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.

     

求解多目标作业车间调度问题的混合变异杂草优化算法

针对多目标作业车间调度问题,提出一种混合变异杂草优化算法。该算法采用基于各子目标熵值权重的欧氏贴近度作为适应度值计算方法,引导种群向Pareto前端进化。在进化过程中,运用快速非支配排序策略构建Pareto档案,并利用进化种群中最优个体实时更新Pareto最优解集,提升算法的优化性能;同时通过引入变异算子增加种群多样性,避免算法陷入局部最优。最后,基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性。     

动态种群划分量子遗传算法求解几何约束

几何约束问题的约束方程组可转化为优化模型,因此约束求解问题可以转化为优化问题。针对传统量子遗传算法个体间信息交换不足,易使算法陷入局部最优的缺点,提出了动态种群划分量子遗传算法（dynamic population divided quantum genetic algorithm,DPDQGA）,并将其应用于几何约束求解中。该算法种群中的个体按照一定规则自发地进行信息交换。在每一代进化的开始阶段,分别对两个初始种群中的个体计算个体适应度。将两个种群合并,使用联赛选择的方法为种群中的个体打分,并按照得分对种群进行排序。最后将合并的种群重新划分为两个子种群。实验表明,基于动态种群划分的量子遗传算法求解几何约束问题具有更好的求解精度和求解速率。     

多宇宙并行量子多目标进化算法

提出了一种新的基于量子计算的多目标进化算法,即多宇宙并行量子多目标进化算法。算法中将所有的量子个体按给定的拓扑结构分成多个独立子种群,划分为多个宇宙;采用目标个体均匀分配原则和动态调整旋转角机制对各宇宙量子个体进行演化;宇宙之间采用最佳移民操作来交换信息,设计最优个体保留方案以便各宇宙共享全局信息,提高算法的执行效率。该算法用于多目标0/1背包问题的仿真结果表明：新方法能够找到接近Pareto最优前端的更好的解,同时维持解分布的均匀性。     

多目标差分进化在热连轧负荷分配中的应用

提出一种基于差分进化算法的多目标进化算法, 该算法个体的选择是通过非支配排序和拥挤度距离进行综合考虑. 保证了算法收敛到Pareto最优解集的同时, 提高了最优解个体分布的多样性. 通过与非支配排序遗传算法Ⅱ(NSGA Ⅱ)算法进行仿真对比, 结果显示基于拥挤度排序的多目标差分进化算法在收敛性和Pareto最优解集分布的多样性上均优于NSGA Ⅱ算法. 最后将其引入到热连轧负荷分配优化计算中, 给出了目标函数的表达方式, 对多目标进化算法在热连轧负荷分配计算中的应用进行了研究.     

基于改进多目标HQPSOGA求解武器目标分配问题

由于进化算法求解多目标问题时易过早丧失种群多样性,造成早熟收敛,提出一种粒子多样性判别方法.基于随机选择的聚类算法与模糊贴近度原则综合求解粒子多样性贡献度,用于混合量子行为粒子群和可调节遗传算法的粒子群迭代中,结合随机新增粒子更新个体最优解,引导粒子向Pareto最优解靠近.仿真表明,所提方法是一种有效的多样性保持方法,具有更强的全局寻优能力,可有效提高求解质量,在武器-目标分配问题上求解精度更高.     

数据驱动选择策略的多目标差分进化算法

针对多目标差分进化算法求解复杂多目标优化问题时,最优解选择策略中非支配排序计算复杂度高的问题,提出一种数据驱动选择策略的多目标差分进化(MODE-DDSS)算法.首先,设计多目标差分进化算法的优化解排序等级评估准则,建立基于评估准则的优化解排序等级评估库;其次,设计基于优化解双向搜索机制和无重复比较机制的数据驱动选择策略,实现优化解的高效搜索和快速排序;最后,构建数据驱动选择策略的多目标差分进化算法,降低算法在最优解选择操作中的时间复杂度,提高算法的寻优效率.实验结果表明,所提出的MODE-DDSS算法能够有效减少最优解在选择过程中的比较次数,提升多目标差分进化算法解决复杂多目标优化问题的寻优效率.     

量子多目标进化算法研究

本文首次将量子计算的理论用于多目标优化,提出量子多目标进化算法（QMOEA）,其采用量子位染色体表示法,利用量子门旋转策略和量子变异实现群体的进化,使用ε支配关系构造外部种群以此保持算法的较好分布性,提出基于快速排序的非劣最优解构造方法加快算法运行效率,实验表明,这种方法与经典的多目标进化算法SPEA2相比,其收敛性更好且分布更均匀     

求解动态优化问题的多种群竞争差分进化算法

针对动态优化问题（DOP）的求解,提出结合多种群方法和竞争策略的差分进化算法（DECS）。首先,将一个种群作为侦测种群,通过监测种群中所有个体的评价值和种群维度来判断环境是否发生变化。其次,将余下多个种群作为搜索种群,独立搜索环境中的最优值。在搜索过程中,引入排除规则,避免多个搜索种群聚集在同一个局部最优的邻域。在迭代若干代后对各搜索种群执行竞争操作,保留评估值最优个体所在的种群并对该种群的下一代个体生成采用量子个体生成机制,而对其他搜索种群重新初始化。最后,利用7个测试函数的49个动态变化问题对DECS进行验证,并将实验结果与人工免疫算法（Dopt-aiNet）、复位粒子群优化（rPSO）算法、改进差分进化（MDE）算法进行比较。实验结果表明,在49个问题上,DECS有34个问题的平均离线误差期望小于Dopt-aiNet算法,所有问题的平均离线误差期望都小于rPSO算法和MDE算法,因此DECS对DOP求解动态优化问题是可行的。     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.     

人机合作的免疫算法及其在布局设计中的应用

提出一种人机合作的免疫算法（HCCIA）。它将设计者提供的初始人工个体和混沌初始化生成的初始算法个体合并组成初始群体,然后经自适应交叉、变异和免疫选择等算子操作,进化寻优。同时,还适时和适量地将设计者给出的新人工个体加入到算法群体,替换掉其中较差的个体。如此循环,直至达到结束准则。该算法有利于充分发挥人机各自特长,为更好地解决复杂工程设计问题提供了方便。文中以卫星舱布局设计为背景的算例验证了此算法的可行性和有效性。     

基于聚类的快速多目标遗传算法

多目标遗传算法非常适合于求解多目标优化问题．讨论了进化个体之间的支配关系及有关性质，论证了可以用快速排序的方法对进化群体中的个体进行分类，同时探讨了用聚类方法来保持群体的多样性，具体讨论了基于层次凝聚距离的聚类，在此基础上提出了用分类和聚类的方法构造新的进化群体．理论分析与实验结果表明，所讨论的方法比较国际上已有的方法具有更快的收敛速度．     

Reference direction based immune clone algorithm for many-objective optimization

In this paper, a new preference multi-objective optimization algorithm called immune clone algorithm based on reference direction method (RD-ICA) is proposed for solving many-objective optimization problems. First, an intelligent recombination operator, which performs well on the functions comprising many parameters, is introduced into an immune clone algorithm so as to explore the potentially excellent gene segments of all individuals in the antibody population. Second, a reference direction method, a very strict ranking based on the desire of decision makers (DMs), is used to guide selection and clone of the active population. Then a light beam search (LBS) is borrowed to pick out a small set of individuals filling the external population. The proposed method has been extensively compared with other recently proposed evolutionary multi-objective optimization (EMO) approaches over DTLZ problems with from 4 to 100 objectives. Experimental results indicate RD-ICA can achieve competitive results.     

采用免疫进化算法优化设计径向基函数模糊神经网络控制器

基于生物免疫系统的计算智能近年来正逐渐成为一个研究热点.针对模糊神经网络控制器难于设计的问题,提出了一种免疫进化算法用于径向基函数模糊神经网络控制器参数的优化设计.首先将控制器参数进行编码表示成个体,并由若干随机个体组成初始群体;然后模拟生物适应性免疫应答过程,通过扩展操作在群体中较优秀个体的小邻域内进行局部搜索,同时利用突变操作在较差个体的大邻域内搜索;最后将设计的控制器用于控制倒立摆系统,仿真结果验证了该控制器的有效性.     

结合非固定多段罚函数的约束优化进化算法

利用非固定多段映射罚函数的约束条件,提出一种结合非固定多段罚函数的约束优化进化算法。该算法利用佳点集方法初始化种群,以保证其均匀分布在搜索空间中。在进化过程中,对种群进行单形交叉和多样性变异操作产生新的个体,增加种群的多样性。对6个经典Benchmark问题进行测试,实验结果表明,该算法能有效地处理不同的约束优化问题。     

基于个体适应度梯度的定向进化算法

基于进化过程中父代个体和子代个体在种群中的适应度梯度,提出进化方向的概念,并对其进行定性分析,在此基础上提出最优进化方向。通过最优进化方向的指导可加速进化过程,提高进化算法的收敛效率。基于进化方向和最优进化方向的描述,设计并实现基于个体适应度梯度的定向进化算法,并针对该算法给出2种不同的个体繁殖策略。对算法的收敛性和复杂度进行理论分析。最后通过仿真实验说明该算法具有精度高、收敛速度快等优点,在一定程度上克服目前进化算法的搜索低效问题。     

结合示例学习的移动机器人免疫进化规划研究

针对变化和部分未知环境下的移动机器人导航,将示例学习和生命科学中的免疫原理、进化算法相结合,将过去进化过程中的经验(性能好的个体)通过示例表达,提出了一种结合示例学习的移动机器人免疫进化路径规划算法。该算法将示例中的路径片段通过进化机制与免疫操作等其他进化操作所产生的新路径片段相互高效地组合,能够快速地进化出全局(次)最优可行路径。借助仿真实验和一些理论分析,分析了示例学习如何有效地利用过去的经验来解决部分未知和变化环境下的路径规划问题,分析了所构造的免疫算子对算法的影响。     

一类自适应免疫进化算法

基于免疫系统中的进化机理，提出一种自适应免疫进化算法，通过定义扩展半径和突交半径两个新算法参数构造了较小和较大两个邻域，分别利用这两个邻域进行局部和全局搜索，从而形成两层领域搜索机制，以保证算法的全局和局部搜索能力，定义了群体的多样度，并以此自适应调节算法参数以提高算法性能，给出了算法的全局收敛性证明，仿真结果表明，该算法收敛速度快，具有良好的全局寻优和局部求精能力。     

一种新的自适应免疫进化算法

根据生物免疫系统的免疫网络调节机理，提出了一种新的自适应免疫进化算法．该算法按照抗体激励水平进行选择操作；同时建立优秀抗体记忆库，并采用种群自适应调节策略，保持了进化抗体群的多样性．试验表明，该算法比标准遗传算法的收敛性能好，能有效避免遗传算法种群多样性保持能力不足和早收敛的缺点．     

基于免疫原理的量子进化算法及收敛性研究

分析量子进化算法的特点及免疫进化的机理，提出一种基于免疫算子的量子进化算法．该算法通过免疫克隆选择、免疫细胞交叉变异、记忆细胞产生、抗体相似性抑制等进化机制，可以最终找出最优解，比传统的量子进化算法具有更好的种群多样性，更快的收敛速度和全局寻优能力．不仅从理论上证明了所提出算法的收敛性，而且通过仿真实验表明了该算法的优越性．