一种基于最小生成树的多目标进化算法

怎样保证朝Pareto最优解的方向搜索和如何获得均匀分布且范围广泛的非支配解是多目标进化算法(MOEA)设计时的两个关键问题,它们很大程度上取决于适应度赋值和外部种群维护这两个重要部分.提出了一种基于最小生成树的多目标进化算法(MST_MOEA).在考虑了个体间支配关系的基础上,利用个体与非支配集的距离和不同等级个体的树聚集密度来对适应度赋值;在外部种群的非支配解个数超过规定的种群规模时,用树的度数和树聚集密度对其进行修剪.将其应用于不同维数下9个测试函数,并与NSGA-II,SPEA2进行对比,结果证实了算法良好的收敛性和分布性.     

一种基于云模型的多目标进化算法

在多目标进化算法的基础上,提出了一种基于云模型的多目标进化算法(CMOEA).算法设计了一种新的变异算子来自适应地调整变异概率,使得算法具有良好的局部搜索能力.算法采用小生境技术,其半径按X条件云发生器非线性动态地调整以便于保持解的多样性,同时动态计算个体的拥挤距离并采用云模型参数来估计个体的拥挤度,逐个删除种群中超出的非劣解以保持解的分布性.将该算法用于多目标0/1背包问题来测试CMOEA的性能,并与目前最流行且有效的多目标进化算法NSGA-II及SPEA2进行了比较.结果表明,CMOEA具有良好的搜索性能,并能很好地维持种群的多样性,快速收敛到Pareto前沿,所获得的Pareto最优解集具有更好的收敛性与分布性.     

基于空间距离的多目标进化算法

为提高多目标进化算法的收敛性,提出一种基于空间距离的多目标进化算法.定义一种密度估计指标--树聚集距离,在考虑非支配前沿的同时,利用个体的空间距离及树聚集距离进行个体选择操作.另外,在外部种群的非支配解个数超过规定的种群规模时,用基于个体邻近距离的维护方法对其进行维护.通过6个测试问题和5个方面的测试标准,与NSGA-Ⅱ和SPEA2进行比较,该算法在拥有更好收敛度的同时,保持良好的均匀性和分布广度.     

一种基于邻域的多目标进化算法

种群维护是多目标进化算法的重要组成部分。针对维护方法和运行效率的矛盾,提出一种基于邻域的多目标进化算法（NMOEA）。定义了一个反映个体之间邻近程度的指标--邻域包含关系,利用此关系对个体进行分布适应度分级的赋值,并用动态方法快速地对种群进行维护。通过7个测试问题和3个方面的测试标准,结果表明新算法在较快速地接近真实的最优面的同时,拥有良好的分布性。     

采用放松支配关系的高维多目标微分进化算法

为了提高进化算法在求解高维多目标优化问题时的收敛性和多样性,提出了采用放松支配关系的高维多目标微分进化算法。该算法采用放松的Pareto支配关系,以增加个体的选择压力;采用群体和外部存储器协同进化的方案,并通过混合微分变异算子,生成子代群体;采用基于指标的方法计算个体的适应度并对群体进行更新;采用基于Lp范数（0相似文献   

一种基于进化知识融合的多目标人工蜂群算法

提出一种基于进化知识融合的多目标人工蜂群算法.首先,采用精英群体知识和种群自身进化知识混合引导引领蜂进化,保持种群的多样性和优异性;然后,将一种融合个体支配关系和种群分布关系的方法引入跟随蜂的概率选择中,合理选择个体进行深度开发以改善算法收敛性能和分布性能;最后,提出一种更为严格的外部档案维护策略以降低外部档案维护成本,提高解集的分布性能.通过求解标准测试函数,并与其他3种多目标优化算法进行比较,仿真结果表明所提出算法具有良好的收敛性能和分布性能,且解集的覆盖范围更广.     

基于多策略的多目标粒子群优化算法

针对目前多目标粒子群优化算法的收敛性能和非劣解的多样性不能同时得到满足等缺陷,提出一种基于多策略的多目标粒子群优化算法（Multi-Objective Particle Swarm Optimization algorithm for Multi-Strategy,MS-MOPSO）。采用非支配排序和拥挤距离排序相结合策略,重新划分外部种群和进化种群;采用小生境选择策略,在外部种群中选择最佳粒子作为领导粒子,用于领导进化种群中粒子的进化;在进化种群中利用多尺度高斯变异策略,平衡算法的全局搜索和局部精确搜索;采用邻域认知个体极值更新策略,不断更新个体极值。将该算法应用到典型的多目标测试函数,并与其他多目标优化算法进行对比分析,测试结果表明该算法中四个策略的有效性和互补性,同时验证了该算法不但具有较好的收敛性和收敛速度,而且该算法最优解的分布具有良好的均匀性和多样性。     

基于混合差分进化的滑动窗口数据流聚类算法研究

针对传统的基于滑动窗口的数据流聚类算法存在的算法执行效率低、聚类质量较差等缺点,提出了一种基于混合差分进化的滑动窗口数据流聚类算法。该算法将数据流聚类过程分为两个部分：在线的时序窗口数据信息微簇特征向量生成和离线阶段的聚类优化。对在线生成的微簇进行微簇集合的更新与维护,利用改进的粒子群算法对离线的微簇数据信息进行适应度值的计算,将种群分为优势子种群和普通子种群,然后利用个体适应度值和平均适应度值的判别来生成当前个体环境的最优候选解,并迭代地对个体进行进化,输出具有最优适应度值的聚类集合,完成对数据流的聚类。仿真实验结果表明,算法在对数据流执行聚类时具有较高的执行效率,并且最后聚类的质量较好,算法实用性强。     

一种差分多目标优化算法

提出一种基于差分进化多目标优化算法.首先,采用基于差分进化的种群启发式搜索,根据多目标优化的特点,进行基于全部种群的Pareto占优比较和选择,有效实现全局搜索和局部搜索.另外,利用一个外部种群来储存非支配解,当非支配解的个数大于外部种群预先设定的规模时,对每个非支配个体采用基于支配关系和拥挤信息的适应度策略评价,然后采用基于密度的选择策略对外部种群进行删减,进一步提高算法的均匀性和宽广性.与NSGA-Ⅱ、PESA-Ⅱ、SPEA2的比较结果表明,该算法不仅收敛性较好,而且在均匀性和宽广性上优势明显.     

求解多目标优化问题的分级变异量子进化算法

分析量子进化算法和免疫算子的特点,提出一种分级变异的量子进化算法,用于求解多目标优化问题,算法主要基于两个策略:首先,利用快速非受控排序和密度距离计算种群抗原-抗体的亲和度;然后,基于亲和度排序将个体进行分级,最优分级中的个体作为算法中的最优个体,大部分实施量子旋转更新和免疫操作,而剩余分级中的个体实施免疫交叉操作以获得新的个体补充种群,求解多目标0/1背包问题的实验结果表明了该算法的有效性.     

用于多维数据实视图选择的分布估计算法

在数据仓库中,为选择合适的视图加以实体化,提出一种新的分布估计算法。在解空间随机产生初始群体,根据适应值选择部分好的解集,利用这些优势群体建立概率模型并估计联合概率分布,再从新的概率分布中抽样得到下一代。实验结果表明,该算法能减少查询响应时间和视图维护代价,并且其寻优性能优于经典遗传算法。     

A novel approach in parameter adaptation and diversity maintenance for genetic algorithms

In this paper, we propose a probabilistic rule-driven adaptive model (PRAM) for parameter adaptation and a repelling approach for diversity maintenance in genetic algorithms. PRAM uses three parameter values and a set of greedy rules to adapt the value of the control parameters automatically. The repelling algorithm is proposed to maintain the population diversity. It modifies the fitness value to increase the survival opportunity of chromosomes with rare alleles. The computation overheads of repelling are reduced by the lazy repelling algorithm, which decreases the frequency of the diversity fitness evaluations. From experiments with commonly used benchmark functions, it is found that the PRAM and repelling techniques outperform other approaches on both solution quality and efficiency.     

二维目标下分布性与收敛性结合的种群维护策略

种群维护是多目标进化算法的重要组成部分。针对传统方法在维护过程中只考虑分布性的情况,提出一种分布性与收敛性结合的种群维护策略,该方法用一种邻近个体间的相对趋近关系来表示其适应值,弥补了单纯Pareto支配关系的“粗糙性”,并用一种可调邻域的方法对种群的密集程度进行控制。将其与NSGA-II和SPEA2进行对比,实验结果表明该算法在有效保持种群分布性的同时,拥有良好的收敛性和速度。     

基于灰支持向量回归机预测适应值的交互式集合进化计算

个体适应值的高精度预测和高效的进化策略对于提高进化优化算法性能至关重要.针对现有大规模种群交互式进化计算个体适应值估计误差较大以及传统进化策略搜索效率较低的问题,提出一种基于灰支持向量回归机的个体适应值预测方法和大规模种群集合进化策略.建立基于灰支持向量回归机的适应值预测模型,给出4种集合进化个体比较测度,同时提出新的集合进化个体自适应交叉和变异概率.基于上述策略,采用NSGA-II范式设计一种交互式集合进化优化算法.将该算法应用于RGB颜色One-max优化问题,以表明所提出个体适应值预测方法和集合进化策略的有效性.     

采用GEP编码的克隆选择算法实现函数建模

克隆选择算法是通过选择优良个体并进行大量克隆,继而高频变异实现演化的.为选择优良个体,通常对种群按照个体的适应值进行排序.然而,GEP编码具有一个特点,即适应值相同的染色体,它们的编码不一定相同.如果按适应值进行排序时允许出现重复值,那么,当种群中出现多个相同的超级个体时,其将被超量克隆,使种群趋向单一.如果按适应值进行排序且不允许出现重复值,将会错失一些适应值相同但编码不同的优良个体,从而影响收敛速度.为保持种群的多样性,提高收敛速度,对克隆选择算法进行改进:选择若干个编码不同的优良个体进行克隆,即先对种群按照适应值进行降序排序;若适应值相同再比较其编码,相同编码的多个个体只保留一个.通过函数建模的若干实验表明,改进后的算法有较快的收敛速度.     

Large population size IGA with individuals’ fitness not assigned by user

User fatigue problem in traditional interactive genetic algorithms restricts the population size. It is necessary to maintain large population size in order to apply these algorithms to optimize complicated problems. We present a large population size interactive genetic algorithm with an individual’s fitness not assigned by the user in this paper. The algorithm divides a population into several clusters, and the maximum number of clusters is changeable with the evolution and the distribution of the population. A user only evaluates one representative individual in each cluster, and others’ fitness are estimated based on these representative ones. In addition, to assign a representative individual’s fitness, we record time when the user evaluates it satisfactory or unsatisfactory according to his/her sensibility, and its fitness is automatically calculated based on the time. Finally, we apply the proposed algorithm in a fashion evolutionary design system, and compare it with other two IGAs each of which has one aspect, including the population size and the evaluation method, the same as the proposed algorithm. The experimental results validate its efficiency.     

一种自适应指导的文化粒子群算法

针对文化粒子群算法中影响函数对群体空间的全局变异操作,易导致粒子群算法结构失效及不易收敛的缺点,将群体适应度方差引入到群体空间,提出一种自适应指导的文化粒子群算法。算法通过计算群体适应度方差判断群体空间状态,当算法陷入局部最优时,自适应地利用影响函数对群体空间进行变异更新,从而有效发挥了文化粒子群算法“双演化双促进”机制。将该算法与基本粒子群算法（PSO）、文化粒子群算法（CPSO）和自适应变异粒子群算法（AMPSO）进行比较,实验结果证明该算法不仅具有较好的全局收敛性,算法收敛速度和稳定性也都有显著提高。