基于自适应混合非支配个体排序策略的改进型NSGA-Ⅱ算法

针对经典快速非支配排序遗传算法(NSGA-Ⅱ)中基于拥挤距离的种群多样性保持策略不能客观反映个体间真实拥挤程度的问题,提出了一种基于自适应混合非支配个体排序策略的改进型NSGA-Ⅱ算法(NSGA-Ⅱ^h)。首先,设计一种新的循环聚类个体排序策略;然后,根据Pareto分层信息来对基于经典拥挤距离和循环聚类的两种个体排序策略进行自适应的选择;最终,实现对进化后期的种群多样性保持机制的改进。通过5个标准测试函数进行算法验证,并与经典的NSGA-Ⅱ、多目标粒子群优化算法(MOPSO)和GDE3等算法进行对比分析,NSGA-Ⅱ^h算法获得了80%的最优反向世代距离(IGD)值,且显著性水平为5%的双尾t检验结果表明,新算法具有明显统计意义上的性能优势。改进算法不仅能提高进化种群的分布性,而且能增强算法的收敛性,有效提高了优化效果。     

基于云模型的NSGA-Ⅱ算法改进

如何使算法快速收敛到真正的Pareto前沿,并保持解集在前沿分布的均匀性是多目标优化算法重点研究解决的问题.提出一种基于云模型的改进NSGA-Ⅱ算法,利用正态云模型云滴的随机性和稳定倾向性特点,分别对交叉、变异、拥挤距离算子进行改进.使算法既具有传统的趋势性和满足快速寻优能力,又具有随机性.在提高收敛速度与保持种群多样性之间做了个很好的权衡.通过求解多目标背包问题,对本文算法的多目标优化性能进行了考察,并与NSGA-Ⅱ算法进行比较,结果表明本文算法在整个解空间内能快速搜索到Pareto最优解,使搜索到的Pareto最优解在前沿均匀分布.     

改进NSGA-Ⅱ算法及其在切削加工参数优化中的应用

针对NSGA-Ⅱ算法种群收敛分布不均匀,全局搜索能力差,易陷入局部最优等不足,引入正交交叉策略与混合变异算子,提出一种改进的NSGA-Ⅱ算法。在测试函数上对改进NSGA-Ⅱ算法与传统NSGA-Ⅱ算法同时进行性能测试,结果表明改进的NSGA-Ⅱ算法无论是在收敛性还是多样性上均优于NSGA-Ⅱ算法。将改进算法与传统NSGA-Ⅱ算法同时应用于6061铝合金精密车削加工参数多目标优化设计中,研究结果表明改进NSGA-Ⅱ算法收敛精度更高,收敛速度更快,优化结果更加逼近全局最优解,在求解切削加工参数多目标优化问题时更加有效。     

Boltzmann-NSGAⅡ算法的NoC映射研究

传统NSGAⅡ算法在解决NoC映射问题时容易出现局部最优和种群多样性的问题。为此,提出一个均衡优化时延模型和一种基于Boltzmann-NSGAⅡ的映射算法,时延模型从宏观链路负载和单个节点排队时延进行优化,映射算法引入Boltzmann机制、多点交叉算子、随机变异算子,以保持种群多样性并提高局部搜索能力。实验结果表明,Boltzmann-NSGAⅡ算法能获得更好的映射效果,最优解集的收敛性和均匀性更好。     

改进的NSGA-Ⅱ算法及其在星座优化设计中的应用

针对NSGA-Ⅱ算法中的模拟二进制交叉(SBX)算子以及NSGA-Ⅱ在收敛速度及多样性保持方面性能的不足,将反向学习机制(OBL)应用到NSGA-Ⅱ的初始化和进化过程中,并引入一种改进的算术交叉算子。ZDT系列测试函数在收敛性和多样性两个方面的评价结果表明,改进的NSGA-Ⅱ算法在收敛速度、收敛性和多样性上优于NSGA-Ⅱ算法。将改进的NSGA-Ⅱ算法应用于卫星星座优化设计中,仿真结果表明改进的算法在卫星星座优化设计中比较有效。     

一种基于云模型的多目标进化算法

在多目标进化算法的基础上,提出了一种基于云模型的多目标进化算法(CMOEA).算法设计了一种新的变异算子来自适应地调整变异概率,使得算法具有良好的局部搜索能力.算法采用小生境技术,其半径按X条件云发生器非线性动态地调整以便于保持解的多样性,同时动态计算个体的拥挤距离并采用云模型参数来估计个体的拥挤度,逐个删除种群中超出的非劣解以保持解的分布性.将该算法用于多目标0/1背包问题来测试CMOEA的性能,并与目前最流行且有效的多目标进化算法NSGA-II及SPEA2进行了比较.结果表明,CMOEA具有良好的搜索性能,并能很好地维持种群的多样性,快速收敛到Pareto前沿,所获得的Pareto最优解集具有更好的收敛性与分布性.     

基于分级策略的演化算法

为了避免演化算法过早收敛,保持种群多样性,增加算法的搜索能力,本文提出基于分级策略的演化算法．即通过对种群进行分级,来度量种群的多样性,衡量算法是否陷入局部最优,协调种群多样性和精英策略之间的矛盾,再根据种群分布的多样性设计一种有效的半一致交叉算子与单重均匀变异算子。     

融合DE和NSGA-Ⅱ算法的网格工作流调度研究*

针对当前网格工作流调度算法中大多只考虑DAG结构的网格工作流、考虑QoS维数较少及将多QoS参数聚合成一个单目标函数进行优化调度的现状,基于AGWL网格工作流模型,提出了一种带QoS约束的多目标优化的网格工作流调度算法,该算法是将DE的变异和交叉算子替换NSGA-Ⅱ中的变异和交叉操作所设计的一种调度算法。通过与基于NSGA-Ⅱ的网格工作流调度算法比较,表明了该算法的有效性。     

基于改进NSGA-Ⅱ算法的微电网多目标优化研究

在解决微电网分布式电源多目标优化运行问题时,针对传统NSGA-Ⅱ算法在逼近性、运算效率等方面的局限性,考虑进化过程个体相似度的差异及算法陷入局部最优的可能性,提出了一种改进型的NSGA-Ⅱ算法。新算法引入信息熵机制改进算子,将交叉概率、变异概率分别近似为递减函数模型、柯西分布模型,通过算法性能测试证明了新算法有效性。以分布式电源接入IEEE30节点电力系统为例进行仿真实验,通过与传统NSGA-Ⅱ多目标优化算法对比,证明了改进型算法在提高收敛速度、改善优化指标方面的优越性。     

一种改进的非支配排序多目标遗传算法

多目标进化算法的研究目标是使算法快速收敛,并且广泛而均匀分布于问题的非劣最优域。在NSGA-Ⅱ算法的基础上,提出了一种新的变异算子。该算子具有良好的局部搜索能力,提高了算法的效率。改进后的算法与原算法相比较,结果表明新算法较好地改善了分布性和收敛性。     

NSGA-II中一种改进的分布性保持策略

NSGA-II以其良好的收敛性和时间效率广泛应用于多目标优化中,然而其基于聚集距离的种群维护策略并不能很好地保持解集的分布性。提出一种改进的分布性保持策略,设置随种群密集程度自适应变化的阈值,动态地维护种群,使得分布性优秀的个体有更大的生存机会。与NSGA-II和ε-MOEA在5个测试函数上进行比较实验,结果表明改进算法在有效提高分布性的同时,拥有良好的收敛性。     

支持强化学习RNSGA-II算法在航迹规划中应用

针对传统第二代非支配排序遗传算法（NSGA-II）求解无人机多目标三维航迹规划早熟收敛及多样性不足的局限性,提出了支持强化学习RNSGA-II算法。设置两个独立种群分别用NSGA-II算法独立演化,隔代在两种族之间迁徙,接着各种群进行寻优进化,根据种群多样性的变化运用强化学习算法动态地优化各种群间“迁徙”的比例参数,从而使进化过程保持种群多样性,一定程度上解决了收敛速度和全局收敛性之间的矛盾。仿真结果表明,RNSGA-II算法较单一NSGA-II收敛精度更高,解集具有更好的分布性和多样性。     

用于模具编程的病毒进化遗传算法

针对模具编程的任务规划问题,提出一种编程任务规划算法。以工期、质量和编程人员负载均衡等为目标,建立多目标优化模型,结合病毒进化遗传算法的横向搜索能力和非支配排序遗传算法Ⅱ(NSGA-Ⅱ)的精英保留策略,求取多样性解,引入多种群思想解决多目标问题。仿真结果表明,该算法求得的近似解分布均匀且多样性较好,与NSGA-Ⅱ相比,其解的分布离最优解的前端更加接近。     

基于概率模型的混合多目标算法

对传统多目标算法NSGA-Ⅱ及模型多目标算法RM-MEDA进行了分析,并指出了二者的不足。在此基础上,提出基于概率模型的混合多目标算法,并设计了相应的建模准则用于实现两种算法的结合,使得提出的算法能够充分发挥两种算法的优势。将提出的算法与NSGA-Ⅱ算法和RM-MEDA算法在10个测试函数进行了实验对比,结果证实了算法在全局收敛性及多样性等方面有着较好的效果。     

基于平均距离聚类的NSGA-Ⅱ

拥挤度距离是一种用于度量解集多样性的指标. 然而, 在许多情况下, 该指标无法有效区分多样性较优个体. 其原因为拥挤度距离主要利用每个位置的局部信息. 为解决该问题, 基于整个种群全局位置信息, 本文设计了基于平均距离聚类的多样性度量指标, 并进一步提出了基于平均距离聚类的NSGA-Ⅱ. 该算法利用平均距离将种群划分为若干个大致均匀分布的小种群, 然后分别在各小种群内执行选择、交叉和变异等操作. 实验结果表明, 本文所提算法可以有效地保持种群多样性.     

新的MOPSO及其在大型复杂系统可靠性优化中的应用

可靠性优化问题是大型复杂系统设计的一个关键问题。针对大型复杂系统多个指标(可靠度、造价和冗余数)同时进行最优分配的结果多样性不好的问题,提出了一种基于杂草克隆的多目标粒子群算法—IWMOP-SO(invasive weed multi-objective particle swarm optimization)的多指标分配方法。该分配方法通过引入杂草克隆机制来改善Pareto最优解的收敛性和多样性。通过对大型复杂系统多个指标进行分配,其分配效果与NSGA-Ⅱ相比,得到的Pareto非劣解集多样性和均匀性好,分布范围更广,更利于设计者进行决策,是一种更有效的复杂系统多指标分配方法。     

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.