聚类佳点集交叉的约束优化混合进化算法

提出一种基于聚类佳点集多父代交叉和自适应约束处理技术的混合进化算法用于求解约束优化问题.新算法的主要特点是:在搜索机制方面,利用佳点集方法构造初始化种群,使个体能够均匀地分布在整个搜索空间.然后根据父代个体的相似度将种群个体进行聚类分析,从聚类中随机选择个体进行佳点集多父代交叉操作,利用多个父代个体所携带的信息产生新的具有代表性的子代个体,能够维持和增加种群的多样性.另外,引入局部搜索策略以提高算法局部搜索能力和收敛速度.在约束处理技术上,新算法引入了一个自适应约束处理技术,即根据当前种群中可行解的比例自适应选择不同的个体比较准则.通过15个标准测试函数验证了新算法的有效性.     

动态分级中心引力约束优化算法及工程应用

结合非固定多段罚函数处理约束条件,提出一种动态分级中心引力优化算法用于求解约束优化问题。该算法利用佳点集初始化个体以保证种群的多样性。在每次迭代过程中将种群分为两个子种群,分别用于全局搜索和局部搜索,根据搜索阶段动态调整子种群个体数目。对几个标准的测试问题和工程优化问题进行数值实验,结果表明该算法能处理不同的约束优化问题。     

一种基于佳点集原理的约束优化进化算法

提出一种基于佳点集理论解决约束优化问题的进化算法.它将实分圆域中均匀分布的佳点映射到求解问题的搜索空间,使得所构造的个体能在搜索空间内分布比采用随机方式更加均匀,并引进预交叉机制来平衡佳点取点个数与算法搜索能力之间的矛盾.新算法的遗传算子基于佳点技术构造,精度不受空间维数的限制,有利于高维优化问题.对6个标准测试函数的数值实验结果验证了新算法的通用性、有效性和稳健性.     

求解约束优化问题的改进灰狼优化算法

针对基本灰狼优化(GWO)算法存在求解精度低、收敛速度慢、局部搜索能力差的问题,提出一种改进灰狼优化(IGWO)算法用于求解约束优化问题。该算法采用非固定多段映射罚函数法处理约束条件,将原约束优化问题转化为无约束优化问题,然后利用IGWO算法对转换后的无约束优化问题进行求解。在IGWO算法中,引入佳点集理论生成初始种群,为算法全局搜索奠定基础;为了提高局部搜索能力和加快收敛,对当前最优灰狼个体执行Powell局部搜索。采用几个标准约束优化测试问题进行仿真实验,结果表明该算法不仅克服了基本GWO的缺点,而且性能优于差分进化和粒子群优化算法。     

一种基于佳点集原理的约束优化进化算法

提出一种基于佳点集理论解决约束优化问题的进化算法.它将实分圆域中均匀分布的佳点映射到求解问题的搜索空间,使得所构造的个体能在搜索空间内分布比采用随机方式更加均匀,并引进预交叉机制来平衡佳点取点个数与算法搜索能力之间的矛盾.新算法的遗传算子基于佳点技术构造,精度不受空间维数的限制,有利于高维优化问题.对6个标准测试函数的数值实验结果验证了新算法的通用性,有效性和稳健性.

     

一种改进的多目标约束优化差分进化算法

提出一种新的多目标优化差分进化算法用于求解约束优化问题.该算法利用佳点集方法初始化个体以维持种群的多样性.将约束优化问题转化为两个目标的多目标优化问题.基于Pareto支配关系,将种群分为Pareto子集和Non-Pareto子集,结合差分进化算法两种不同变异策略的特点,对Non-Pareto子集和Pareto子集分别采用DE/best/1变异策略和DE/rand/1变异策略.数值实验结果表明该算法具有较好的寻优效果.     

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。     

动态分级的并行约束优化进化算法

提出一种动态分级的并行进化算法用于求解约束优化问题。该算法首先利用佳点集方法初始化种群。在进化过程中,将种群个体分为两个子种群,分别用于全局和局部搜索,并根据不同的搜索阶段动态调整各种级别中并行变量的数目。标准测试问题的实验结果表明了该算法的可行性和有效性。     

用于求解约束优化问题的自适应佳点集进化算法

提出一种用于求解约束优化问题的自适应佳点集进化算法.新算法利用佳点集原理设计多点交叉算子,该交叉算子能够根据父代个体的相似度自适应调整交叉点的位置和子代个体的数目,产生具有代表性的子代个体.在约束处理技术上,改进了Deb的三条比较准则,提出一种新的适应度函数用于比较个体优、劣的比较准则.通过对13个标准测试函数的试验比较验证了新算法的有效性和稳健性.     

改进的约束优化多目标遗传算法及工程应用

利用多目标法处理约束条件,提出一种改进的基于多目标优化的遗传算法用于求解约束优化问题。该算法将约束优化问题转化为两个目标的多目标优化问题; 利用庄家法构造非劣个体,将种群分为支配子种群和非支配子种群,以一定概率分别从支配子种群和非支配子种群中选择个体进行算术交叉操作,引导个体逐步向极值点靠近,增强算法的局部搜索能力,对非支配子种群进行多样性变异操作。8个标准测试函数和3个工程应用的仿真实验结果表明了该算法的有效性。     

一种求解约束优化问题的线性进化算法

提出一种基于实数编码处理约束优化问题的线性算法,并对其复杂度和收敛性进行分析.该算法将约束优化问题的高维搜索空间通过线性变换映射到二维空间,在二维空间中探索原优化问题的解,从数学分析的角度给出一种线性适应度函数.算法中融入一种基于密度函数的交叉算子和变异算法,采用基于分级聚类的平均联接方式以维持Pareto最优解集个体数目.3组典型优化问题的测试表明,该算法是可行和有效的,解集分布的均匀性与多样性均较理想.     

基于动态拥挤距离的混合多目标免疫优化算法

多目标免疫优化算法的研究目标是种群均匀分布于优化问题的非劣最优域并使算法快速收敛。为进一步提高多目标优化问题非支配解集合的分布均匀性和收敛性,提出了一种基于动态拥挤距离的混合多目标免疫优化算法。该算法基于动态拥挤距离来对个体进行比较和更新操作,从而保持最终解集的均匀分布,同时借鉴经典差分进化算法中的变异引导算子来加强免疫优化算法的局部搜索能力并提高搜索精度。基于5个经典测试函数的仿真结果表明, 与其他几种有效的多目标优化算法相比,所提算法不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且收敛速度也有较大的改进和提高。     

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。     

一类带约束动态多目标优化问题的进化算法

动态多目标约束优化问题是一类NP-Hard问题,定义了动态环境下进化种群中个体的序值和个体的约束度,结合这两个定义给出了一种选择算子.在一种环境变化判断算子下给出了求解环境变量取值于正整数集Z+的一类带约束动态多目标优化问题的进化算法.通过几个典型的Benchmark函数对算法的性能进行了测试,其结果表明新算法能够较好地求出带约束动态多目标优化问题在不同环境下质量较好、分布较均匀的Pareto最优解集.     

解非线性方程组的多目标优化进化算法

如何有效地求解复杂非线性方程组是进化计算领域一个新的研究问题。将非线性方程组等价地转化成多目标优化问题,同时设计了求解的多目标优化进化算法。为了提高算法的搜索能力及避免算法陷入局部最优,采用了自适应Levy变异进化算子和均匀杂交算子。计算机仿真表明该算法对非线性方程组的求解是有效的。     

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.     

Evolutionary multi-objective blocking lot-streaming flow shop scheduling with interval processing time

A blocking lot-streaming flow shop scheduling problem with interval processing time has a wide range of applications in various industrial systems, however, not yet been well studied. In this paper, the problem is formulated as a multi-objective optimization problem, where each interval objective is converted into a real-valued one using a dynamically weighted sum of its midpoint and radius. A novel evolutionary multi-objective optimization algorithm is then proposed to solve the re-formulated multi-objective optimization problem, in which non-dominated solutions and differences among parents are taken advantage of when designing the crossover operator, and an ideal-point assisted local search strategy for multi-objective optimization is employed to improve the exploitation capability of the algorithm. To empirically evaluate the performance of the proposed algorithm, a series of comparative experiments are conducted on 24 scheduling instances. The experimental results show that the proposed algorithm outperforms the compared algorithms in convergence, and is more capable of tackling uncertainties.