一种求解鲁棒优化问题的多目标进化方法

鲁棒优化问题（Robust Optimization Problem,ROP）是进化算法（Evolutionary Algorithms,EAs）研究的重要方面之一,对于许多实际工程优化问题,通常需要得到鲁棒最优解。利用多目标优化中的Pareto思想优化ROP的鲁棒性和最优性,将ROP转化为一个两目标的优化问题,一个目标为解的鲁棒性,一个目标为解的最优性。针对ROP与多目标优化的特点,利用动态加权思想,设计一种求解ROP的多目标进化算法。通过测试函数的实验仿真,验证了该方法的有效性。     

一种改进的鲁棒多目标优化方法

针对在解决某些复杂多目标优化问题过程中,所得到的Pareto最优解易受设计参数或环境参数扰动的影响,引入了鲁棒的概念并提出一种改进的鲁棒多目标优化方法,它利用了经典的基于适应度函数期望和方差方法各自的优势,有效地将两种方法结合在一起。为了实现该方法,给出一种基于粒子群优化算法的多目标优化算法。仿真实例结果表明,所给出的方法能够得到更为鲁棒的Pareto最优解。     

记忆增强的动态多目标分解进化算法

现实世界中的一些多目标优化问题经常受动态环境影响而不断发生变化,要求优化算法不断地及时跟踪时变的Pareto 最优解集.提出了一种记忆增强的动态多目标分解进化算法.将动态多目标优化问题分解为若干个动态单目标优化子问题并同时优化这些子问题,以便快速逼近Pareto 最优解集.给出了一个改进的环境变化检测算子,以便更好地检测环境变化.设计了一种基于子问题的串式记忆方法,利用过去类似环境下搜索到的最优解来有效地响应新的环境变化.在8 个标准的测试问题上,将新算法与其他3 种记忆增强的动态进化多目标优化算法进行了实验比较.结果表明,新算法比其他3 种算法具有更快的运行速度、更强的记忆能力与鲁棒性能,并且新算法所获得的解集还具有更好的收敛性与分布性.     

进化算法鲁棒最优解研究综述

在实际应用中,环境往往是不稳定的且易受到噪声的影响.因此,时于许多现实优化问题,一个鲁棒性好的解具有重要的意义.然而,以往关于进化算法(EAs)的研究主要集中在寻找全局最优解,解的鲁棒性却没有得到重视.从单目标鲁棒最优解、多目标鲁棒最优解及效率等方面较全面地分析了目前EAs搜索鲁棒最优解的研究现状.最后对相关研究工作做了展望.     

基于Pareto 解集关联与预测的动态多目标进化算法

针对动态多目标优化问题,提出一种基于Pareto解集关联与预测的动态多目标进化算法(LP-DMOEA),设计了基于超块的Pareto解集关联方法.该方法能够动态维护若干描述Pareto解变化规律的时间序列,通过对新环境下的Pareto解集进行预测来生成初始种群.将LP-DMOEA应用于非劣分类遗传算法(NSGA2),并对3类标准测试函数进行了实验,所得结果表明该方法能够有效求解动态优化问题.     

多配送中心危险货物配送路径鲁棒优化

针对危险货物配送路径对不确定因素敏感度较高的问题,提出了鲁棒性可调的多配送中心危险货物配送路径鲁棒优化方法。首先,以最小化运输风险和最小化运输成本为目标,根据Bertsimas鲁棒离散优化理论,建立鲁棒优化模型;然后,在改进型强度Pareto进化算法（SPEA2）的基础上设计一种三段式编码的多目标遗传算法进行求解,在遗传操作中对不同染色体段分别采用不同的交叉和变异操作,有效避免了种群进化过程中不可行解的产生;最后,以庆阳市西峰区部分路网为例进行实证研究,并将配送方案落实到运输过程的路段中,形成具体的运输路径。研究结果表明：在多配送中心下,运用该鲁棒优化模型及算法,能快速得到具有较好鲁棒性的危险货物配送路径。     

基于问题特征变化引导的动态鲁棒优化算法

随着时间的推移,鲁棒优化是解决动态优化问题的一种新方法,其目标是找到在很长一段时间内仍然可以接受的解决方案。该领域中大多试图根据其未来预测适应度值来寻找新的鲁棒解决方案,然而,预测未来的适应度值的误差往往偏大,对其寻求较好的鲁棒解造成较大的困难。针对这一问题,提出了一个基于问题特征变化引导的算法框架（ROOT-PFCG）来进行动态鲁棒优化。其问题特征变化情况主要参考解在当前环境下的目标函数值和相应相邻环境下的目标函数浮动值,由此提出三个重要指标。在预测和非预测的情况下,基于指标分别提出了三种不同的适应度决策规则来选解,保证其所选解受预测误差影响较小或不受影响,以此寻找更优的鲁棒解,并在此基础上提出了新的性能评价指标。在基准问题上的实验结果表明,所提出的算法能更好地提升鲁棒解的性能,并对不同情况下的指标进一步分析了其对性能的影响,在此基础上分析了更好的指标结合方法。     

基于动态参考规划的鲁棒Tube模型预测跟踪控制

为实现扰动和约束作用下对系统的最优鲁棒跟踪, 提出一种动态参考规划(DRP)方法, 设计鲁棒Tube模型预测控制器(RTMPC)将系统状态驱动到以最优跟踪点为中心的扰动不变集内. 基于DRP的RTMPC控制方法, 以多步参考为决策变量, 确保在线优化递归可行性的同时, 增加在线优化的自由度; 另外, 通过设定目标函数惩罚标称状态轨迹和参考稳态之间、以及最后一步参考稳态和设定点之间的加权欧式距离, 可实现最优鲁棒跟踪.     

鲁棒多目标线性规划模型及混合遗传算法

针对目标函数系数和约束条件系数均在椭球扰动集下的不确定多目标线性规划, 提出了椭球扰动集下的鲁棒多目标线性规划问题。基于每个目标均需获得鲁棒解的假设下给出了定理及证明, 以此把原问题转换为具有二阶锥约束的确定性多目标优化问题。设计了一种混合策略求解算法, 整体流程采用多目标遗传算法, 局部采用SOCP优化软件Sedumi进行计算, 从而获得不确定多目标线性规划的鲁棒解集, 并通过数值算例验证了该算法的有效性。     

不确定旅行商问题的鲁棒模型及其算法研究

旅行商问题是一类重要的组合优化问题。针对不确定旅行商问题,采用区间数来描述其城市间的旅行时间。在鲁棒优化理论框架下,建立其模型。该模型的突出特点是其鲁棒性可调。提出了一类求解该模型的精确算法和蚁群算法。与精确算法相比较,结果表明了所提出的蚁群算法能在较短时间内求得最优或近优的解。最后,分析了模型的性能,结论表明,在不确定环境下,鲁棒解是有效的。     

Introducing robustness in multi-objective optimization

In optimization studies including multi-objective optimization, the main focus is placed on finding the global optimum or global Pareto-optimal solutions, representing the best possible objective values. However, in practice, users may not always be interested in finding the so-called global best solutions, particularly when these solutions are quite sensitive to the variable perturbations which cannot be avoided in practice. In such cases, practitioners are interested in finding the robust solutions which are less sensitive to small perturbations in variables. Although robust optimization is dealt with in detail in single-objective evolutionary optimization studies, in this paper, we present two different robust multi-objective optimization procedures, where the emphasis is to find a robust frontier, instead of the global Pareto-optimal frontier in a problem. The first procedure is a straightforward extension of a technique used for single-objective optimization and the second procedure is a more practical approach enabling a user to set the extent of robustness desired in a problem. To demonstrate the differences between global and robust multi-objective optimization principles and the differences between the two robust optimization procedures suggested here, we develop a number of constrained and unconstrained test problems having two and three objectives and show simulation results using an evolutionary multi-objective optimization (EMO) algorithm. Finally, we also apply both robust optimization methodologies to an engineering design problem.     

A novel evolutionary root system growth algorithm for solving multi-objective optimization problems

This paper proposes a novel multi-objective root system growth optimizer (MORSGO) for the copper strip burdening optimization. The MORSGO aims to handle multi-objective problems with satisfactory convergence and diversity via implementing adaptive root growth operators with a pool of multi-objective search rules and strategies. Specifically, the single-objective root growth operators including branching, regrowing and auxin-based tropisms are deliberately designed. They have merits of appropriately balancing exploring & exploiting and self-adaptively varying population size to reduce redundant computation. The effective multi-objective strategies including the fast non-dominated sorting and the farthest-candidate selection are developed for saving and retrieving the Pareto optimal solutions with remarkable approximation as well as uniform spread of Pareto-optimal solutions. With comprehensive evaluation against a suit of benchmark functions, the MORSGO is verified experimentally to be superior or at least comparable to its competitors in terms of the IGD and HV metrics. The MORSGO is then validated to solve the real-world copper strip burdening optimization with different elements. Computation results verifies the potential and effectiveness of the MORSGO to resolve complex industrial process optimization.     

动态多目标优化进化算法及性能分析

针对动态多目标优化问题提出了一种求解的新进化算法。首先,构建了一种近似估计新环境下动态多目标优化问题的Pareto核迁移估计模型。其次,当探测到问题环境发生改变时,算法利用以前环境搜索到的Pareto核的有效信息通过Pareto核迁移估计模型对新环境下的进化种群进行近似估计;当问题的环境未发生变化时,引入了带区间分割的变异算子和非劣解存档保优策略,以提高算法的搜索效率。最后计算机仿真表明新算法对动态多目标优化问题十分有效。     

A novel cooperative coevolutionary dynamic multi-objective optimization algorithm using a new predictive model

Dynamic multi-objective optimization problem (DMOP) is quite challenging and it dues to that there are multiple conflicting objects changing over with time or environment. In this paper, a novel cooperative coevolutionary dynamic multi-objective optimization algorithm (PNSCCDMO) is proposed. The main idea of a new cooperative coevolution based on non-dominated sorting is that it allows the decomposition process of the optimization problem according to the search space of decision variables, and each species subcomponents will cooperate to evolve for better solutions. This way derives from nature and can improve convergence significantly. A modified linear regression prediction strategy is used to make rapid response to the new changes in the environment. The effectiveness of PNSCCDMO is validated against various of DMOPs compared with the other four algorithms, and the experimental result indicates PNSCCDMO has a good capability to track the Pareto front as it is changed with time in dynamic environments.     

基于幂变换的多目标进化算法MOEA?D权重设计方法

在多目标最优化问题中,如何求解一组均匀散布在前沿界面上的有效解具有重要意义.MOEA?D是最近出现的一种杰出的多目标进化算法,当前沿界面的形状是某种已知的类型时,MOEA?D使用高级分解的方法容易求出均匀散布在前沿界面上的有效解.然而,多目标优化问题的前沿界面的形状通常是未知的.为了使MOEA?D能求出一般多目标优化问题的均匀散布的有效解,利用幂函数对目标进行数学变换,使变换后的多目标优化问题的前沿界面在算法的进化过程中逐渐接近希望得到的形状,提出了一种求解一般的多目标优化问题的MOEA?D算法的权重设计方法,并且讨论了经过数学变换后前沿界面的保距性问题.采用建议的权重设计方法,MOEA?D更容易求出一般的多目标优化问题均匀散布的有效解.数值结果验证了算法的有效性.     

A multi-objective artificial physics optimization algorithm based on ranks of individuals

This paper proposes a multi-objective artificial physics optimization algorithm based on individuals’ ranks. Using a Pareto sorting based technique and incorporating the concept of neighborhood crowding degree, evolutionary individuals in the search space are evaluated at first. Then each individual is assigned a unique serial number in terms of its performance, which affects the mass of the individual. Thereby, the population evolves towards the direction of the Pareto-optimal front. Synchronously, the presented approach has good diversity, such that the population is spread evenly on the Pareto front. Results of simulation on a number of difficult test problems show that the proposed algorithm, with less evolutionary generations, is able to find a better spread of solutions and better convergence near the true Pareto-optimal front compared to classical multi-objective evolutionary algorithms (NSGA, SPEA, MOPSO) and to simple multi-objective artificial physics optimization algorithm.     

动态多目标优化:测试函数和算法比较

生活中存在大量的动态多目标优化问题,应用进化算法求解动态多目标优化问题受到越来越多的关注,而动态多目标测试函数对算法的评估起着重要的作用.在已有动态多目标测试函数的基础上,设计一组新的动态多目标测试函数.Pareto最优解集和Pareto前沿面的不同变化形式影响着动态多目标测试函数的难易程度,通过引入Pareto最优解集形状的变化,结合已有的Pareto最优解集移动模式,设计一组测试函数集.基于提出的测试函数集,对3个算法进行测试,仿真实验结果表明,所设计的函数给3个算法带来了挑战,并展现出算法的优劣.     

基于决策变量关系的动态多目标优化算法

动态多目标优化问题(DMOPs)需要进化算法跟踪不断变化的Pareto最优前沿,从而在检测到环境变化时能够及时有效地做出响应.为了解决上述问题,提出一种基于决策变量关系的动态多目标优化算法.首先,通过决策变量对收敛性和多样性贡献大小的检测机制将决策变量分为收敛性相关决策变量(CV)和多样性相关决策变量(DV),对不同类型决策变量采用不同的优化策略;其次,提出一种局部搜索多样性维护机制,使个体在Pareto前沿分布更加均匀;最后,对两部分产生的组合个体进行非支配排序构成新环境下的种群.为了验证DVR的性能,将DVR与3种动态多目标优化算法在15个基准测试问题上进行比较,实验结果表明, DVR算法相较于其他3种算法表现出更优的收敛性和多样性.