求解多目标最小生成树问题的改进算法

多目标最小生成树问题是典型的NP问题,Zhou和Gen提出了一种用于计数多目标最小生成树问题的所有非劣最优最小生成树的算法,但该算法无法保证能够找到所有非劣最优最小生成树.针对此问题,提出一种改进的计数算法,并定性说明改进算法能够找到问题的所有非劣最优最小生成树.改进算法在进行子树剔除时增加了一些条件.模拟实验结果表明,改进后的计数算法能够找到所有的非劣最优解.这也说明该算法具有应用的潜力.     

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。     

迁移工作流系统中基于Pareto的服务主体优选

建立了服务主体优选的数学模型，采用Pareto遗传算法对多目标问题进行优化，给出了适用于该模型的操作算子，并提出了在最优解集中选取决策方案的算法。实验结果表明，该方案效果明显优于文献[3]中给出的解决方案。     

基于PSO信息传递模式的混合算法

粒子群优化算法（Particle Swarm Optimization，PSO）是一种基于群智能（Swarm Intelligence）的随机优化计算技术。PSO和遗传算法这两种算法相比较，PSO收敛快速准确，但编码形式单一，局限于解决实优化问题，而遗传算法编码形式灵活，解决问题广泛，但执行效率低于PS00。将粒子群算法的信息传递模式与遗传算法的编码和遗传操作相结合，提出一种混合算法。并推导了两个算法之间的密切联系。并通过组合优化和函数优化的基准测试集对算法进行测试，试验结果表明，该算法在收敛精度和速度优于传统遗传算法。同时，也观察到该算法取得了与粒子群算法一致的收敛现象。     

基于改进的遗传算法在函数优化中的应用

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点,提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率;为了加快寻优效率,在选择算子方面将引进的选择算子与最优保存策略相结合;为了使遗传操作过程中种群数量恒定,又提出了保留亲本的策略。通过仿真实验发现,与经典遗传算法GA和IAGA相比,改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。     

基于空间网格划分的多目标进化算法

为了有效求解多目标优化问题,找到分布宽广、均匀的Pareto解集,提出了一个基于空间网格划分的进化算法。将目标空间网格化,利用网格的位置,删除大量被支配个体。在杂交算子中利用了单个目标最优的个体信息,以增加非劣解的宽广性。利用一种新设计的基于最大距离排序的方法删除非劣解集中多余个体。数值实验表明提出的算法是可行有效的。     

基于改进混沌优化的多目标遗传算法

针对多目标遗传算法存在的缺陷,提出了基于改进混沌优化的多目标遗传算法．引入基于改Tent映射的自适应变尺度混沌优化方法细化搜索空间和高效寻优,结合非支配排序的群体分级机制和精英保留等多目标优化策略,保持种群多样性的同时保证了进化向Pareto优解集的方向进行．多目标测试函数的数值仿真和电力系统无功优化的算例分析表明了该算法的有效性和可行性．     

基于免疫遗传算法的复杂网络社区发现

针对大部分基于智能优化算法的社区发现方法存在的种群退化、寻优能力不强、计算过程复杂、需要先验知识等问题,提出了一种基于免疫遗传算法(GA)的复杂网络社区发现方法。算法将改进的字符编码和相应的遗传算子相结合,在不需要先验知识的情况下可自动获得最优社区数和社区划分方案;将免疫原理引入遗传算法的选择操作中,保持了群体多样性,改善了遗传算法所固有的退化现象;在初始化种群及交叉和变异算子中利用网络拓扑结构的局部信息,有效缩小了搜索空间,增强了寻优能力。计算机生成网络和真实网络上的仿真实验结果表明算法可自动获取最优社区数和社区划分方案并具有较高的精度,说明算法具有可行性和有效性。     

直觉模糊集相似度遗传算法求解多目标车间调度问题

为了提高高维多目标置换流水车间调度问题的求解质量,提出基于直觉模糊集相似度的遗传算法(similarity of intuitionistic fuzzy sets GA,SIFS_GA).算法中分别将参考解和Pareto解映射为参考解直觉模糊集和Pareto解直觉模糊集.计算两个集合之间的直觉模糊相似度,用以判断Pareto解的优劣.以直觉模糊集相似度值引导多目标遗传算法进化.对6个CEC标准测试集与10个流水车间调度测试实例进行仿真实验,结果表明SIFS_GA算法性能优于常用的多目标优化算法,且可以有效解决多目标置换流水车间调度问题,尤其在解决规模较大的问题上是一种有效方法.     

Pareto遗传算法在货位配置中的应用研究

固定货架是自动化立体仓库应用最广泛的存储设备，货位配置是否优化直接影响货架的稳定性和存取操作效率。因此，建立了货位配置优化问题的数学模型，提出了采用Pareto遗传算法解决多目标组合优化问题，可得到Pareto最优解集。此算法包括5个基本算子：选择、变异、交叉、小生境技术、Pareto集合过滤器。通过仿真实验验证了将Pareto遗传算法应用在实际货位配置优化问题中，取得了较好的结果。     

A modified distance method for multicriteria optimization, using genetic algorithms

The common application areas of Genetic Algorithms (GAs) have been to single criterion difficult optimization problems. The GA selection mechanism is often dependent upon a single valued scalar objective funtion. In this paper, we present results of a modified distance method. The distance method was proposed earlier by us, for solving multiple criteria problems with GAs. The Pareto set estimation method, which is fundamental to multicriteria analysis, is used to perform the multicriteria optimization using GAs. First, the Pareto set is found out from the population of the initial generation of the GA. The fitness of a new solution, is calculated by a distance measure with reference to the Pareto set of the previous runs. We calculate the distances of a solution from all the Pareto solutions found since the previous run, but the minimum of these distances is taken under consideration while evaluating the fitness of the solution. Thus the GA tries to maximize the distance of future Pareto solutions from present Pareto solutions in the positive Pareto space of the given problem. Here we modify distance method, by using an improved algorithm to assign and make use of the latent potential of the Pareto solutions which are found during the runs. Two detailed numerical examples and computer generated results are also presented.     

基于改进的NSGA-II多目标优化方法研究*

针对传统多目标优化算法在其领域存在的多个子目标不能同时取优的问题,提出了一种基于改进的非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm-II, NSGA-II）多目标优化方法,以多目标优化遗传算法为基础,多输入多输出的反向传播（Back-Propagation, BP）神经网络为适应度函数评价体系,保证算法快速收敛并搜索到全局最优解集,该算法在建模前对实验数据进行主成分分析,降低了运算时间和算法难度,通过在遗传进化过程中引进正态分布交叉算子（Normal Distribution Crossover, NDX）和改进的自适应调整变异算子,实现了多个目标同时取优,保证Pareto最优解集快速、准确地获取。仿真实验使用UCI数据集,通过与其他常用的多目标优化算法对比,验证了改进的NSGA-II算法精确度更高、收敛速度更快、稳定性更强。     

基于黑洞多目标进化算法的永磁直线同步电机优化设计

应用一种改进的黑洞多目标进化算法(MOBH),实现对圆筒型无槽无铁芯直线永磁同步电机(LPMSM)的多目标优化设计.黑洞进化算法在不同Pareto区域的收敛速度、种群多样性、种群收敛性和亚种群获取等方面具有良好的性能.在分析无槽无铁芯圆筒直线电机的电磁解析模型和MOBH算法基础上,建立电机推力、推力体积比、铜损(效率)多目标优化模型,为3个目标对应的Pareto占优解空间提供更加全面和直观的最优解空间.可以根据应用需求和目标函数实际物理值分布范围来综合选取最终最优解,探讨单一目标函数情况下Pareto占优解分布与主要设计变量的关系.最后通过样机实验验证主要设计指标的计算准确性.     

Various hybrid methods based on genetic algorithm with fuzzy logic controller

In this paper we propose several efficient hybrid methods based on genetic algorithms and fuzzy logic. The proposed hybridization methods combine a rough search technique, a fuzzy logic controller, and a local search technique. The rough search technique is used to initialize the population of the genetic algorithm (GA), its strategy is to make large jumps in the search space in order to avoid being trapped in local optima. The fuzzy logic controller is applied to dynamically regulate the fine-tuning structure of the genetic algorithm parameters (crossover ratio and mutation ratio). The local search technique is applied to find a better solution in the convergence region after the GA loop or within the GA loop. Five algorithms including one plain GA and four hybrid GAs along with some conventional heuristics are applied to three complex optimization problems. The results are analyzed and the best hybrid algorithm is recommended.     

网格环境下基于Weka4WS的分布式聚类算法*

Weka4WS采用WSRF技术用于执行远程的数据挖掘和管理分布式计算,支持分布式数据挖掘任务。基于Weka4WS和网格环境,尝试了一种新的分布式聚类方法,并成功地将其嵌入到Weka4WS框架中,借助Weka Library实现分布式数据挖掘算法,同时引入了距离代价和混合概率的概念,将网格与Web服务技术融合,以分布式问题求解环境和开源数据挖掘类库Weka为底层支持环境,构建了网格环境下面向服务的分布式数据挖掘体系,并以基于Weka4WS的分布式聚类算法验证了算法的有效性和体系结构的可行性。     

改进NSGA-Ⅱ算法的海上搜救调度方法

针对海上搜救资源调度决策困难、干扰多、实时性差、难以实现全局最优问题,本文以黄渤海海域为例,采用改进的非支配排序遗传(NSGA-Ⅱ)算法解决海上船舶搜救资源调度问题.首先,根据AIS以及北斗数据,建立了海上搜救资源的多目标优化模型;其次,改进的NSGA-Ⅱ算法采用基于正态分布交叉(NDX)算子,在扩大搜索范围的基础上,避免陷入局部最优,得到多目标问题完整的Pareto解集;采用综合评价法(TOPSIS)从Pareto解集中求得折衷解,即最终设计的搜救调度方案;最后,在考虑船舶数量约束以及时间约束的条件下,采用改进的NSGA-Ⅱ算法分别与NSGA-Ⅱ算法和贪婪算法进行对比,并采用黄渤海海域船舶采集数据进行仿真.结果表明该算法能够有效解决海上搜救资源调度优化问题.     

遗传算法在曲线多边形近似中的应用

在平面数字曲线的多边形近似中,为克服顶点的检测只依靠部区域,缺 乏全局信息的弱点,文中把多边形近似问题作了寻找在满足一定的近似误差下使顶点数最少,或者使顶点数和近似误差都尽可能少的最优化问题来处理。     

DNA遗传算法的QoS多播路由优化

针对网络中的QoS多播路由问题,提出一种基于DNA的混合遗传算法,以遗传算法为框架,采用DNA编码方式,对交叉算子和变异算子进行改进,同时把小生境技术和模拟退火融入框架中,使小生境中的个体独立进行模拟退火操作,达到维护种群多样性和增强局部搜索能力的目的。实验结果验证了该算法的有效性。     

多目标优化问题的有效Pareto最优集

多目标优化问题求解是当前演化计算的一个重要研究方向,而基于Pareto最优概念的遗传算法更是研究的重点,然而,遗传算法在解决多目标优化问题上的缺陷却使得其往往得不到一个令人满意的解。在对该类算法研究的基础上提出了衡量Pareto最优解集的标准,并对如何满足这个标准提出了建议。     

一种多目标优化问题的理想灰色粒子群算法*

针对逼近理想解的排序方法对Pareto前端的距离跟踪以及灰色关联度能够很好地分析非劣解集曲线与Pareto最优解集曲线的相似性,提出了一种求解多目标优化问题的理想灰色粒子群算法。该算法利用理想解理论与灰色关联度理论来求解粒子与理想解之间的相对适应度和灰色关联度系数,把两者的和定义为相对理想度,通过相对理想度来判别粒子的优劣,以确定个体极值和全局极值。通过四组不同类型的基准函数测试算法性能,并与目标加权法和灰色粒子群算法比较分析,结果表明该算法能够较好地收敛到Pareto最优解集,不但具有较好的收敛性和分布