敛效率和更好的收敛效果.     

用改进蚁群算法求解多目标优化问题

蚁群算法是一种崭新的仿生模拟进化算法,该算法在许多领域已经得到应用。多目标优化问题是一类很重要的优化问题,优化与求解较难。对此,提出了一种改进蚁群算法用于求解多目标优化问题,得到一组变量的权重后,用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁寻食的方式,通过信息素来指引搜索。给出了具体的算法,示例仿真说明了其有效性,并表明该算法可以快速发现多个全局最优解。