基于自适应ε支配的快速多目标遗传算法

多目标遗传算法(MOGA)大体上可以分为两个步骤:构造非支配集和保持解分布度。而ε支配能将两者有机地结合起来,具有良好的时间效率及分布度。但是采用ε支配时,其ε参数难以设定,为此文章提出了一种基于自适应ε支配的快速多目标遗传算法(AEMOGA)。通过与其它的2个多目标遗传算法NSGA2和SPEA2比较,实验结果表明该文提出的算法具有良好的时间效率分布性、收敛性及时间效率。     

一种基于Pareto排序的混合多目标进化算法

为了改进多目标进化算法的收敛性和解集的多样性,提出一种基于Pareto排序的混合多目标进化算法PHMOEA。在PHMOEA中使用干扰集刺激优化非支配集的构成,改善算法的收敛性和解集的分布性,并根据Pareto等级和精英保留策略改进了交叉算子和变异算子。该算法与著名的NSGA-II和SPEA2多目标进化算法在13个基准测试函数上的对比结果表明,PHMOEA算法不仅多样性较好,而且提高了算法的收敛性,并使获得的最优解集的分布性更均匀,覆盖范围更广。     

一种具有可控性能的多目标遗传算法

文章基于极坐标的支配概念来描述多目标遗传算法中解之间的优劣关系,并由此提出了一种新的多目标遗传算法(PMOEA)。该算法可以通过参数的调节,让决策者在解的收敛性和分布性之间作折衷选择。在实验部分将PMOEA和NSGA2进行了性能比较,结果证实了PMOEA的性能可控性。     

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.     

基于聚类的NSGA-II算法

采用精英策略的非支配排序遗传算法（NSGA-II）种群收敛分布不均匀,全局搜索能力较弱。针对该问题,基于现有的算法,提出一种基于聚类学习机制的多目标进化算法KMCNSGA—II。利用K均值聚类对目标函数和个体分别进行聚类,对聚类后的个体进行局部学习,以提高适应度。将该算法应用于经典的多目标约束和非约束测试函数中,通过收敛性指标世代距离和多样性指标△进行性能评价。实验结果表明,与NSGA—II算法相比,该算法在算法收敛性和种群多样性保持方面均有明显提高。     

一种基于快速排序的快速多目标遗传算法

多目标遗传算法的一个重要步骤就是构造非支配集,本文提出了一种基于快速排序的非支配集构造方法,提高了非支配集构造效率,并且在Deb提出的NSGAⅡ的基础上,改进了其种群构造策略,设计了一类新的多目标遗传算法。实验表明,这种方法比NSGAⅡ具有更快的收敛速度且保持了良好的分布性。     

基于改进NSGA2的临近空间通信网络优化设计

面向特定区域部署的临近空间通信网络需要兼顾考虑资源分配、覆盖率及载荷功率等多个因素。考虑到现有方法只采用单目标优化,以及非支配排序遗传算法（NSGA2）在求解实际问题时的缺陷等问题,提出一种基于改进NSGA2的临近空间通信网络多目标优化设计方法。分析下行链路性能,结合目标区域的需求分布,以最大化匹配度和覆盖率及最小化功耗代价为目标建立多目标优化模型。将动态反向学习机制和差分局部变异算子引入NSGA2,测试证明改进的NSGA2在解收敛性和分布性上表现更好。仿真验证了设计方法的有效性,为网络的实际部署提供了参考。     

基于角度邻域的多目标差分进化算法

针对如何实现差分进化算法求解多目标优化问题,提出了一种基于角度邻域的多目标差分进化算法,通过在选择操作中引入弱支配概念,实现了对多目标优化问题的求解.该算法通过计算目标空间中个体与权重向量的夹角来确定每个个体的邻域,并在此基础上引入了基于角度邻域的变异策略,使个体的变异在邻域内进行,保证进化方向.此外,该算法创建了一个外部存档用来保存进化过程中的非支配解,并定期对外部存档进行维护,大大改善了解集的分布性.大量的数值仿真实验结果表明通过角度确定邻域的方法比通过欧氏距离确定邻域的方法更加有效,算法所得解集的收敛性和分布性也均明显优于基于分解的差分多目标进化算法(multiobjective evolutionary algorithm based on decomposition and differential evolution,MOEA/D–DE)和非支配排序算法Ⅱ(nondominated sorting genetic algorithm II,NSGA).     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

基于Pareto的多目标克隆进化算法

为了克服部分多目标进化算法中容易出现退化与早熟,造成收敛速度过慢的不足,结合精英保留策略、基于近部规则的环境选择以及免疫克隆算法中的比例克隆等思想,提出一种基于Pareto的多目标克隆进化算法NPCA(Non-dominated Pareto Clonal Algorithm)。通过部分多目标优化测试函数ZDT和DTLZ对算法进行了性能测试,验证了该算法能获得分布更加均匀的Parcto前沿,解的收敛性明显优于典型的多目标进化算法。     

Memory-based adaptive partitioning (MAP) of search space for the enhancement of convergence in Pareto-based multi-objective evolutionary algorithms

A new algorithm, dubbed memory-based adaptive partitioning (MAP) of search space, which is intended to provide a better accuracy/speed ratio in the convergence of multi-objective evolutionary algorithms (MOEAs) is presented in this work. This algorithm works by performing an adaptive-probabilistic refinement of the search space, with no aggregation in objective space. This work investigated the integration of MAP within the state-of-the-art fast and elitist non-dominated sorting genetic algorithm (NSGAII). Considerable improvements in convergence were achieved, in terms of both speed and accuracy. Results are provided for several commonly used constrained and unconstrained benchmark problems, and comparisons are made with standalone NSGAII and hybrid NSGAII-efficient local search (eLS).     

一种基于密度的局部搜索NSGA2算法

针对局部搜索类NSGA2算法计算量大的问题,提出一种基于密度的局部搜索NSGA2算法(NSGA2- DLS).使用解的密度衡量解的稀疏度,并将当前非支配解中稀疏度最小的解定义为稀疏解,每次遗传过程在稀疏解周围进行局部搜索.在局部搜索过程中,同时采用极限优化策略和随机搜索策略以提高解的质量和收敛速度.对ZDT系列函数和DTLZ系列函数进行仿真实验并与标准NSGA2算法、一种局部随机搜索算法和一种定向搜索算法进行比较,结果表明,NSGA2-DLS在消耗计算量和优化效果方面均优于对比方法.     

Evolutionary trajectory planning for an industrial robot

This paper presents a novel general method for computing optimal motions of an industrial robot manipulator (AdeptOne XL robot) in the presence of fixed and oscillating obstacles. The optimization model considers the nonlinear manipulator dynamics, actuator constraints, joint limits, and obstacle avoidance. The problem has 6 objective functions, 88 variables, and 21 constraints. Two evolutionary algorithms, namely, elitist non-dominated sorting genetic algorithm (NSGA-II) and multi-objective differential evolution (MODE), have been used for the optimization. Two methods (normalized weighting objective functions and average fitness factor) are used to select the best solution tradeoffs. Two multi-objective performance measures, namely solution spread measure and ratio of non-dominated individuals, are used to evaluate the Pareto optimal fronts. Two multi-objective performance measures, namely, optimizer overhead and algorithm effort, are used to find the computational effort of the optimization algorithm. The trajectories are defined by B-spline functions. The results obtained from NSGA-II and MODE are compared and analyzed.     

随机扰动不同种群变异策略的多目标进化算法

为了提高多目标优化问题非支配解集的收敛性和多样性,解决算法后期易陷入局部最优的问题,根据不同差分进化策略特点,添加随机扰动,基于改进切比雪夫机制提出了一种自适应差分进化策略的分解多目标进化算法（MOEA/D-ADE-levy）。首先使用混合水平正交实验产生均匀权重向量并应用于改进切比雪夫机制分解子问题得到均匀分布的初始种群;其次将种群分为优秀个体、中间个体和较差个体,对不同个体采用不同的变异策略,对变异因子F和交叉概率CR采用自适应机制,提高非支配解集的收敛性和多样性;最后对陷入局部最优的解集增加levy随机扰动,增大其全局搜索的能力,跳出局部最优。采用DTLZ测试函数验证算法有效性,将所提算法与NSGA2、NSGA3、MOEA\D、MOEA\D-DE等常用算法进行比较,使用GD和IGD评价指标对算法进行多样性和收敛性分析,实验结果表明,该算法在收敛性和多样性方面得到了改进与提高,能得到更优的Pareto解集。     

一种求解约束多目标问题的协作进化算法

针对约束多目标进化算法求解约束多目标问题时难以平衡收敛性、多样性和可行性的问题,提出一种协作进化算法(ConMOEA).将自适应形状估计进化算法(AGE-MOEA)和非支配排序遗传算法(NSGA-II)优势融合,采用Deb约束支配原则非支配排序组合种群实现个体优选,在临界层中根据最大拥挤距离或生存值选择所需个体,最终形成新种群,实现种群快速接近Pareto前沿并具有良好分布性.为验证所提出算法的性能,对近期提出的一组DOC基准函数进行仿真计算,采用反世代距离(IGD)和超体积(HV)两个通用评价指标,与NSGA-II-CDP、C-TAEA、PPS、ToP、A-NSGA-III、AGE-MOEA约束多目标算法进行比较分析,实验结果证明ConMOEA具有更优的收敛性和多样性.     

基于海明差异评价的多目标进化算法

为提高多目标进化算法的分布性和收敛性,提出一种基于海明距离差异的多目标进化算法。在非支配前沿的基础上定义海明等级,依据海明距离的大小对个体进行选择操作。同时结合海明差异和Pareto评价方法,对外部存储器中最优解进行更新和维护,通过结构相似度构建小生境空间,并引导算法趋向Pareto最优前沿面。对6个典型函数的测试结果表明,较其他对比算法,该算法在具备收敛性的同时能够保持较好的均匀性分布。     

采用循环拥挤排序策略的改进 NSGA-II算法

采用循环拥挤排序策略,形成改进的NSGA-Ⅱ算法.循环拥挤排序策略首先计算同一级非支配解的拥挤距离,删除其中拥挤距离最小的解;然后重新计算剩余解之间的拥挤距离,再次删除其中拥挤距离最小的解.以次类推,直到选出指定数量支配解为止.与单次拥挤距离排序相比,循环拥挤距离排序得到的解具有更好的多样性.ZDT1～ZDT4四个基准函数测试结果表明,改进的NSGA-Ⅱ比NSGA-Ⅱ具有更好的收敛性和多样性.     

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。     

Multi-objective topology and sizing optimization of truss structures based on adaptive multi-island search strategy

This paper uses genetic algorithm to handle the topology and sizing optimization of truss structures, in which a sparse node matrix encoding approach is used and individual identification technique is employed to avoid duplicate structural analysis to save computation time. It is observed that NSGA-II could not improve the convergence of non-dominated front at latter generations when solving multi-objective topology and sizing optimization of truss structures. Therefore, an adaptive multi-island search strategy for multi-objective optimization problem (AMISS-MOP) is developed to enhance the convergence. Meanwhile, an elitist strategy based on archive set is introduced to reduce the size of non-dominated sorting to improve computation efficiency. Two numeric examples are presented to demonstrate the performance of AMISS-MOP. Results show that the global Pareto front could be found by AMISS-MOP, the convergence is improved as generation increases, and the time spent on non-dominated sorting is reduced.