多配送中心危险货物配送路径鲁棒优化

针对危险货物配送路径对不确定因素敏感度较高的问题,提出了鲁棒性可调的多配送中心危险货物配送路径鲁棒优化方法。首先,以最小化运输风险和最小化运输成本为目标,根据Bertsimas鲁棒离散优化理论,建立鲁棒优化模型;然后,在改进型强度Pareto进化算法（SPEA2）的基础上设计一种三段式编码的多目标遗传算法进行求解,在遗传操作中对不同染色体段分别采用不同的交叉和变异操作,有效避免了种群进化过程中不可行解的产生;最后,以庆阳市西峰区部分路网为例进行实证研究,并将配送方案落实到运输过程的路段中,形成具体的运输路径。研究结果表明：在多配送中心下,运用该鲁棒优化模型及算法,能快速得到具有较好鲁棒性的危险货物配送路径。     

进化算法鲁棒最优解研究综述

在实际应用中,环境往往是不稳定的且易受到噪声的影响.因此,时于许多现实优化问题,一个鲁棒性好的解具有重要的意义.然而,以往关于进化算法(EAs)的研究主要集中在寻找全局最优解,解的鲁棒性却没有得到重视.从单目标鲁棒最优解、多目标鲁棒最优解及效率等方面较全面地分析了目前EAs搜索鲁棒最优解的研究现状.最后对相关研究工作做了展望.     

多目标进化算法搜索鲁棒最优解效率研究

鲁棒最优解是进化计算研究的重要方面,同时也是研究难点。多目标进化算法搜索鲁棒最优解时,通常要用蒙特卡罗积分（MCI）近似估计有效目标函数（EOF）,而已有求解方法近似精度不高,使得算法搜索鲁棒最优解的性能较差。提出用拟蒙特卡罗方法（Q-MC）来估计有效目标函数方法,其所引入的Q-MC方法——Korobov点阵能更精确地估计EOF。实验结果表明,与现有的原始蒙特卡罗方法（C-MC）相比,拟蒙特卡罗方法（Q-MC）可以较大地提高多目标进化算法搜索鲁棒最优解的效率。     

一类新型动态多目标鲁棒进化优化方法

传统动态多目标优化问题（Dynamic multi-objective optimization problems,DMOPs）的求解方法,通常需要在新环境下,通过重新激发寻优过程,获得适应该环境的Pareto最优解.这可能导致较高的计算代价和资源成本,甚至无法在有限时间内执行该优化解.由此,提出一类寻找动态鲁棒Pareto最优解集的进化优化方法.动态鲁棒Pareto解集是指某一时刻下的Pareto较优解可以以一定稳定性阈值,逼近未来多个连续动态环境下的真实前沿,从而直接作为这些环境下的Pareto解集,以减小计算代价.为合理度量Pareto解的环境适应性,给出了时间鲁棒性和性能鲁棒性定义,并将其转化为两类鲁棒优化模型.引入基于分解的多目标进化优化方法和无惩罚约束处理方法,构建了动态多目标分解鲁棒进化优化方法.特别是基于移动平均预测模型实现了未来动态环境下适应值的多维时间序列预测.基于提出的两类新型性能评价测度,针对8个典型动态测试函数的仿真实验,结果表明该方法得到满足决策者精度要求,且具有较长平均生存时间的动态鲁棒Pareto最优解.     

Taguchi方法混合ABC算法的车辆部件优化设计

针对车辆部件的结构设计制造优化问题,提出了基于Taguchi方法的混合鲁棒人工蜂群算法（HRABC）。采用Taguchi方法生成了目标函数的方差分析（ANOVA）表,根据ANOVA表寻找到设计变量的合理区间,并根据这些区间定义人工蜂群算法的鲁棒初始种群;利用基于目标函数的多个设计变量的影响提取人工蜂群算法的解空间,从而得到优化结果。在车辆部件结构设计优化及多刀具铣削优化问题上,验证了所提算法的有效性及鲁棒性。分析结果表明,与几种常用的优化算法相比,在收敛速度和有效性方面,该HRABC算法具有最好的优化效果。     

参数化鲁棒极点配置方法

研究了一类线性多变量系统鲁棒控制器的设计问题，提出了一种基于极点配置和目标函数优化的鲁棒极点配置方法。解决问题的基本思想是，利用极点配置的参数化表示结果，以系统输出的Ｌ∝范数作为极点配置的鲁棒性准则，给出鲁棒极点配置的优化命题。通过解这一优化命题确定极点配置问题中的自由参数，从而达到设计鲁棒控制器的目的。     

基于GLBest-PSO算法的CSTR系统鲁棒PID控制

连续搅拌反应釜(CSTR)系统是一类具有多变量、强非线性和多工作点的复杂工业过程,对外界扰动及内部参数变化较为敏感。针对常规PID控制器参数整定困难,难以取得满意效果,本文提出了一种基于改进粒子群优化算法的CSTR系统鲁棒PID控制方法。通过对优化目标的分析,将鲁棒PID控制器的参数整定问题转化成一个求解最大-最小问题,在对粒子群优化算法进行改进的基础上,引入合作进化思想对该最大-最小问题进行求解,获得了基于优化性能指标最优的鲁棒PID控制器参数。针对实例的仿真结果表明,利用此方法整定得到的鲁棒PID控制器具有良好的鲁棒性,性能指标优于其它方法得到的鲁棒PID控制器,当过程对象操作范围发生大的变化时,利用本文方法设计得到的鲁棒PID控制器能获得满意的结果。     

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.     

基于坡度的鲁棒优化方法

提出一种基于坡度的鲁棒性评价指标, 通过三阶反距离平方权差分算法计算坡度, 以坡度指标来反映函数的变化趋势和平滑程度, 从而设计了一种求解鲁棒优化问题的多目标进化方法, 仿真实验证明其有效性。实验还表明该方法在解的分布性与区分度上更有优势。     

一种改进的鲁棒多目标优化方法

针对在解决某些复杂多目标优化问题过程中,所得到的Pareto最优解易受设计参数或环境参数扰动的影响,引入了鲁棒的概念并提出一种改进的鲁棒多目标优化方法,它利用了经典的基于适应度函数期望和方差方法各自的优势,有效地将两种方法结合在一起。为了实现该方法,给出一种基于粒子群优化算法的多目标优化算法。仿真实例结果表明,所给出的方法能够得到更为鲁棒的Pareto最优解。     

带交通约束的多目标优化混合算法

针对实际交通中带约束的多目标问题,提出一种基于分层GA-AS算法的多目标路径优化算法。该算法通过约束条件对路网进行分层,采用蚁群算法对各子网进行寻优,利用遗传算法在各子网寻优的基础上进行全局寻优。算例仿真结果表明,该算法既具有较强的实际应用效果,又在很大程度上减少寻优计算次数,提高算法的性能。     

基于全组合策略的多目标阴阳对算法

基于前沿的阴阳对优化算法（Front-based Yin-Yang-Pair Optimization,F-YYPO）是一种新颖的轻量级多目标优化算法,其利用两点--局部开发点[Pi1]和全局探索点[Pi2]在搜索过程中的迭代交换实现搜索。基于F-YYPO提出了一种改进的多目标优化算法F-ACYYPO。新算法对F-YYPO做了以下三方面的改进：（1）对多个目标函数进行全组合,以增强优化个体分布的均匀性;（2）引入已在YYPO算法中被证明有明显性能提高效果的缩放因子[α]自适应措施;（3）改进F-YYPO存档操作的更新方式。采用在2009年进化计算大会多目标优化算法竞赛中使用的UF测试套件以及PlatEMO平台下的DTLZ测试套件进行算法的性能评估,将F-ACYYPO与F-YYPO以及其他多种已知性能优良的多目标优化算法NSGA2、SPEA2、MOPSO、MOGWO、gamultiobj、MOEA\D、GDE3进行性能测试及比较,并通过两个综合性指标（反转世代距离IGD、超体积HV）和一个收敛性指标（世代距离GD）进行性能评价。实验结果表明,F-ACYYPO比F-YYPO具有更高的计算精度以及更快的收敛速度,并且与其他高性能多目标算法相比,F-ACYYPO表现出了很强的竞争性,在综合性能指标下有将近超1/2的测试用例占优。     

改进二进制和声搜索算法求解多维背包问题

和声搜索（HS）是一种已广泛应用于连续优化问题的元启发式方法。针对典型的组合优化问题——多维背包问题（MKP）,提出一种改进二进制和声搜索（IBHS）算法。算法通过伯努利随机过程生成二进制群体,在候选和声生成算子中,引入动态自适应参数,通过算法参数的自适应调整来协调算法的全局搜索和局部搜索,并提出一种新的更有效的衡量商品多维加权价值密度的方法用于二进制个体修正和优化;引入精英局部搜索机制进行协同寻优,提高IBHS的收敛速度。通过求解10组不同规模的典型多维背包算例和与贪心二进制狮群优化（GBLSO）算法、改进的差分演化（MBDE）算法以及二进制修正和声（BMHS）算法的对比分析,实验结果表明,所提算法在求解MKP时有具有良好的收敛效率、较高的寻优精度和很好的鲁棒性。     

一种蛙跳和差分进化混合算法

混洗蛙跳算法（SFLA）具有算法简单、控制参数少、易于实现等优点,但在高维难优化问题中算法容易早熟收敛且求解精度不高。导致该缺陷的主要原因是在进化后期种群多样性迅速下降,且缺乏局部细化搜索能力。借鉴差分进化算法（DE）中DE/best/1/bin版本具有全局搜索能力较强、种群多样性较好的优点,将SFLA与DE有机融合,形成混合优化算法（SFL-DE）,以克服SFLA容易早熟收敛的缺陷。给出了6个30维benchmark问题数值对比实验,结果表明,在给定的较小进化代数内,SFL-DE的寻优效率、计算精度、鲁棒性等性能优于SFLA和基本DE（DE/best/1/bin和DE/rand/1/bin）,不足之处是其耗时更长。     

基于新型拥挤度距离的多目标麻雀搜索算法

现实中的多目标问题日益复杂,解决这类问题需要高效的优化算法。基于麻雀搜索算法,提出多目标麻雀搜索算法（Multi-objective Sparrow Search Algorithm,MSSA）,对多目标优化问题进行求解。依据外部存档收敛性动态调整麻雀种群比例因子,以达到全局探索能力和局部开发能力的最佳平衡,确保收敛性;对麻雀种群进行非支配排序;对麻雀种群的发现者引入多项式变异因子,增强算法跳出局部最优的能力;设计一种新型拥挤度距离计算策略,利用外部存档解的拥挤度大小剔除相似个体的方法对种群进行裁剪,使个体不超过存档上限的同时维持种群的多样性。分别使用多目标函数和盘式制动器设计测试算法性能。MSSA与MOPSO、MOGWO、NSGA-II和SPEA2在多目标测试函数上进行对比实验,结果表明MSSA算法在收敛性和均匀性两项指标上有显著的优势。盘式制动器仿真结果表明,MSSA可以快速地找到问题的非支配解,证明了该方法的有效性。     

基于随机森林与变邻域下降的车辆合乘求解

为了最大化用户满意度，长期车辆合乘问题（LTCPP）被建模为多目标优化问题。然后，根据历史合乘数据以及用户满意度信息，使用随机森林算法计算每个指标对用户满意度的重要性影响，并作为对应优化目标的权重，以避免人为设定权重因子对优化结果的影响。提出了一种求解LTCPP的变邻域下降（VND）算法，通过顺序地在多个邻域内搜索得到问题的最优解。实验结果表明，结合随机森林和VND算法能为LTCPP提供高质量的解决方案，且具有很高的时间效率。     

基于模糊时间窗的多目标冷链配送优化

随着生鲜冷链行业竞争逐渐白热化,成本高、时效性强、新鲜度难以保持等问题已成为制约冷链物流配送的瓶颈。为提高生鲜配送效率,考虑客户满意度,以货损成本、惩罚成本等综合配送成本最低为目标函数,构建了一个多目标配送路径优化模型。设计带精英策略的非支配排序遗传算法（Elitist Non-dominated Sorting Genetic Algorithm,NSGA-II）求解该问题,利用Solomon标准数据集进行仿真模拟实验。实验结果对比分析表明,考虑满意度时冷链物流配送所需车辆更少,总路径长度更短,设计的算法可以在较短的时间内获取到帕累托最优解集,能够有效地解决模糊时间窗下的配送路径优化问题。     

求解多目标最小生成树的一种新的遗传算法

在改进的非支配排序遗传算法（NSGA-II）的基础上,提出了一种新的基于生成树边集合编码的繁殖算子求解多目标最小生成树问题的遗传算法。通过快速非支配排序法,降低了算法的计算复杂度,引入保存精英策略,扩大采样空间。实验结果表明：对于多目标最小生成树问题,边集合编码具有较好的遗传性和局部性,而且基于此繁殖算子的遗传算法在求解效率和解的质量方面都优于基于PrimRST的遗传算法。     

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。     

改进果蝇优化算法在多目标搜索的应用

在实际工程优化问题中多数问题是多目标优化问题,多目标优化问题一直以来就是智能算法的研究热点。提出一种改进的果蝇优化算法,将其应用在多目标搜索领域,并成功使用该算法解决了一种多目标背包问题。算法在基本果蝇优化算法的基础上采用分群策略和动态半径,在群A中从种群位置开始以动态半径探索新的可行解,在群B中则通过非支配个体之间的交叉操作进行密集搜索。果蝇种群的位置在每一轮迭代产生的非劣解集中进行选取,提高了算法的收敛速度。通过在多个数据集下进行测试,并和粒子群算法、NSGA-2做了对比实验,最终结果显示使用该算法在特定条件下能取得较好的搜索效果,证明了使用果蝇优化算法解决多目标问题的可行性。