基于擂台赛法则和小生境技术的多目标进化算法

最优解集的构造和解的分布性是多目标进化算法的两个重要研究内容。用擂台赛法则构造非支配集具有较高的效率,而小生境共享技术可以提高种群的多样性。本文将小生境共享技术引入基于擂台赛法则的多目标进化算法,数值实验表明：改进后的算法保持了擂台赛算法运行效率高的特点,而且具有较佳的分布度。     

基于半监督的多目标进化模糊聚类算法

为了解决传统聚类由于缺少有效指导而导致图像分割结果不理想的问题,将半监督方法引入到多目标进化模糊聚类算法中,提出了一种基于半监督的多目标进化模糊聚类。图像分割算法通过构造基于半监督的类内紧致性函数和类间分离度函数,利用监督信息指导聚类过程获得非支配解集。为了从非支配解集中选择一个最优解,利用监督信息构造了基于相似性度量的有效性指标。实验结果表明,提出的方法在分割准确率和视觉效果上明显优于无监督的聚类方法。     

一种改进的多目标混合差分进化算法

将差分进化算法（DE）用于多目标优化问题,提出了一种精英保留和进化进程中非支配解集迁移操作的差分进化算法,以保证所求得多目标优化问题Pareto最优解的多样性。采用双群体约束处理技术,构建进化群体的Pareto非支配解外部存档集,并进行基于非支配解集的迁移操作,以增加非支配解的数目和质量。用多个经典测试函数测试的结果表明,与标准DE相比,该方法收敛到问题的Pareto前沿效果良好,能有效保持Pareto最优解多样性与收敛之间的平衡。     

针对非均匀问题的多目标进化算法

文章针对解集分布非均匀的问题,提出了一种新的多目标进化算法,称之为GNEA(带小生境的网格进化算法)。在算法中,针对分均匀问题的特点,采用了小生境技术来保持解集的局部非均匀分布,以及网格技术来保证整个解集的分布度。为了让GNEA运行效率更高,提出了用庄家法构造非支配集的方法。最后通过与其他算法进行比较,验证了算法具有较好的运行效率,且在解决非均匀问题上是一种有效的多目标进化算法。     

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

基于自适应学习的多目标粒子群优化算法

将进化算法应用于某些多目标优化问题时,采用增加种群规模和进化代数的方法往往耗费大量的目标函数计算开销,且达不到提高种群进化效率的目的,为此提出了一种基于自适应学习最优搜索方向的多目标粒子群优化算法。采用自适应惯性权值平衡算法的全局和局部搜索能力,采用聚类排挤方法保持Pareto非支配解集的分布均匀性,使用最近邻学习方法为每个粒子在Pareto非支配解集中寻找一个最优飞行目标来提高其收敛速度并保持粒子群搜索方向的多样性。实验结果表明,提出的算法可在显著地降低函数评估成本的前提下实现快速的搜索,并使粒子群均匀地逼近Pareto最优面。     

量子多目标进化算法研究

本文首次将量子计算的理论用于多目标优化,提出量子多目标进化算法（QMOEA）,其采用量子位染色体表示法,利用量子门旋转策略和量子变异实现群体的进化,使用ε支配关系构造外部种群以此保持算法的较好分布性,提出基于快速排序的非劣最优解构造方法加快算法运行效率,实验表明,这种方法与经典的多目标进化算法SPEA2相比,其收敛性更好且分布更均匀     

具有多形态种群协同进化的多目标优化算法

为提高进化多目标优化算法在维持最优解多样性方面的性能,获得分布更均匀的Pareto非支配解集,文中提出一种具有多形态种群协同进化的多目标优化算法.该算法构建一种多形态种群协同进化架构,通过引入最小向量夹角的相似性度量方法,给出次优非支配个体选择策略,从而提高种群的多样性.算法还提出一种基于排序链表的拥挤个体删除策略,进一步提高解集分布的均匀性和宽广性.与经典算法对比结果表明,文中算法在解的分布性和多样性方面均有较好表现,尤其在解集分布均匀性方面优势较明显.     

一种基于Pareto排序的混合多目标进化算法

为了改进多目标进化算法的收敛性和解集的多样性,提出一种基于Pareto排序的混合多目标进化算法PHMOEA。在PHMOEA中使用干扰集刺激优化非支配集的构成,改善算法的收敛性和解集的分布性,并根据Pareto等级和精英保留策略改进了交叉算子和变异算子。该算法与著名的NSGA-II和SPEA2多目标进化算法在13个基准测试函数上的对比结果表明,PHMOEA算法不仅多样性较好,而且提高了算法的收敛性,并使获得的最优解集的分布性更均匀,覆盖范围更广。     

一种基于CUDA的并行多目标进化算法

传统的多目标进化算法多是基于Pareto最优概念的类随机搜索算法,求解速度较慢,特别是当问题维度变高,需要群体规模较大时,上述问题更加凸显。这一问题已经获得越来越多研究人员以及从业人员的关注。实验仿真中可以发现,构造非支配集和保持群体多样性这两部分工作占用了算法99%以上的执行时间。解决上述问题的一个有效方法就是对这一部分算法进行并行化改造。本文提出了一种基于CUDA平台的并行化解决方案,采用小生境技术实现共享适应度来维持候选解集的多样性,将多目标进化算法的实现全部置于GPU端,区别于以往研究中非支配排序的部分工作以及群体多样性保持的全部工作仍在CPU上执行。通过对ZDT系列函数的仿真结果,可以看出本文算法性能远远优于NSGA-Ⅱ和NPGA。最后通过求解油品调和过程这一有约束多目标优化问题,可以看出在解决化工应用中的有约束多目标优化问题时,该算法依然表现出优异的加速效果。     

基于随机算子的快速多目标遗传算法

在NSGA-Ⅱ算法的基础上,对NSGA-Ⅱ构造非支配集的方法进行了改进,用擂台赛法则构造非支配集,当非支配集小于种群大小时,采用随机算子在可行域内随机产生新的解个体填充到下一代父种群中,形成了一种新的多目标遗传算法。在实验部分将改进后的算法和NSGA-II进行了性能比较,实验结果表明改进后的算法具有良好的分布性,算法运行效率也较高。     

基于IFI与FUA的Pareto遗传算法

在适应值快速辨识算法和基于聚类排挤的外部种群快速替换算法的基础上，提出了搜索Pareto最优解集的快速遗传算法。在该算法中，IFI算法实现个体适应值的快速辨识，FUA维持种群多样度和Pareto最优解集的均匀分布性。采用FPGA算法对多种多目标0/1背包问题进行仿真优化，FPGA算法能够以较少的计算成本搜索到高精度、分布均匀、高质量的Pareto非劣解集，收敛速度和收敛准确性均优于强度Pareto进化算法(SPEA)。     

自适应动态重组多目标粒子群优化算法

提出一种自适应动态重组粒子群优化算法. 该算法采用凝聚的层次聚类算法, 将种群分成若干个子群体, 用一个精英集对非支配解进行存储; 根据贡献度和多样性, 对各子群体的粒子和整个种群进行自适应动态重组; 同时引入扰动算子对精英集存储的非支配解进行扰动, 实现对精英集进行动态调整. 利用具有不同特点的测试函数进行验证并与同类算法相比较, 结果表明, 所提出的算法可加快收敛速度, 提高种群的可进化能力.

     

基于聚类的NSGA-II算法

采用精英策略的非支配排序遗传算法（NSGA-II）种群收敛分布不均匀,全局搜索能力较弱。针对该问题,基于现有的算法,提出一种基于聚类学习机制的多目标进化算法KMCNSGA—II。利用K均值聚类对目标函数和个体分别进行聚类,对聚类后的个体进行局部学习,以提高适应度。将该算法应用于经典的多目标约束和非约束测试函数中,通过收敛性指标世代距离和多样性指标△进行性能评价。实验结果表明,与NSGA—II算法相比,该算法在算法收敛性和种群多样性保持方面均有明显提高。     

基于Map-Reduce模型的云资源调度方法研究

为提高Map-Reduce模型资源调度问题的求解效能,分别考虑Map和Reduce阶段的调度过程,建立带服务质量(QoS)约束的多目标资源调度模型,并提出用于模型求解的混沌多目标粒子群算法。算法采用信息熵理论来维护非支配解集,以保持解的多样性和分布均匀性;在利用Sigma方法实现快速收敛的基础上,引入混沌扰动机制,以提高种群多样性和算法全局寻优能力,避免算法陷入局部最优。实验表明,算法求解所需的迭代次数少,得到的非支配解分布均匀。Map-Reduce资源调度问题的求解过程中,在收敛性和解集的多样性方面,所提算法均明显优于传统多目标粒子群算法。     

A clustering-ranking method for many-objective optimization

In evolutionary multi-objective optimization, balancing convergence and diversity remains a challenge and especially for many-objective (three or more objectives) optimization problems (MaOPs). To improve convergence and diversity for MaOPs, we propose a new approach: clustering-ranking evolutionary algorithm (crEA), where the two procedures (clustering and ranking) are implemented sequentially. Clustering incorporates the recently proposed non-dominated sorting genetic algorithm III (NSGA-III), using a series of reference lines as the cluster centroid. The solutions are ranked according to the fitness value, which is considered to be the degree of closeness to the true Pareto front. An environmental selection operation is performed on every cluster to promote both convergence and diversity. The proposed algorithm has been tested extensively on nine widely used benchmark problems from the walking fish group (WFG) as well as combinatorial travelling salesman problem (TSP). An extensive comparison with six state-of-the-art algorithms indicates that the proposed crEA is capable of finding a better approximated and distributed solution set.     

一种基于快速排序的快速多目标遗传算法

多目标遗传算法的一个重要步骤就是构造非支配集,本文提出了一种基于快速排序的非支配集构造方法,提高了非支配集构造效率,并且在Deb提出的NSGAⅡ的基础上,改进了其种群构造策略,设计了一类新的多目标遗传算法。实验表明,这种方法比NSGAⅡ具有更快的收敛速度且保持了良好的分布性。     

膜系统下的一种多目标优化算法

提出一种基于膜优化理论的多目标优化算法,该算法受膜计算的启发,结合膜结构、多重集和反应规则来求解多目标优化问题。为了增强算法的适应能力,采用了遗传算法中的交叉与变异机制,同时在膜中引入外部档案集,并采用非支配排序和拥挤距离方法对外部档案集进行更新操作来提高搜索解的多样性。仿真实验采用标准的KUR和ZDT系列多目标问题对所提出的算法进行测试,通过该算法得出的非支配解集能够较好地逼近真实的Pareto前沿,说明所提算法在求解多目标优化问题上具有可行性和有效性。     

A surrogate-assisted evolutionary algorithm based on the genetic diversity objective

In this work, a novel surrogate-assisted memetic algorithm is proposed which is based on the preservation of genetic diversity within the population. The aim of the algorithm is to solve multi-objective optimization problems featuring computationally expensive fitness functions in an efficient manner. The main novelty is the use of an evolutionary algorithm as global searcher that treats the genetic diversity as an objective during the evolution and uses it, together with a non-dominated sorting approach, to assign the ranks. This algorithm, coupled with a gradient-based algorithm as local searcher and a back-propagation neural network as global surrogate model, demonstrates to provide a reliable and effective balance between exploration and exploitation. A detailed performance analysis has been conducted on five commonly used multi-objective problems, each one involving distinct features that can make the convergence difficult toward the Pareto-optimal front. In most cases, the proposed algorithm outperformed the other state-of-the-art evolutionary algorithms considered in the comparison, assuring higher repeatability on the final non-dominated set, deeper convergence level and higher convergence rate. It also demonstrates a clear ability to widely cover the Pareto-optimal front with larger percentage of non-dominated solutions if compared to the total number of function evaluations.