局部搜索与改进MOPSO的混合优化算法及其应用

为弥补粒子群后期收敛缓慢与早熟的不足,提出了一种局部搜索与改进MOPSO的混合优化算法(H-MOP- SO)。该算法首先采用非均匀变异算子和自适应惯性权重,强化全局搜索能力;继而建立混合算法模型,并利用侧步 爬山搜索算法对粒子群作周期性优化,使远离前沿的粒子朝下降方向搜索,而靠近前沿的粒子朝非支配方向搜索,加 快粒子群的收敛并改善解集多样性。对标准测试函数的求解表明,该算法比MOPSO, NSGA-II和MOEA/D具有更 好的多样性和收敛性。供应商优选问题的求解进一步验证了H-MOPSO的有效性。     

基于侧步爬山策略的混合多目标粒子群算法研究

为提高多目标粒子群算法(MOPSO)的收敛性与解集多样性,提出一种基于侧步爬山策略的混合多目标粒子群算法(H-MOPSO).通过建立局部搜索与粒子群优化的混合模型,在该模型中后期引入基于侧步爬山策略的局部搜索,周期性代替粒子群搜索并优化混合参数,使粒子根据距离前沿的远近朝下降或非支配方向搜索,加快粒子群收敛并改善其分布.同时采用非均匀变异算子和线性递减的惯性权重策略,避免算法早熟.通过标准测试函数的对比实验表明,该算法整体上比MOPSO、NSGA-II和MOEA/D具有更好的多样性与收敛性.     

随机扰动不同种群变异策略的多目标进化算法

为了提高多目标优化问题非支配解集的收敛性和多样性,解决算法后期易陷入局部最优的问题,根据不同差分进化策略特点,添加随机扰动,基于改进切比雪夫机制提出了一种自适应差分进化策略的分解多目标进化算法（MOEA/D-ADE-levy）。首先使用混合水平正交实验产生均匀权重向量并应用于改进切比雪夫机制分解子问题得到均匀分布的初始种群;其次将种群分为优秀个体、中间个体和较差个体,对不同个体采用不同的变异策略,对变异因子F和交叉概率CR采用自适应机制,提高非支配解集的收敛性和多样性;最后对陷入局部最优的解集增加levy随机扰动,增大其全局搜索的能力,跳出局部最优。采用DTLZ测试函数验证算法有效性,将所提算法与NSGA2、NSGA3、MOEA\D、MOEA\D-DE等常用算法进行比较,使用GD和IGD评价指标对算法进行多样性和收敛性分析,实验结果表明,该算法在收敛性和多样性方面得到了改进与提高,能得到更优的Pareto解集。     

均衡分布性和收敛性的多目标粒子群优化方法

粒子群优化（PSO）算法是一种基于群体演化且非常有效的求解多目标优化问题的方法,但因经典算法中粒子进化存在趋同性导致算法易陷入局部Pareto最优前沿,使得解集收敛性和分布性不理想。为此提出了一种均衡分布性和收敛性的多目标粒子群优化（DWMOPSO）算法,算法中每个粒子根据自身在进化过程中记忆的个体最好适应度值构建进化速度,由进化速度的快慢动态调整各粒子惯性权重,增加粒子的多样性,从而提高粒子跳出局部最优解的概率。通过在5个标准测试函数上进行仿真实验,结果表明,与Coello的多目标粒子群优化(MOPSO)算法相比,DWMOPSO算法获得的解集在与真实解集的逼近性和解集的分布性两个方面都有了很大的提高。     

柔性作业车间调度问题的多目标优化算法

柔性作业车间调度问题具有解集多样化与解空间复杂的特点,传统多目标优化算法求解时容易陷入局部最优且丢失解的多样性。在建立以最大完工时间、最大能耗、机器总负荷为优化目标的柔性作业车间调度模型的情况下,提出一种改进的非支配排序遗传算法（Improved Non-dominated Sorting Genetic Algorithm II, INSGA-II）求解该模型。INSGA-II算法先将随机式初始化与启发式初始化方法混合,提高种群多样性;然后对工序部分与机器部分采用针对性的交叉、变异策略,提高算法全局搜索能力;最后设计自适应的交叉、变异算子以兼顾算法的全局收敛与局部寻优能力。在mk01～mk07标准数据集上的实验结果显示INSGA-II算法有着更优的算法收敛性与解集多样性。     

动态高斯变异和随机变异融合的自适应细菌觅食优化算法

针对细菌觅食优化(Bacterial Foraging Optimization,BFO)算法在高维函数优化上性能较差和普适性不强的问题,提出一种动态高斯变异和随机变异融合的自适应细菌觅食优化算法.首先,将原随机迁徙方案修改为动态高斯变异与随机变异融合的迁徙方法,即搜索前期利用随机迁徙有利于增加解的多样性,获得全局最优解,搜索后期改用动态的高斯变异来提高算法的收敛速度;然后,对趋化操作中的步长参数使用动态调整和自适应调整来增强算法的普适性;最后,构建全局极值感应机制使优化更有效,从而获得了一种高性能的自适应BFO算法,以便能够高效解决高维函数的优化问题.14个高维函数优化的仿真结果表明,提出的算法不仅优化效果好、普适性强,而且能以更快的速度找到全局最优解,性能优于SBFO、POLBBO、BFAVP和RABC算法.     

基于参考点的高维多目标粒子群算法

高维多目标优化问题一般指目标个数为4个 或以上时的多目标优化问题.由于种群中非支配解数量随着目标数量的增加而急剧增多,导致进化算法的进化压力严重降低,求解效率低.针对该问题,提出一种基于粒子群的高维多目标问题求解方法,在目标空间中引入一系列的参考点,根据参考点筛选出能兼顾多样性和收敛性的非支配解作为粒子的全局最优,以增大选择压力.同时,提出了基于参考点的外部档案维护策略,以保持最后所得解集的多样性.在标准测试函数DTLZ2上的仿真结果表明,所提方法在求解高维多目标问题时能够得到收敛性和分布性都较好的解集.     

基于多策略融合的混合多目标蝗虫优化算法

为提高蝗虫优化算法（GOA）求解多目标问题的性能,提出一种基于多策略融合的混合多目标蝗虫优化算法（HMOGOA）。首先,利用Halton序列建立初始种群,保证种群在初始阶段具有均匀分布和较高多样性;然后,通过差分变异算子引导种群变异,促进种群向优势个体移动同时进行更大范围寻优;最后,利用自适应权重因子根据种群优化情况动态调整算法全局搜索和局部寻优能力,提高优化效率及解集质量。选取7个典型函数进行实验测试,并将HMOGOA与多目标蝗虫优化、多目标粒子群（MOPSO）、基于分解的多目标进化（MOEA/D）及非支配排序遗传算法（NSGA Ⅱ）对比分析。实验结果表明,该算法避免了其他四种算法的局部最优问题,明显提高了解集分布均匀性和分布广度,具有更好的收敛精度和稳定性。     

基于多策略融合的混合多目标蝗虫优化算法

为提高蝗虫优化算法（GOA）求解多目标问题的性能，提出一种基于多策略融合的混合多目标蝗虫优化算法（HMOGOA）。首先，利用Halton序列建立初始种群，保证种群在初始阶段具有均匀分布和较高多样性；然后，通过差分变异算子引导种群变异，促进种群向优势个体移动同时进行更大范围寻优；最后，利用自适应权重因子根据种群优化情况动态调整算法全局搜索和局部寻优能力，提高优化效率及解集质量。选取7个典型函数进行实验测试，并将HMOGOA与多目标蝗虫优化、多目标粒子群（MOPSO）、基于分解的多目标进化（MOEA/D）及非支配排序遗传算法（NSGA Ⅱ）对比分析。实验结果表明，该算法避免了其他四种算法的局部最优问题，明显提高了解集分布均匀性和分布广度，具有更好的收敛精度和稳定性。     

基于混沌多目标粒子群优化算法的云服务选择

随着云计算环境中各种服务数量的急剧增长,如何从功能相同或相似的云服务中选择满足用户需求的服务成为云计算研究中亟待解决的关键问题。为此,建立带服务质量约束的多目标服务组合优化模型,针对传统多目标粒子群优化(MOPSO)算法中解的多样性差、易陷入局部最优等缺点,设计基于混沌多目标粒子群优化(CMOPSO)算法的云服务选择方法。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的均匀性。当种群多样性丢失时,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,避免陷入局部最优。实验结果表明,与MOPSO算法相比,CMOPSO算法的收敛性和解集多样性均得到改善,能够更好地解决云计算环境下服务动态选择问题。