基于适配粒子群的多目标优化方法

提出了一种基于适配粒子群的多目标优化方法。该方法给出的适配粒子群算法规则简单、收敛速度快，得到的解集有较好的分散性和均匀性。将提出的外部记忆体更新和适配半径选择的方法应用于经典的多目标函数中。结果表明，该优化方法能够快速准确地收敛于Pareto解集，并且使其对应的目标域均匀分布于Pareto最优目标域。     

基于混沌的多目标粒子群优化算法

针对多目标优化问题,提出了一种改进的粒子群算法.该算法为了寻找新解,引入了混沌搜索技术,同时采用了一种新的方法--拥挤距离法定义解的适应度.并采取了精英保留策略,在提高非劣解集多样性的同时,使解集更加趋近于Pareto集.最后,把算法应用到4个典型的多目标测试函数.数值结果表明,该算法能够有效的收敛到Pareto非劣最优目标域,并沿着Pareto非劣目标域有很好的分散性.     

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。     

多目标优化中带变异算子的灰色粒子群算法

针对如何在多目标优化过程中求解更好的Pareto解集,提出一种基于变异算子的灰色粒子群算法。该算法将灰色关联度应用于粒子群算法,且将方差的概念引入灰色关联度,以区分那些点关联系数有显著差异而其均值相等的各组序列。以此作为变异策略来控制粒子群算法,以避免现有灰色粒子群算法在求解多目标问题时所出现的局部收敛现象。通过四组不同类型的基准函数测试算法性能,测试结果表明该算法能很好地收敛到Pareto最优解集并有效避免了过早陷入局部最优解。     

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。     

混合分解的多目标粒子群优化算法

针对多目标粒子群算法全局最优值的选取缺陷以及多样性保留缺陷,提出了一种基于分解和拥挤距离的多目标粒子群优化算法(Smoeadpso).算法采用切比雪夫分解机制,将邻居向量对应的子问题的中的最优解来作为某个粒子全局最优值的候选解了更有效限制粒子飞行速度以避免粒子飞行超出解空间界限,引入了新的速度限制因子维持了种群多样性.本文算法与经典的多目标进化算法在10个测试函数上的对比结果表明, Smoeadpso求得的Pareto解集与真实Pareto解集的逼近程度有明显提升并且对于3目标问题求解的均匀性也比同类粒子群算法优秀.     

一种多目标优化问题的理想灰色粒子群算法*

针对逼近理想解的排序方法对Pareto前端的距离跟踪以及灰色关联度能够很好地分析非劣解集曲线与Pareto最优解集曲线的相似性,提出了一种求解多目标优化问题的理想灰色粒子群算法。该算法利用理想解理论与灰色关联度理论来求解粒子与理想解之间的相对适应度和灰色关联度系数,把两者的和定义为相对理想度,通过相对理想度来判别粒子的优劣,以确定个体极值和全局极值。通过四组不同类型的基准函数测试算法性能,并与目标加权法和灰色粒子群算法比较分析,结果表明该算法能够较好地收敛到Pareto最优解集,不但具有较好的收敛性和分布     

支持向量机算法多目标模型选择

为适应支持向量机（Support Vector Machine,SVM）算法应用过程中的不同性能指标要求,将SVM算法的模型选择问题作为一个多目标优化（Multi-Object Optimization,MOO）问题进行处理。以改进的粒子群优化（Particle Swarm Optimization,PSO）算法对该多目标优化问题进行求解,得到其Pareto解集,在具体应用中根据实际需要从Pareto解集中选择适合的最优解作为支持向量机算法参数,实现支持向量机算法的模型选择。在几个数据集上的仿真实验表明,该方法能够较快地得到Pareto解集,解集中的参数组合能够满足对支持向量机算法速度和泛化能力的不同要求。     

基于Pareto熵的多目标粒子群优化算法

粒子群优化算法因形式简洁、收敛快速和参数调节机制灵活等优点,同时一次运行可得到多个解,且能逼近非凸或不连续的Pareto最优前端,因而被认为是求解多目标优化问题最具潜力的方法之一.但当粒子群优化算法从单目标问题扩展到多目标问题时,Pareto最优解集的存储与维护、全局和个体最优解的选择以及开发与开采的平衡等问题亦随之出现.通过目标空间变换方法,采用Pareto前端在被称为平行格坐标系统的新目标空间中的分布熵及差熵评估种群的多样性及进化状态,并以此为反馈信息来设计进化策略,使得算法能够兼顾近似Pareto前端的收敛性和多样性.同时,引入格占优和格距离密度的概念来评估Pareto最优解的个体环境适应度,以此建立外部档案更新方法和全局最优解选择机制,最终形成了基于Pareto熵的多目标粒子群优化算法.实验结果表明：在IGD性能指标上,与另外8种对等算法相比,该算法在由ZDT和DTLZ系列组成的12个多目标测试问题集中表现出了显著的性能优势.     

MOPSO算法及其在水库优化调度中的应用

提出了一种新的多目标粒子群优化(MOPSO)算法，该算法采用自适应网格方法来估计非劣解集中粒子的密度信息、平衡全局和局部搜索能力的Pareto最优解的搜索机制、删除品质差的多余粒子的Archive集的修剪技术。通过对三峡梯级多目标优化调度问题的计算，表明该算法是求解大规模复杂多目标优化问题的一种有效手段。     

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.     

基于人工免疫系统的多目标函数优化

为克服传统遗传算法退化和早熟等缺点,同时降低优化算法的复杂度,提出基于人工免疫系统（Artificial Immune System, AIS）实现无约束多目标函数的优化。使用随机权重法和自适应权重法计算种群个体的适应值,使Pareto最优解均匀分布的同时,加快算法的收敛;通过引入人工免疫系统的三个基本算子：克隆、超变异和消亡,保持种群的多样性;在进化种群外设立Pareto 解集,保存历代的近似最优解。使用了两个典型的多目标检测函数验证了该算法的有效性。优化结果表明,基于AIS的多目标优化算法可使进化种群迅速收敛到Pareto前沿,并能均匀分布,是实现多目标函数优化的有效方法。     

一种改进的多目标约束优化差分进化算法

提出一种新的多目标优化差分进化算法用于求解约束优化问题.该算法利用佳点集方法初始化个体以维持种群的多样性.将约束优化问题转化为两个目标的多目标优化问题.基于Pareto支配关系,将种群分为Pareto子集和Non-Pareto子集,结合差分进化算法两种不同变异策略的特点,对Non-Pareto子集和Pareto子集分别采用DE/best/1变异策略和DE/rand/1变异策略.数值实验结果表明该算法具有较好的寻优效果.     

基于最佳进化方向的多目标遗传算法

该文模拟自然界中生物总是向着有利于自己的方向进化,即朝生物利益最大化的方向进化这一现象,给出了一种新的设计适应度函数的方法,并且结合多目标优化的Pareto最优解的概念,提出了求解多目标优化问题的一种新的算法———基于最佳基因的多目标遗传算法。数值实验表明,该算法不仅操作简单、鲁棒性强、速度快、且能够获得数量多而且广泛的Pareto最优解。     

基于粒子记忆体的多目标微粒群算法*

针对多目标微粒群算法(MOPSO)解的多样性分布问题,提出一种基于粒子记忆体的多目标微粒群算法(dp-MOPSO)。dp-MOPSO算法为每个微粒分配一个记忆体,保存寻优过程中搜索到的非支配pbest集,以避免搜索信息的丢失。采用外部存档保存种群搜索到的所有Pareto解,并引入动态邻域的策略从外部存档中选择全局最优解。利用几个典型的多目标测试函数对dp-MOPSO算法的性能进行测试,并与两种著名的多目标进化算法m-DNPSO、SPEA2进行比较。实验结果表明,dp-MOPSO算法可以更好地逼近真实Pareto沿,同时所得Pareto解分布更均匀。     

面向多目标优化的适应度共享免疫克隆算法

多目标优化的日标在于使得解集能够快速的逼近真实Pareto前沿.针对解的分布性问题,以免疫克隆算法为框架,引入适应度共享策略,提出了一种新的具有良好分布性保持的多目标优化进化算法;算法建立外部群体以保存非支配解,以Pareto优和共亨适应度作为外部群体更新与激活抗体选择的双重标准.为了增强算法对决策空间的开发能力,引入...     

权重自适应clonal选择算法及其应用研究

在求解两个目标以上的多目标优化问题时,基于Pareto支配的多目标进化算法多数需要较长的求解时间.基于固定权重的聚合函数方法求解速度快,但要确定一个适合待求解问题的合理权重是十分困难的,为了解决这一问题,将clonal选择算法与权重自适应方法相结合,提出了一种适用于多目标优化问题的权重自适应clonal选择算法.并将权...     

Multi-objective optimization of double suction centrifugal pump using Kriging metamodels

This paper proposes a new multi-objective optimization method for a family of double suction centrifugal pumps with various blade shapes, using a Simulation-Kriging model-Experiment (SKE) approach. The Kriging metamodel is established to approximate the characteristic performance functions of a pump, namely, the efficiency and required net positive suction head (NPSHr). Hence, the two objectives are to maximize the efficiency and simultaneously to minimize NPSHr. The Non-dominated Sorting Genetic Algorithm II (NSGA II) and Multi-Objective Evolutionary Algorithm based on Decomposition (MOEA/D) have been applied to the multi-objective optimization problem, respectively. The Pareto solution set is obtained by a more effective and efficient manner of the two multi-objective optimization algorithms. A tradeoff optimal design point is selected from the Pareto solution set by means of a robust design based on Monte Carlo simulations, and the optimal solution is further compared with the value of the physical prototype test. The results show that the solution of the proposed multi-objective optimization method is in line with the experiment test.     

记忆增强的动态多目标分解进化算法

现实世界中的一些多目标优化问题经常受动态环境影响而不断发生变化,要求优化算法不断地及时跟踪时变的Pareto 最优解集.提出了一种记忆增强的动态多目标分解进化算法.将动态多目标优化问题分解为若干个动态单目标优化子问题并同时优化这些子问题,以便快速逼近Pareto 最优解集.给出了一个改进的环境变化检测算子,以便更好地检测环境变化.设计了一种基于子问题的串式记忆方法,利用过去类似环境下搜索到的最优解来有效地响应新的环境变化.在8 个标准的测试问题上,将新算法与其他3 种记忆增强的动态进化多目标优化算法进行了实验比较.结果表明,新算法比其他3 种算法具有更快的运行速度、更强的记忆能力与鲁棒性能,并且新算法所获得的解集还具有更好的收敛性与分布性.