二维目标下分布性与收敛性结合的种群维护策略

种群维护是多目标进化算法的重要组成部分。针对传统方法在维护过程中只考虑分布性的情况,提出一种分布性与收敛性结合的种群维护策略,该方法用一种邻近个体间的相对趋近关系来表示其适应值,弥补了单纯Pareto支配关系的“粗糙性”,并用一种可调邻域的方法对种群的密集程度进行控制。将其与NSGA-II和SPEA2进行对比,实验结果表明该算法在有效保持种群分布性的同时,拥有良好的收敛性和速度。     

多目标进化算法中基于动态聚集距离的分布性保持策略 *

提出了基于动态聚集距离 ( DCD)的分布性保持策略 ,利用个体在不同维目标上聚集距离的差异程度来定义 DCD,并在种群维护中动态地计算 DCD。与目前经典算法 NSGA-II和ε -MOEA进行比较 ,实验结果表明 DCD能在较大程度上提高分布性 ,并得到较好的收敛性。     

多目标进化算法中基于聚集距离调整的分布性保持方法

在经典的非支配排序遗传算法中,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。提出一种改进的基于聚集距离调整的分布性维护策略,根据邻近个体的聚集距离大小关系,保留分布较好的个体。与经典算法NSGA-Ⅱ,PESA-Ⅱ和小生境方法进行比较,实验结果表明,提出的分布性维护策略能较大程度提高分布性,并保持较好的收敛性。     

基于个体邻域的改进NSGA-Ⅱ算法

带有精英策略的非支配排序遗传算法（NSGA-II）是在NSGA的基础之上，提出拥挤度和拥挤度比较算子，代替了需要指定共享半径的适应度共享策略，是解决多目标优化问题的经典算法之一。但是NSGA-II算法在保持种群多样性时采取的拥挤距离排挤机制有着pareto前沿分布不均匀的缺陷，因此，提出一种基于个体邻域的改进NSGA-II算法SN-NSGA2。SN-NSGA2将密度聚类算法DBSCAN中邻域的思想应用到排挤机制中去，提出一种个体邻域的构建方法，采用相应的淘汰策略去除个体邻域中的其他邻居个体。实验结果表明相对于NSGA-II算法来说，新算法求出的pareto解集有着更好的分布性以及良好的收敛性。     

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主要是使算法快速收敛,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,提出了一种新的构造种群的策略——按照聚集距离选取部分非支配个体,并选取部分较好的支配个体形成下一代种群。该策略与原算法相结合后的算法（NSGA-II+IMP）与原NSGA-II进行比较,结果表明新算法较好地改善了分布性和收敛性。     

一种基于相似个体的多目标进化算法

分布性保持是多目标进化算法研究的一个重要方面,一个好的分布性能给决策者提供更多合理有效的选择。Pareto最优解的分布性主要体现在分布广度与均匀性两个方面。提出一种基于相似个体的多目标进化算法（SMOEA）。在种群维护中删除相似程度最大的个体;在进化操作中,选取了相似程度最大的个体进行进化。与目前经典算法NSGA-II和ε-MOEA进行比较,结果表明新算法拥有良好的分布性,同时也较好的改善了收敛性。     

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。     

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.     

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.     

一种改进的粒子群多目标优化算法研究

为了解决多目标优化过程中各个解之间存在的资源争夺、冲突,算法由于趋同性而带来的早熟无法收敛等缺点,文中提出了一种多子种群协同优化粒子群算法。算法分别采用不同的种群优化不同的目标,并且在算法中引入外部档案和精英学习策略,使得算法能够得到更多的外部档案的解供选择,精英学习策略是为了使算法的分布性和收敛性更好。最后将算法应用到多目标测试函数中,通过实验验证了改进后的算法的收敛性和分布性都比经典多目标算法NSGA-II要好。     

一种改进的基于NSGA-II和DE的多目标混合进化算法

为提高非支配排序遗传算法（NSGA-II）的搜索精度和多样性,本文借鉴差分进化中加强局部搜索的策略,提出了一种改进的NSGA-II算法（LDMNSGA-II）。该算法利用拉丁超立方体抽样技术对解种群进行初始化,保证种群的初始分布能够均匀,采用差分进化中的变异引导算子和交叉算子替换NSGA-II的交叉算子,加强局部搜索能力和提高搜索精度,同时保留NSGA-II中的变异算子,保留算法多样性。四个经典测试函数的仿真结果表明,文中算法LDMNSGA-II在解决多目标优化问题中表现出良好的综合性能。     

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。     

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。     

一种改进的多目标演化算法

保持解集的多样性和分布性是多目标进化算法的关键之一。在NSGA-II的基础上,提出了一种用混合距离来估计个体的拥挤度,并使用优先队列根据个体的混合距离来逐个删除种群中超出的非劣解以保持解的多样性,实验结果表明,HD-NSGA-II比NSGA-II的解分布的更加合理且分布度有很大的提高。     

提高MOEAs解集的分布性 ——一种基于∞范数的逐步方法

解集的分布性是多目标优化中最重要的研究工作之一,解集的分布性主要体现在两个方面,一是解集的分布广度;二是解集的均匀性。在多目标进化算法（MOEAs）中,解集分布性的保持放在种群维护中实现,提出一种基于∞范数的逐步方法（INS）来提高MOEAs解集的分布性,INS用∞范数来衡量个体的分布性,用逐步的方法来裁剪个体。通过与目前最流行的两个MOEAs——NSGA-II和ε-MOEA,在9个测试函数上进行实验,结果表明INS能很好地提高解集的分布性。     

基于向量角分解的高维多目标进化算法

选择是进化的主要驱动力,也是多目标进化算法的关键特征,然而,在处理高维多目标问题时,随着目标维数的增加种群的收敛性和分布性的冲突加剧,传统多目标进化算法中的选择算子已难以有效地维持种群的收敛性与分布性之间的平衡.针对该问题,提出一种基于向量角分解的高维多目标进化算法.首先,将个体本身作为参考向量,利用目标向量之间的夹角作为个体的相似度测度估计种群分布性,以减轻算法预先指定权重向量的负担;然后,利用成绩标量函数作为个体的收敛性测度,该收敛测度在引导种群走向Pareto最优前沿方面发挥着重要作用;最后,提出一种基于向量角分解的精英选择策略,其在环境选择过程中利用向量角信息将目标空间动态分解,并利用成绩标量函数从分布性较好的区域中挑选较好的个体进入下一代,能够动态地平衡种群的收敛性和分布性.对比实验结果表明,所提出算法具有较强的竞争力,其在保持种群分布性的同时具有足够的选择压力,能够有效地引导高维目标空间的搜索.     

基于改进NSGA-II的车间排产优化算法研究

针对NSGA-II算法在处理车间排产优化问题中出现的子代种群多样性差、收敛能力差等问题,提出了一种改进NSGA-II的车间排产优化算法。改进NSGA-II算法主要对传统NSGA-II算法的交叉和变异环节,提出新的改进自适应交叉和变异算子,通过对个体拥挤度与种群平均拥挤度进行对比,并结合种群迭代进化过程,将遗传概率与种群个体及种群进化迭代次数关联,避免盲目导向性,提高种群的收敛速度;提出新的均匀进化精英保留策略,通过自适应分层次选取种群个体,解决子代种群多样性差的问题。针对车间排产问题,选择“最大化最小交货提前期”和“最小化最大理想加工时间偏差”作为目标函数,运用改进NSGA-II算法进行实际工程的仿真分析,对比改进前后算法优化的结果,验证了算法的有效性,同时证明了其应用于实际生产排产调度问题的价值参考性。     

一种基于进化知识融合的多目标人工蜂群算法

提出一种基于进化知识融合的多目标人工蜂群算法.首先,采用精英群体知识和种群自身进化知识混合引导引领蜂进化,保持种群的多样性和优异性;然后,将一种融合个体支配关系和种群分布关系的方法引入跟随蜂的概率选择中,合理选择个体进行深度开发以改善算法收敛性能和分布性能;最后,提出一种更为严格的外部档案维护策略以降低外部档案维护成本,提高解集的分布性能.通过求解标准测试函数,并与其他3种多目标优化算法进行比较,仿真结果表明所提出算法具有良好的收敛性能和分布性能,且解集的覆盖范围更广.     

基于自适应邻域策略的改进型MOEA/D算法

为避免传统MOEA/D算法使用固定领域规模易造成种群进化效率降低的情况,提出一种基于自适应邻域策略的改进算法。设计一种能够反映子问题进化幅度和种群进化状态的判断机制。针对进化过程中的收敛性和分布性需求,提出基于进化状态判断的自适应邻域策略,从而根据种群和子问题的进化状态设定不同的邻域规模。使用WFG系列测试函数进行实验,结果表明,该算法能有效平衡进化过程中种群的收敛性与分布性,提高解集的整体性能。     

一种改进的基于精英策略的EDPGA 算法

针对DPGA算法存在的收敛性能不强以及种群的多样性保持差等缺点，提出一种改进的EDPGA算法，采用精英策略、联赛选择以及交配限制等方法，提高了DPGA算法的收敛性能和外部种群的多样性，实验结果表明，EDPGA无论在收敛性还是在种群的多样性方面都有了明显的改进。