自组织多目标粒子群优化算法

针对多目标粒子群优化算法收敛性和多样性难以平衡的问题,提出一种利用问题的结构信息来解决多目标问题的自组织多目标粒子群算法。通过自组织映射网络发现种群和非支配解集分布的结构,构造出当前粒子的邻域关系,从邻域中选出非支配解,从而引导种群局部和全局的搜索。提出了精英学习策略,通过对精英粒子进行变异,引导算法跳出局部最优。实验结果表明,所提算法可以兼顾收敛性和多样性,有效地解决多目标优化问题。     

空间数据关联的多目标粒子群优化算法

提出一种空间联合概率数据关联的多目标粒子群优化(DS-MOPSO)算法。采用正态分布确保初始样本均匀分布,通过采用拥挤距离和先验概率采样确立外部归档中非支配解的拥挤度来保持解的多样性;采用Sigma方法作为选择精英粒子策略寻找全局最优解;利用空间联合概率数据关联动态生成每个粒子的惯性权值,增强粒子的搜索区域,防止算法陷入局部最优。仿真实验结果表明,采用所提出的算法所得到的Pareto解集具有很好的收敛性和多样性。     

基于局部搜索与混合多样性策略的多目标粒子群算法

为了提高算法的收敛性与非支配解集的多样性,提出一种基于局部搜索与混合多样性策略的多目标粒子群算法（LH-MOPSO）.该算法使用增广Lagrange乘子法对非支配解进行局部搜索以快速接近Pareto最优解;利用基于改进的Maximin适应值函数与拥挤距离的混合多样性策略对非支配解集进行维护以保留解的多样性,同时引入高斯变异算子以避免算法早熟收敛;最后针对多目标约束优化问题,给出一种有效的约束处理方法.实验研究表明该算法具有良好的优化性能.     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

基于融合多策略改进的多目标粒子群优化算法

为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.     

DAV-MOEA:一种采用动态角度向量支配关系的高维多目标进化算法

现实中不断涌现的高维多目标优化问题对传统的基于Pareto支配的多目标进化算法构成巨大挑战.一些研究者提出了若干改进的支配关系,但仍难以有效地平衡高维多目标进化算法的收敛性和多样性.提出一种动态角度向量支配关系动态地刻画进化种群在高维目标空间的分布状况,以较好地在收敛性与多样性之间取得平衡;另外,提出一种改进的基于Lp...     

基于拥挤距离的动态粒子群多目标优化算法

提出了一种改进的基于拥挤距离的动态粒子群多目标优化算法。为提高粒子的全局搜索能力,提出了新的动态变化惯性权重和加速因子的方法。引进了拥挤距离排序方法维护外部精英集和更新全局最优值。为保持非劣解的多样性,采用了小概率变异机制,并根据种群的大小选择不同的变异概率。最后,把算法应用到5个典型的多目标测试函数并与其他算法进行比较。实验结果表明,该算法所得的Pareto解集有很好的收敛性和多样性。     

改进的约束多目标粒子群算法

在约束优化问题搜索空间分析的基础上提出了一种改进的约束多目标粒子群算法（CMOPSO）。提出一种动态ε不可行度许可约束支配关系作为主要约束的处理方法,提高了算法的边缘搜索能力和跨越非联通可行区域的能力。设计了一种新的密集距离度量方法用于外部档案维护,提高了算法的效率;提出了新的全局向导选取策略,使算法获得了更好的收敛性和多样性。数值仿真实验结果表明约束多目标粒子群算法算法可得到分布性、均匀性及逼近性都较好的Pareto最优解。     

星型结构的多目标粒子群算法求解多模态多目标问题

首先,根据多目标粒子群算法中的粒子结构信息,利用非支配解集构造粒子个体邻域之间的拓扑结构,提出星型结构的多目标粒子群算法用于求解多模态多目标问题。其次,针对多目标粒子群中全局最优个体选择困难,提出一种非支配解集分布均匀程度的评价方法,评价结果用于确定当前粒子对应的全局最优个体。最后,结合2种方法提出带均匀计算方法的星型拓扑结构多目标粒子群优化算法STMOPSONCMIU。通过测试函数分析算法的收敛性,表明改进的算法比原来的算法收敛速度快。实验结果表明,该算法可以较好地兼顾问题的目标空间和决策空间的分布,有效解决多模态多目标问题。     

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。     

环链种群结构的多目标教与学优化算法*

针对教与学算法采用贪婪进化机制,易造成种群多样性较差的问题,将环链拓扑结构引入到多目标教与学算法中,并改进了自我学习机制,提出了一种环链种群结构的多目标教与学优化算法。根据多种群进化方式,通过一种环链结构将种群划分为多个邻域,每个邻域代表一个小种群,且相邻种群之间存在重叠。在教与学进化过程中,在每个小种群中设置一名教师,由每一位教师引导各自的种群独立进化,且彼此之间存在进化信息交流。同时,提出一种改进的学习机制来提升局部寻优能力,由此平衡算法的全局搜索和局部寻优。该算法通过与五种对等算法在ZDT和DTLZ系列组成的12个多目标测试问题进行测试,实验结果表明了新算法在收敛性、多样性和稳定性等方面均优于或部分优于其他的对比算法。     

基于角度惩罚距离的收敛因子非线性递减多目标鲸鱼优化改进算法

为了提高多目标鲸鱼优化算法的全局优化性能,提出了一种基于角度惩罚距离的收敛因子非线性递减多目标鲸鱼优化算法IWOA-APD。首先,针对基本多目标鲸鱼算法收敛性和多样性难以平衡的问题,采用角度惩罚距离作为解优劣评价指标。其次,给出了一种基于迭代进度和优化因子的收敛因子指数形式非线性递减策略,该策略可以通过调整优化因子进一步提升优化性能。除此之外,给出了基于融合距离与拥挤度距离的精英集维护机制,从而改善精英集的多样性维护效果。最后,为了验证所提出的算法有效性,基于五种标准测试函数及一种城市轨道列车速度曲线优化实际算例,在MATLAB2016b GUI平台下采用所提出的IWOA-APD与IWOA、MOWOA、dMOPSO进行对比仿真。仿真结果表明,所提出的IWOA-APD寻到了更理想的优化结果。由此说明,相比于一些性能品质良好的优化算法,IWOA-APD还具有更快的计算速度和更高的全局收敛精度。     

基于协同进化的约束多目标优化算法

针对约束多目标优化算法存在难以有效地兼顾收敛性和多样性的问题,提出一种基于协同进化的约束多目标优化算法。第一阶段,通过基于稳态演化的可行解搜索方式得到一个具有一定数量可行解的种群;第二阶段,将这个种群拆分为两个子种群,并通过双子种群协同进化的方式实现对收敛性和多样性的兼顾;最后采用标准约束多目标优化问题CF1~CF7、DOC1~DOC7和实际工程问题进行仿真实验,以测试所提算法的求解性能。实验结果表明,与基于约束支配准则的非支配排序遗传算法（NSGA-Ⅱ-CDP）、两阶段算法（ToP）、推拉搜索算法（PPS）和约束多目标优化的双存档进化算法（C-TAEA）相比,所提算法在反向世代距离（IGD）和超体积（HV）两个指标上均取得了良好的结果,说明所提算法可以有效地兼顾收敛性和多样性。     

Multi-objective self-adaptive differential evolution with elitist archive and crowding entropy-based diversity measure

A self-adaptive differential evolution algorithm incorporate Pareto dominance to solve multi-objective optimization problems is presented. The proposed approach adopts an external elitist archive to retain non-dominated solutions found during the evolutionary process. In order to preserve the diversity of Pareto optimality, a crowding entropy diversity measure tactic is proposed. The crowding entropy strategy is able to measure the crowding degree of the solutions more accurately. The experiments were performed using eighteen benchmark test functions. The experiment results show that, compared with three other multi-objective optimization evolutionary algorithms, the proposed MOSADE is able to find better spread of solutions with better convergence to the Pareto front and preserve the diversity of Pareto optimal solutions more efficiently.     

改进的r支配高维多目标粒子群优化算法

高维多目标优化问题是广泛存在于实际应用中的复杂优化问题,目前的研究方法大都限于进化算法.本文利用粒子群优化算法求解高维多目标优化问题,提出了一种基于r支配的多目标粒子群优化算法.采用r支配关系进行粒子的比较与选择,并结合粒子群优化算法收敛速度快的优势,使得算法在目标个数增加时仍保持较强的搜索能力;为了弥补由此造成的群体多样性的丢失,优化非r支配阈值的取值策略;此外,引入决策空间的拥挤距离测度,并给出新的外部存储器更新方法,从而进一步防止算法陷入局部最优.对多个基准测试函数的仿真结果表明所得解集在收敛性、多样性以及围绕参考点的分布性上均优于其他两种算法.     

量子协同免疫动态优化算法

基于协同策略和量子免疫计算理论,提出量子协同免疫动态优化算法,并从理论上证明算法的全局收敛性.该算法采用量子比特编码表达种群中的抗体,并采用量子旋转门和动态调整旋转步长策略来演化抗体,加速原有克隆算子的收敛.该算法中引入协同策略增强子群体间的信息交流,提高种群的多样性,同时利用量子编码种群的关联性,使算法具有更强的稳定性,能够较好地适应于动态问题的求解.文中通过一系列动态背包测试问题和交叉验证(t检验)实验表明,量子协同免疫动态优化算法具有更强的鲁棒性和适应性,显示出较优越的性能.     

混合多目标粒子群优化算法在热精轧负荷分配优化中的应用

通过对热精轧负荷分配过程的分析,选取负荷均衡、板形良好和轧制功率最低为目标,建立了热精轧负荷分配多目标优化模型.为了提高多目标优化算法解集的分布性和收敛性,提出了一种混合多目标粒子群优化算法(HMOPSO),该算法根据Pareto支配关系得到Pareto前沿进而保证种群收敛;采用分解策略维护外部存档,该策略首先根据Pareto前沿求出上界点对目标空间进行归一化处理,然后对种群进行分区处理进而保证种群的分布性能.仿真结果表明,HMOPSO的收敛性和分布性都好于MOPSO和d MOPSO;采用模糊多属性决策的方法从Pareto最优解集中选择一个Pareto最优解,通过与经验负荷分配方法相比,表明该Pareto最优解可以使轧制方案更加合理.     

一种基于粒子群算法的改进多目标文化算法

提出一种基于粒子群算法的改进多目标文化算法并用于求解多目标优化问题.算法中群体空间采用多目标粒子群优化算法进行演化;信念空间通过对形势知识、规范化知识和历史知识的重新定义使之符合多目标优化问题;信念空间和群体空间的交互通过自适应的接受操作和影响操作来实现.若干多目标标准测试函数的仿真结果表明,改进多目标文化算法能够在保持Pareto解集多样性的同时具有较好的均匀性和收敛性.     

基于分解和向量的多目标鲨鱼优化算法

为了提高多目标鲨鱼算法在收敛速度和解集的分布性,提出一种基于分解和向量的多目标鲨鱼优化算法（DVMOSSO）。首先针对基本鲨鱼算法收敛性和多样性难以平衡的问题,通过在精英集采过程中,用参考向量计算角度惩罚距离标量值来平衡目标空间中解的收敛性和多样性。除此之外,针对基本鲨鱼算法在迭代后期易早熟收敛,陷入局部最优的缺陷,采用高斯变异策略重新初始化粒子,同时在精英解集中采用多项式变异来增加种群的多样性。最后,为了验证本文所提算法的有效性,将本文所提的DVMOSSO算法与NSGAII-DS、MOEA/D、MMOPSO、MOSSO和dMOSSO算法在标准测试函数上进行对比实验,实验结果表明本文所提算法具有良好的收敛性和分布性,算法收敛精度更高,寻优能力更强。     

多策略改进的多目标粒子群优化算法

为了进一步提高多目标粒子群优化算法的收敛性和多样性,提出一种多策略改进的多目标粒子群优化算法.建立具有精英粒子领导的异构更新模式并设置个体学习增强因子项,促使种群能够快速寻找真实Pareto最优解.引入外部档案冗余机制,利用其变异及对种群的干扰策略增强解的多样性,避免算法早熟现象的发生.仿真实验结果表明,与其他几种优化算法相比,所提出的算法表现出较好的收敛性和多样性.