非支配排序均匀遗传算法*

根据第二代非支配排序遗传算法（NSGA Ⅱ）的不足之处,提出了一种新的多目标遗传算法——非支配排序均匀遗传算法（NSUGA）。新算法采用了多父本多点交叉方式,同时将均匀设计的思想用于算法的交叉操作;新算法还对拥挤距离的计算过程和算法的终止条件进行了改进。通过两个多目标优化测试函数的仿真计算对比,显示NSUGA算法在求解精度、计算效率和避免算法陷于局部最优解方面均优于NSGA II算法。     

基于非支配解排序的快速多目标微分进化算法

为解决基于帕累托(Pareto)支配解排序的多目标进化算法高时间复杂度问题,依据非支配解排序潜在特性,介绍了一种快速的非支配解排序方法,每次只处理当前种群中最高等级个体,且在分配等级的同时,能选择个体进入下一代,下一代被选足时即结束程序,减少了排序处理个体的数量,大幅度降低时间复杂度;另外,给出一种均匀的拥挤距离计算方法;最后,将快速非支配解排序和均匀拥挤距离计算与微分进化算法结合,提出基于非支配解排序的快速多目标微分进化算法(FMODE)。采用标准多目标优化问题ZDTl～ZDT4和ZDT6进行仿真实验：当种群个体较多(大于500)时,FMODE所用时间远小于NSGAⅡ;FMODE的总体性能上均优于经典的NSGAⅡ、SPEAⅡ和DEMO;在FMODE框架内,采用均匀拥挤距离在性能上也明显优于经典拥挤计算方法;并通过实验确定了FMODE算法的参数。实验结果表明FMODE能够减少计算等级时的处理时间,并在收敛性和多样性指标上明显优于对比算法。     

一种快速的双目标非支配排序算法

提出一种快速的双目标非支配排序算法(BNSA)。设计了前向比较操作,以便快速识别非支配个体。提出了按需排序策略,避免生成多余的非支配前沿。论证BNSA算法的正确性,分析其时间复杂度为O(NlogN)。在9个标准的双目标优化测试问题上进行了比较实验。实验结果表明与其它3种非支配排序算法相比,BNSA算法在大多数测试问题上具有更快速的性能。当进化代数超过400代时,BNSA在所有的测试问题上都具有最好的加速效果。此外,BNSA算法简明、易于编程实现,可集成到任何基于非支配排序的多目标进化算法中,能较大程度地提高双目标优化的运行速度。     

膜系统下的一种多目标优化算法

提出一种基于膜优化理论的多目标优化算法,该算法受膜计算的启发,结合膜结构、多重集和反应规则来求解多目标优化问题。为了增强算法的适应能力,采用了遗传算法中的交叉与变异机制,同时在膜中引入外部档案集,并采用非支配排序和拥挤距离方法对外部档案集进行更新操作来提高搜索解的多样性。仿真实验采用标准的KUR和ZDT系列多目标问题对所提出的算法进行测试,通过该算法得出的非支配解集能够较好地逼近真实的Pareto前沿,说明所提算法在求解多目标优化问题上具有可行性和有效性。     

DNA遗传算法研究

DNA计算与遗传算法的集成起了科学界的广泛关注。交叉操作是DNA遗传算法（DNA-GA）的核心,其效率和精度直接影响到计算结果。论文主要介绍了DNA-GA计算过程中的交叉、变异问题及已有的几种主要的交叉变异方法,最后指出了DNA-GA存在的问题及研究方向。     

零等待约束下多产品间歇过程的多目标调度

针对零等待约束下多产品间歇过程的总流程时间和完工时间最小化问题,提出一种多目标离散组搜索算法求解.在采用启发式规则产生初始解的基础上,通过发现者、追随者和巡逻者的操作设计,算法不断更新Pareto前沿,同时,混合了基于插入邻域的多目标局部搜索方法.大量计算实验表明,所提出的算法获得的非支配解集在IGD和Set Coverage指标上优于非支配排序遗传算法和模拟退火算法,可为多目标决策者提供更好的决策依据,利于间歇生产过程的优化运行.     

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.     

一种改进的小生境多目标粒子群优化算法

提出一种小生境多目标粒子群优化算法。使用环邻域拓扑且无需任何小生境参数,克服常规小生境技术中需确定小生境参数的困难。采用NSGA-II的非支配排序策略和动态加权方法选择最优粒子。基于拥挤度的变异操作引导粒子跳出局部最优,增强算法的全局搜索能力。通过对ZDT1~ZDT4和ZDT6的测试结果表明,与经典的多目标进化算法NSGA-II、PESA-II和MOPSO相比,该算法在最优解集的收敛度与多样性方面具有明显的优势。     

一种改进的非支配排序遗传算法

提出了一种改进的非支配排序遗传算法。通过扩大第一代种群规模,在初期加速种群的进化;对选择算子引入概率操作来提高种群的多样性;同时引入混合交叉算子,动态调节算法的搜索空间。最后以收敛性和分布性作为性能指标,使用公开的多目标测试函数对其进行测试,并与基本的非支配排序遗传算法和改进的多目标粒子群算法进行比较。实验结果表明,改进后的非支配排序遗传算法在收敛性和分布性两方面均有提升。     

基于LCA与NSGA-II的混合算法解多目标优化问题

针对非支配遗传算法(NSGA-Ⅱ)存在易过早收敛和计算时间长的问题,本文提出一种列队竞争算法(LCA)与非支配排序遗传算法的混合算法(LCA-NSGA-Ⅱ)。通过将列队竞争算法引入NSGA-Ⅱ,均衡全局搜索和局部搜索,以解决NSGA-Ⅱ早熟的问题,并利用一种快速排序方法,降低非支配排序的时间复杂度,采用动态的拥挤度计算方法,保持外部存档集的均匀性。将LCA-NSGA-Ⅱ用于经典测试函数的计算,在收敛性、分布性和运算效率方面都取得了比NSGA-Ⅱ更好的效果。最后,在ASPEN PLUS与MATLAB集成平台上,用LCA-NSGA-Ⅱ算法以烯烃回收率和能耗为目标优化MTO烯烃分离过程,为实际操作优化提供指导方向。     

采用DNA进化算法优化设计TS模糊控制器

The DNA evolutionary algorithm(DNA-EA)and the DNA genetic algorithm(DNA-GA)based on a new DNA encoding method are propsed based on the structure and the genetic mechanism of biological DNA. The DNA-EA and the DNA-GA are applied into the optimal design of TS fuzzy control system. The simulation results show the effectiveness of the two DNA algorithms, excellent self-learning capability. However, the DNA-EA is superior to the DNA-GA in the simulation performance.     

基于DNA遗传算法的曲面最短路径问题

DNA遗传算法采用遗传算法的整体结构，借助生物学DNA技术，利用DNA双螺旋结构和碱基互补配对原则进行编码运算，继承了遗传算法全局搜索的能力，提高了算法的有效性和收敛速度，避免了经典的遗传算法容易出现的“早熟收敛”和“收敛速度慢”的难题，求解了曲面最短路径规划问题。数值仿真实例证明了该算法的有效性和实用性。     

基于改进NSGA-Ⅱ算法的开关磁阻电机再生制动优化控制方法

针对采用传统优化算法优化开关磁阻电机再生制动控制参数存在制动能量回馈效率低及制动转矩脉动系数大的问题,提出一种基于渐近约束支配法则的双目标非支配排序遗传算法。首先针对传统双目标非支配排序遗传算法优化开关磁阻电机再生制动控制参数时存在易陷入局部最优解等不足,提出一种渐近约束支配法则,再将基于渐近约束支配法则的双目标非支配排序遗传算法应用于开关磁阻电机再生制动控制参数的优化,并对其效果进行了仿真验证,同时与传统双目标非支配排序遗传算法进行了对比分析,结果表明:基于渐近约束支配法则的双目标非支配排序遗传算法不仅有效解决了易陷入局部最优解的问题,而且显著提高了开关磁阻电机再生制动效率并降低了其转矩脉动系数,取得了满意的优化效果。     

Multi-objective optimization of TSK fuzzy models

In this paper we propose a hybrid algorithm to optimize the structure of TSK type fuzzy model using backpropagation (BP) learning algorithm and non-dominated sorting genetic algorithm (NSGA-II). In a first step, BP algorithm is used to optimize the parameters of the model (parameters of membership functions and fuzzy rules). NSGA-II is used in a second phase, to optimize the number of fuzzy rules and to fine tune the parameters. A well known benchmark is used to evaluate performances of the proposed modelling approach, and compare it with other modelling approaches.     

基于DNA-GA的PID参数优化

论文首次采用DNA-GA进行PID参数寻优,仿真表明,采用DNA-GA在进化代数相同时能找到比常规遗传算法更优的控制参数,该算法对PID控制参数寻优是实用的和有效的,优于常规的遗传算法,具有很好的应用前景。     

An energy-efficient reliable grid scheduling model using NSGA-II

Job scheduling in computational grid is a complex problem and various heuristics and meta-heuristics have been proposed for the same. These approaches usually optimize specific characteristic parameters while allocating the jobs on the grid resources. Many a times, it is desired to optimize multiple parameters during job scheduling. Non-dominated sorting genetic algorithm (NSGA-II) has been observed to be the best meta-heuristic to solve such multi-objective optimization problem. The proposed work applies NSGA-II for job scheduling in computational grid with three conflicting objectives: maximizing reliability of the system for job allocation, minimizing energy consumption and balancing the load on the system. Performance study of the proposed model is done by simulating it on some real data. The result indicates that the proposed model performs well with multiple objectives.     

改进非支配排序精英遗传算法的篦冷机参数优化

为优化篦冷机控制参数,提高换热效率,将传热和粘性耗散引起的修正熵产数分别作为目标函数,利用遗传算法对篦冷机参数进行多目标优化.为增加多目标遗传算法的种群多样性,提高算法的局部搜索能力,对传统的非支配排序精英遗传算法(NSGA-Ⅱ)进行部分功能改进.构建多种群、多交叉算子的操作模式,根据子种群对最优解集的贡献量自适应调节子种群规模,利用局部搜索算法提高算法的局部搜索能力.通过标准多目标优化问题验证所提出算法的有效性,并根据优化得到的篦冷机熵产数的最优解集,给出冷却风机功率最小的最优控制方案,通过与生产线的实际数据进行对比验证其优化效果.     

Optimization of friction stir welding process using NSGA-II and DEMO

In welding processes, the selection of optimal process parameter settings is very important to achieve best weld qualities. In this work, neuro-multi-objective evolutionary algorithms (EAs) are proposed to optimize the process parameters in friction stir welding process. Artificial neural network (ANN) models are developed for the simulation of the correlation between process parameters and mechanical properties of the weld using back-propagation algorithm. The weld qualities of the weld joint, such as ultimate tensile strength, yield stress, elongation, bending angle and hardness of the nugget zone, are considered. In order to optimize those quality characteristics, two multi-objective EAs that are non-dominated sorting genetic algorithm II and differential evolution for multi-objective are coupled with the developed ANN models. In the end, multi-criteria decision-making method which is technique for order preference by similarity to the ideal solution is applied on the Pareto front to extract the best solutions. Comparisons are conducted between results obtained from the proposed techniques, and confirmation experiments are performed to verify the simulated results.

     

基于深度强化学习种群优化的演化式分拣调度算法

机械制造中的产线分拣作业具有问题与数据的双重复杂性,为了对分拣操作进行优化以提高生产效率,设计了一套分拣作业的数据表示方法与一种基于种群优化的演化式算法,同时整理并公开了一个真实的工业数据集。数据表示方法通过借鉴词袋模型对原始作业数据进行抽象表示;演化式算法使用深度强化学习初始化遗传算法中的种群,同时引入了精英保留策略以提高算法的优化能力。最后,将提出的算法与其他算法在真实的工业数据集与旅行商问题数据集上进行了对比。结果表明,该算法能找到更优的分拣顺序与访问路径,验证了算法的有效性。     

自适应的非支配排序遗传算法

针对带精英策略的非支配排序遗传算法不能根据环境变化自适应地动态调整运行参数,难以实现对解空间的高效搜索,提出一种自适应的非支配排序遗传算法.所提出算法根据运行阶段、运行代数和当前临时种群非支配个体数动态调整进化个体的运行参数,通过提高进化算子的自适应能力使算法具有自适应性.经实验对比,所提出算法在收敛性、多样性两方面确有提升,可以有效提高原算法的搜索能力.