组合预测策略的动态多目标优化算法

为适应较为复杂的动态环境,结合动态优化问题的可预测特性,提出一种基于组合预测策略的多目标优化算法。当检测到环境变化时,对当前Pareto解集进行聚类,求得多个代表个体充分表示其流形,并求得Pareto解集质心;通过惯性预测方法与组合预测模型分别对代表个体与质心进行预测,生成新环境下的初始种群。该策略能够有指导性地增加种群多样性,更加精确地跟踪最优解。对所提预测策略与4种流行的动态多目标优化算法进行了比较,仿真结果表明,所提算法在处理动态多目标优化问题方面具有较优性能。     

基于分类的多策略预测方法求解动态多目标优化问题

实际生活中存在很多动态多目标优化问题,一旦环境发生变化,就要求进化算法能快速地跟踪优化问题随时间移动的Pareto前沿或Pareto解集.对此,提出一种基于分类的多策略预测方法(CMSP).首先,利用优化得到的近似最优解来检测Pareto解集(PS)的变化类型:不变、平移和其他.然后,针对不同的变化类型,采取不同的应对策略:若为不变,则保留精英个体,并保证多样性;若为平移,则对最优解集的中心点建立时间序列,通过预测梯度策略更新种群,将预测的个体与从旧种群中保留下来的个体进行比较,以保证预测的准确性;若为其他,则对多个特殊点建立时间序列以预测新环境中个体的位置.最后,引入种群保留策略和记忆恢复策略,有利于更充分地利用历史信息.实验结果表明,CMSP可以很好地进行动态多目标优化.     

基于分解的预测型动态多目标粒子群优化算法

针对动态多目标问题求解,提出一种基于分解的预测型动态多目标粒子群优化算法.首先借助分解思想,将目标问题划分为多个不同的子问题,当问题动态变化时,选择对应于不同子问题的优化个体检测环境变化程度,以提高算法对不同动态问题的适应与响应能力;然后,设计一种群体预测策略,通过将目标空间中相同收敛方向上不同时刻的个体位置转换为时间序列,引入时间序列预测方法预测下一刻位置,从而提高预测种群的多样性和有效性,进而有效减少算法在问题变化后的收敛时间;最后,为避免问题发生变化后个体与子问题不匹配,设计一种再匹配策略,以提高预测策略的准确性.实验结果表明,在6个标准动态多目标测试问题上,与2个动态多目标优化算法进行比较,所提出算法在收敛性、分布性与稳定性上均具有显著优势.     

混沌系统动态多目标免疫优化算法及其应用

生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能,提出一种动态多目标免疫优化算法处理动态多目标优化问题.算法设计中,Logistic映射产生混沌抗体群;利用抗体的被控度和抗体拥挤距离设计抗体的亲和力;借助控制概念将群体分为非控群和被控群,再分别对其施行不同方式的突变增强群体的多样性;利用免疫记忆、Averagelinkage聚类方法,设计外部集和记忆集分别保存非控个体和亲和力较高抗体,所获的记忆细胞参与相似或相同环境初始抗体群的生成;借助三种不同类型的动态多目标优化测试问题,通过与两种最新的动态多目标进化算法及一种动态多目标克隆选择算法比较,数值实验论证了所提出算法在动态跟踪Pareto面的速度和执行效果上较其它算法优越.     

动态选择与替换策略的多目标约束优化进化算法

提出一种基于动态选择与替换策略的多目标优化进化算法用于求解约束优化问题.新算法首先将约束优化问题转化为两个目标的多目标优化问题,基于Parto支配关系,把初始种群分为Pareto子集和Non-Pareto子集,引入一种非劣个体保护偏好策略,动态选取一定比例的最优非劣个体直接进入下一代群体,剩下的非劣个体随机替代Pareto子集中的个体.Pareto子集和Non-Pareto子集分别进行单形交叉和多样性变异操作产生新的子种群.对13个标准测试问题的数值实验结果表明新算法的有效性.     

基于参考线的预测策略求解动态多目标优化问题

为了快速且准确地跟踪动态多目标优化问题变化的Pareto前沿与Pareto解集,在可以不依靠历史信息的前提下,提出一种基于参考线预测策略的求解动态多目标优化问题的算法(RLPS).该算法通过记录每个参考线关联的种群个体在环境变化初始时和个体自主进化一小段时间后个体位置的变化,预测最优个体所在方向,同时在该方向上均匀分布若干延伸个体,选出每个参考线关联的非支配个体作为当前环境下的引导个体,在选出的引导个体邻域内随机产生若干伴随个体增加种群多样性.通过5个标准动态测试函数对该算法测试,并与两个现有算法作对比分析,实验结果表明所提出的算法具有更快地响应环境变化的能力.     

自适应迁移预测的动态多目标差分演化算法

针对动态多目标优化环境下寻找并跟踪变化的Pareto最优前沿和Pareto最优解集的难题,提出两个策略：自适应迁移策略和预测策略。自适应迁移策略是根据环境的变化自适应地插入迁移个体来提高算法种群的多样性,从而提高算法对动态环境的适应能力。预测策略是通过时间序列并加上一定的扰动来产生预测种群,来预测环境变化之后的Pareto最优解集,以达到对其快速跟踪的目的。通过两个策略在多目标差分演化算法上的应用来解决动态多目标优化问题。实验过程中,通过平均最优解集分布均匀度和平均决策空间世代距离等指标表明,基于自适应迁移策略和预测策略的多目标差分演化算法能够很好适应变化的环境,并能够快速找到Pareto最优解集。     

一种改进的多目标蜻蜓优化算法

提出了一种改进的多目标蜻蜓优化算法。通过引入混合变异算子增加种群的多样性,避免算法早熟现象的发生;采用基于拥挤距离的外部档案动态维护策略,使获得的Pareto最优解集具有更好的分布性。最后,使用多目标基准函数进行测试,并与基本多目标蜻蜓算法和基本多目标粒子群算法进行性能比较。实验结果表明,改进后的多目标蜻蜓优化算法提高了Pareto最优解集的收敛性和分布性。     

基于参考点预测的动态多目标优化算法

为了快速跟踪动态多目标优化问题变化的Pareto前沿,本文提出一种基于参考点预测策略的动态多目标优化算法（PDMOP）.该算法对关联到相同参考点的个体建立时间序列,并对这些时间序列通过线性回归模型预测新环境下种群.同时,将历史时刻的预测误差反馈到当前预测中来提高预测的准确性,并在每个预测的个体上加入扰动来增加初始种群多样性,从而能够加快算法在新环境下的收敛速度.通过4个标准测试函数对该算法测试,并和两个现有算法对比分析,结果表明所提算法在处理动态多目标优化问题时能够保持良好的性能.     

基于Pareto解集分段预测策略的动态多目标进化算法

针对现有的动态多目标优化算法种群收敛速度慢、多样性难以保持等问题,提出了一种基于Pareto解集分段预测策略的动态多目标进化算法BPDMOP。当检测到环境变化时,对前一时刻进化得到的Pareto最优解根据任一子目标函数进行排序,并按照该子目标的大小均分为3段,分别计算出每一段Pareto解集中心点的移动方向;对每一段Pareto子集进行系统抽样得到Pareto前沿面的特征点,利用线性模型分段预测下一代种群;根据优化问题的难易程度,自适应地在预测的种群周围产生随机个体来增加种群的多样性。通过对3类标准测试函数的实验表明了该算法能够有效求解动态多目标优化问题。     

动态多目标免疫优化算法及性能测试研究

基于生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能，提出一种动态多目标免疫优化算法处理动态多目标优化问题．算法设计中，依据自适应ξ邻域及抗体所处位置设计抗体的亲和力，基于Pareto控制的概念，利用分层选择确定参与进化的抗体，经由克隆扩张及自适应高斯变异，提高群体的平均亲和力，利用免疫记忆、动态维持和Average linkage聚类方法，设计环境识别规则和记忆池，借助3种不同类型的动态多目标测试问题，通过与出众的动态环境优化算法比较，数值实验表明所提出算法解决复杂动态多目标优化问题具有较大潜力．     

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。     

The effect of diversity maintenance on prediction in dynamic multi-objective optimization

There are many dynamic multi-objective optimization problems (DMOPs) in real-life engineering applications whose objectives change over time. After an environmental change occurs, prediction strategies are commonly used in dynamic multi-objective optimization algorithms to find the new Pareto optimal set (POS). Being able to make more accurate prediction means the algorithm requires fewer computational resources to make the population approximate to the Pareto optimal front (POF). This paper proposes a hybrid diversity maintenance method to improve prediction accuracy. The method consists of three steps, which are implemented after an environmental change. The first step, based on the moving direction of the center points, uses the prediction to relocate a number of solutions close to the new Pareto front. On the basis of self-defined minimum and maximum points of the POS in this paper, the second step applies the gradual search to produce some well-distributed solutions in the decision space so as to compensate for the inaccuracy of the first step, simultaneously and further enhancing the convergence and diversity of the population. In the third step, some diverse individuals are randomly generated within the region of next probable POS, which prompts the diversity of the population. Eventually the prediction becomes more accurate as the solutions with good convergence and diversity are selected after the non-dominated sort [1] on the combined solutions generated by the three steps. Compared with three other prediction methods on a series of test instances, our method is very competitive in convergence and diversity as well as the speed at which it responds to environmental changes.     

A prediction strategy based on center points and knee points for evolutionary dynamic multi-objective optimization

In real life, there are many dynamic multi-objective optimization problems which vary over time, requiring an optimization algorithm to track the movement of the Pareto front (Pareto set) with time. In this paper, we propose a novel prediction strategy based on center points and knee points (CKPS) consisting of three mechanisms. First, a method of predicting the non-dominated set based on the forward-looking center points is proposed. Second, the knee point set is introduced to the predicted population to predict accurately the location and distribution of the Pareto front after an environmental change. Finally, an adaptive diversity maintenance strategy is proposed, which can generate some random individuals of the corresponding number according to the degree of difficulty of the problem to maintain the diversity of the population. The proposed strategy is compared with four other state-of-the-art strategies. The experimental results show that CKPS is effective for evolutionary dynamic multi-objective optimization.     

一种量子行为粒子群优化动态聚类算法*

为了改善量子行为粒子群优化算法的收敛性能,避免粒子早熟问题,提出了一种基于完全学习策略的量子行为粒子群优化算法。由此设计了一种新的数据聚类算法,新的聚类算法通过特殊的粒子编码方式在聚类过程中能够自动确定最佳的聚类数目。在五个测试数据集上与其他两种动态聚类算法进行聚类实验比较,实验结果表明,基于完全学习策略的量子行为粒子群优化动态聚类算法能够获得较好的聚类结果,有着良好的应用前景。     

求解一类不可微多目标优化问题的社会认知算法*

针对一类不可微多目标优化问题,给出了一个新的算法——极大熵社会认知算法。利用极大熵方法将带有约束的不可微多目标优化问题转化为无约束单目标优化问题,然后利用社会认知算法对其进行求解。该算法是基于社会认知理论,通过一系列的学习代理来模拟人类的社会性和智能性从而完成对目标的优化。利用两个测试算例对其进行测试并与其他算法进行比较,计算结果表明,该算法在求解的准确性和有效性方面均优于其他算法。     

用于约束多目标优化问题的混合粒子群算法

针对约束多目标优化问题,结合Pareto支配思想、锦标赛选择和排挤距离技术,采用双种群搜索策略,引进免疫机制,对传统的粒子更新策略进行改进,提出一种用于求解约束多目标优化问题的混合粒子群算法。通过4个标准约束多目标函数进行测试,测试结果表明,该方法有效可行,相比传统多目标优化算法更优。     

混合粒子群算法求解多目标柔性作业车间调度问题

柔性作业车间调度问题是生产管理领域和组合优化领域的重要分支.本文提出一种基于Pareto支配的混合粒子群优化算法求解多目标柔性作业车间调度问题.首先采用基于工序排序和机器分配的粒子表达方式,并直接在离散域进行位置更新.其次,提出基于BaldWinian学习策略和模拟退火技术相结合的多目标局部搜索策略,以平衡算法的全局探索能力和局部开发能力.然后引入Pareto支配的概念来比较粒子的优劣性,并采用外部档案保存进化过程中的非支配解.最后用于求解该类问题的经典算例,并与已有算法进行比较,所提算法在收敛性和分布均匀性方面均具有明显优势.