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。     

多约束集群目标下武器-目标分配问题

面对未来作战中高密度、多方位的集群智能体,传统点对点饱和攻击已不是最佳策略,可通过选择合适的武器类型和作用点实现火力覆盖,达到武器数量小于目标数量的最大杀伤效果。综合考虑安全目标、毁伤门限、偏好指派等作战需求,首先,建立了多约束多目标武器-目标分配（CMWTA）数学模型;其次,设计了约束违反值的计算方法,并采用个体编码、检测修复和约束支配相结合的方式处理多约束;最后,设计了针对多目标武器-目标分配模型的收敛性度量指标,并基于多目标进化算法（MOEA）框架进行了仿真分析。其中在进化算法框架对比中,SPEA2下的Pareto集合容量主要分布于[21,25]区间内,NSGA-Ⅱ下的Pareto集合容量主要分布于[16,20],而MOEA/D下的Pareto集合容量均小于16;在修复算法验证中,修复算法将三种进化算法框架的Convergence指标提升了20%以上,且可将Pareto解集中不可行解的比例保持在0%。实验结果表明,在求解CMWTA模型中,SPEA2算法框架在分布性和收敛性上优于NSGA-Ⅱ和MOEA/D算法框架,且所提修复算法有效地提高了进化算法对非支配可行解的求解效率。     

多目标优化与自适应惩罚的混合约束优化进化算法

提出一种多目标优化与自适应惩罚函数相结合的方法来处理约束优化问题.首先利用多目标优化方法提取当前群体中的主要信息;然后进一步用自适应惩罚函数选出最有价值的信息.将这种约束处理技术与一种基于群的算法生成器模型相结合,即可得到一种新的约束优化进化算法.选取10个标准测试函数对新算法的性能进行数值实验,结果表明了所提出方法的有效性和较强的稳健性,与其他尖端算法相比得到了相似或更优的结果.     

基于参考向量的自适应约束多目标进化算法

针对目前用多目标进化算法(MOEA)处理约束多目标优化问题(CMOP)的研究通常以解决单一类型约束为主,而在面对不同种类的复杂约束时算法难以收敛或者种群分布性差的问题,以基于分解的多目标进化算法(MOEA/D)框架为基础,提出一种基于参考向量的自适应约束多目标进化算法(ARVCMOEA).首先将参考向量分成主参考向量及...     

基于多阶段搜索的约束多目标进化算法

现有约束多目标进化算法的约束处理策略无法有效解决具有大型不可行区域的问题，导致种群停滞在不可行区域的边缘；此外，约束条件下的不连续问题对算法的全局搜索能力以及多样性的维持提出了更高的要求。针对上述问题，提出了一种基于多阶段搜索的约束多目标进化算法（CMOEA-MSS），在该算法的3个阶段采用不同的搜索策略。为使种群快速穿越大型不可行区域并逼近Pareto前沿，所提算法在第一阶段不考虑约束条件，利用一种收敛性指标引导种群搜索；在第二阶段采用一组均匀分布的权重向量来维持种群的多样性，并提出一种改进的epsilon约束处理策略，以保留不可行区域中的高质量解；在第三阶段采用约束优先原则，将搜索偏好集中在可行区域以保证最终解集的可行性。CMOEA-MSS与NSGA-Ⅱ+ARSBX(NondominatedSortingGeneticAlgorithmⅡusingAdaptive Rotation-based Simulated Binary crossover)等算法在MW和DASCMOP测试集上对比的结果表明：在MW测试集上，CMOEA-MSS在7个测试问题上获得了最好的IGD(Inverte...     

基于两阶段搜索与动态资源分配的约束多目标进化算法

解决约束多目标优化问题（CMOP）的难点在于平衡目标优化和约束满足的同时兼顾解集的收敛性和多样性。为解决具有大型不可行区域和较小可行区域的复杂约束多目标优化问题,提出一种基于两阶段搜索与动态资源分配的约束多目标进化算法（TSDRA）。该算法在第一阶段通过忽略约束跨越不可行区域;然后在第二阶段通过动态分配两种计算资源协调局部开发和全局探索,兼顾算法的收敛性和多样性。在LIRCMOP和MW系列测试问题上进行的仿真实验结果表明,与四个代表性的算法CMOEA-MS(Constrained Multi-Objective Evolutionary Algorithm with MultipleStages)、ToP(Two-phase)、PPS(PushandPullSearch)和MSCMO(MultiStageConstrainedMulti-Objective evolutionary algorithm)相比,所提算法在反转世代距离（IGD）和超体积（HV）上得到了更优异的结果。在LIRCMOP系列测试问题上,TSDRA获得了10个最佳的IGD值和9个最佳的HV值;在MW系列测试问题上,...     

基于混合差分进化和alpha约束支配处理的多目标优化算法

针对约束多目标优化问题, 提出了一种基于混合差分进化和alpha约束支配处理的优化算法. 算法在用约束水平度对个体满足约束条件的程度进行定量化表达的同时融入支配关系. 在初期放宽约束水平度, 利用不可行解所携带的有用信息, 增加种群多样性, 在后期紧缩约束水平度, 控制不可行解的比例, 朝可行域方向进化. 同时, 将动态单纯形交叉算子和差分进化结合起来构成一种混合差分进化算法, 提高算法的探索和开发能力. 对6个典型测试函数求解的结果显示, 本文算法无论是在收敛性方面还是解集分散性方面, 与其它算法相比具有很大的优势.     

一种改进的基于差分进化的多目标进化算法

近年来运用进化算法（EAs）解决多目标优化问题（Multi-objective Optimization Problems MOPs）引起了各国学者们的关注。作为一种基于种群的优化方法,EAs提供了一种在一次运行后得到一组优化的解的方法。差分进化（DE）算法是EA的一个分支,最开始是用来解决连续函数空间的问题。提出了一种改进的基于差分进化的多目标进化算法（CDE）,并且将它与另外两个经典的多目标进化算法（MOEAs）NSGA-II和SPEA2进行了对比实验。     

面向复杂约束优化问题的进化算法综述

约束优化是多数实际工程应用优化问题的呈现方式.进化算法由于其高效的表现,近年来被广泛应用于约束优化问题求解.但约束条件使得问题解空间离散、缩小、改变,给进化算法求解约束优化问题带来极大挑战.在此背景下,融合约束处理技术的进化算法成为研究热点.此外,随着研究的深入,近年来约束处理技术在复杂工程应用问题优化中得到了广泛发展,例如多目标、高维、等式优化等.根据复杂性的缘由,将面向复杂约束优化问题的进化优化分为面向复杂目标的进化约束优化算法和面向复杂约束场景的进化算法两种类别进行综述,其中,重点探讨了实际工程应用的复杂性对约束处理技术的挑战和目前研究的最新进展,并最后总结了未来的研究趋势与挑战.     

多目标优化的进化环境模型及实现

传统多目标进化算法主要是模仿生物自身的进化过程,没有考虑环境对进化的作用,缺乏能动的、指导性的搜索.提出一种基于进化环境的多目标进化模型,利用进化环境记录群体进化过程中产生的知识信息,并反过来指导群体搜索,实现环境与群体的共同进化.此外,给出基于进化环境的多目标进化模型的一种算法实现,利用环境域和单元域表示进化环境,设置了一组环境规则,从而实现进化环境对进化群体的约束、促进和导向作用.通过与5个代表性经典多目标进化算法,对12个具有不同特征和不同求解难度的测试函数,在Generational Distance、Hypervolume和Inverted Generational Distance三项性能指标上进行比较实验,验证了文中所提出的算法具有良好的收敛性和综合性能.     

基于多目标进化算法的MOEA/D权重向量产生方法

在进化多目标优化研究领域,多目标优化是指对含有2个及以上目标的多目标问题的同时优化,其在近些年来受到越来越多的关注。随着MOEA/D的提出,基于聚合的多目标进化算法得到越来越多的研究,对MOEA/D算法的改进已有较多成果,但是很少有成果研究MOEA/D中权重的产生方法。提出一种使用多目标进化算法产生任意多个均匀分布的权重向量的方法,将其应用到MOEA/D,MSOPS和NSGA-III中,对这3个经典的基于聚合的多目标进化算法进行系统的比较研究。通过该类算法在DTLZ测试集、多目标旅行商问题MOTSP上的优化结果来分别研究该类算法在连续性问题、组合优化问题上的优化能力,以及使用矩形测试问题使得多目标进化算法的优化结果在决策空间可视化。实验结果表明,没有一个算法能适用于所有特性的问题。然而,MOEA/D采用不同聚合函数的两个算法MOEA/D_Tchebycheff和MOEA/D_PBI在多数情况下的性能比MSOPS和NSGA-III更好。     

A multi-objective differential evolutionary algorithm for constrained multi-objective optimization problems with low feasible ratio

Most current evolutionary multi-objective optimization (EMO) algorithms perform well on multi-objective optimization problems without constraints, but they encounter difficulties in their ability for constrained multi-objective optimization problems (CMOPs) with low feasible ratio. To tackle this problem, this paper proposes a multi-objective differential evolutionary algorithm named MODE-SaE based on an improved epsilon constraint-handling method. Firstly, MODE-SaE self-adaptively adjusts the epsilon level in line with the maximum and minimum constraint violation values of infeasible individuals. It can prevent epsilon level setting from being unreasonable. Then, the feasible solutions are saved to the external archive and take part in the population evolution by a co-evolution strategy. Finally, MODE-SaE switches the global search and local search by self-switching parameters of search engine to balance the convergence and distribution. With the aim of evaluating the performance of MODE-SaE, a real-world problem with low feasible ratio in decision space and fourteen bench-mark test problems, are used to test MODE-SaE and five other state-of-the-art constrained multi-objective evolution algorithms. The experimental results fully demonstrate the superiority of MODE-SaE on all mentioned test problems, which indicates the effectiveness of the proposed algorithm for CMOPs which have low feasible ratio in search space.     

进化多目标优化算法研究

进化多目标优化主要研究如何利用进化计算方法求解多目标优化问题,已经成为进化计算领域的研究热点之一.在简要总结2003年以前的主要算法后,着重对进化多目标优化的最新进展进行了详细讨论.归纳出当前多目标优化的研究趋势,一方面,粒子群优化、人工免疫系统、分布估计算法等越来越多的进化范例被引入多目标优化领域,一些新颖的受自然系统启发的多目标优化算法相继提出;另一方面,为了更有效的求解高维多目标优化问题,一些区别于传统Pareto占优的新型占优机制相继涌现;同时,对多目标优化问题本身性质的研究也在逐步深入.对公认的代表性算法进行了实验对比.最后,对进化多目标优化的进一步发展提出了自己的看法.     

约束优化进化算法

约束优化问题是科学和工程应用领域经常会遇到的一类数学规划问题.近年来,约束优化问题求解已成为进化计算研究的一个重要方向.从约束优化进化算法=约束处理技术+进化算法的研究框架出发,从约束处理技术和进化算法两个基本方面对约束优化进化算法的研究及进展进行了综述.此外,对约束优化进化算法中的一些重要问题进行了探讨.最后进行了各种算法的比较性总结,深入分析了目前约束优化进化算法中亟待解决的问题,并指出了值得进一步研究的方向.     

多目标进化算法鲁棒性实验研究*

多目标进化算法的研究主要集中于搜寻全局最优解。在现实中,环境不是一成不变的,需找到抗干扰能力强的鲁棒解。多目标鲁棒最优化问题的研究较少,主要归结于环境的不确定性和缺乏合适的测试函数。针对不同特性测试函数,通过实验检验了在不同干扰下算法的性能变化情况。实验结果表明,存在干扰的情况下,原来的测试函数不再适用,需构造鲁棒测试函数。     

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。     

约束进化算法及其应用研究综述

约束优化问题广泛存在于科学研究和工程实践中,其对应的约束优化进化算法也成为了进化领域的重要研究方向。约束优化进化算法的本质问题是如何有效地利用不可行解和可行解的信息,平衡目标函数和约束条件,使得算法更加高效。首先对约束优化问题进行定义;然后详细分析了目前主流的约束进化算法,同时,基于不同的约束处理机制,将这些机制分为约束和目标分离法、惩罚函数法、多目标优化法、混合法和其他算法,并对这些方法进行了详细的分析和总结;接着指出约束进化算法亟待解决的问题,并明确指出未来需要进一步研究的方向;最后对约束进化算法在工程优化、电子和通信工程、机械设计、环境资源配置、科研领域和管理分配等方面的应用进行了介绍。     

基于环境Pareto 支配选择策略的有约束多目标差分进化算法

在处理有约束多目标问题的进化算法中, 目前普遍采用Deb 教授提出的约束占优的直接支配选择策略. 在约束处理中, 优秀不可行解与优秀可行解同样重要, 但在直接支配选择策略中, 不可行解被选择的几率很小. 针对此问题, 设计一种环境Pareto 支配的选择策略, 并基于此提出用于解决有约束多目标问题的差分进化算法. 对经典测试函数进行仿真计算, 结果表明, 与其他算法相比, 所提出的算法具有更高的收敛性和稳定性.

     

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。