求解人力资源分配问题的多目标微粒群优化算法*

提出一种改进的多目标微粒群优化算法来求解人力资源分配问题.通过对种群进行正交初始化,保证了个体在整个可行解空间上的均匀分散,使得算法能够在整个可行解空间上进行均匀搜索;通过基于网格技术的外部存档非劣解删选策略,有效地保留了逼近Pareto前沿的非劣解;引入一种广义的学习策略来提升粒子向Pareto前沿收敛的概率.实验结...     

多目标优化问题的粒子群算法仿真研究*

研究了一种用于求解多目标优化问题的粒子群算法(CMMOPSO)。该算法采用外部存档存储每一代产生的非劣解, 并且采用拥挤距离来维持外部存档规模, 同时提出一种新的全局最优粒子的选取策略(基于拥挤距离和收敛性距离)来提升粒子向Pareto前沿飞行的概率;为提升种群跳出局部最优解的能力, 以一定的概率对外部存档中粒子进行变异操作。通过典型的多目标测试函数对提出的算法进行检测, 结果表明,CMMOPSO算法在求解多目标问题上有一定的优势。因此, CMMOPSO可以作为求解多目标优化问题的有效算法。     

基于档案交叉的动态多目标粒子群优化算法

为保证在动态环境中及时跟踪到最新的真实Pareto前沿,保持解集的均匀性,提出一种基于档案交叉的动态多目标粒子群优化算法。着重利用保存在外部档案的最新非劣解,对这些非劣解进行交叉操作以增加种群的多样性,促进档案中个体信息的交流;提出一种高效的欧氏拥挤距离策略,并将其应用于对外部档案的维护;修改粒子群算法模型使之更适用于动态多目标优化。实验结果表明,该算法能适应动态环境,快速跟踪动态Pareto面,解集均匀性良好。     

基于粒子记忆体的多目标微粒群算法*

针对多目标微粒群算法(MOPSO)解的多样性分布问题,提出一种基于粒子记忆体的多目标微粒群算法(dp-MOPSO)。dp-MOPSO算法为每个微粒分配一个记忆体,保存寻优过程中搜索到的非支配pbest集,以避免搜索信息的丢失。采用外部存档保存种群搜索到的所有Pareto解,并引入动态邻域的策略从外部存档中选择全局最优解。利用几个典型的多目标测试函数对dp-MOPSO算法的性能进行测试,并与两种著名的多目标进化算法m-DNPSO、SPEA2进行比较。实验结果表明,dp-MOPSO算法可以更好地逼近真实Pareto沿,同时所得Pareto解分布更均匀。     

多目标自适应混沌粒子群优化算法

提出一种多目标自适应混沌粒子群优化算法(MACPSO). 首先, 基于混沌序列提出一种新型动态加权方法选择全局最优粒子; 然后, 改进NSGA-II 拥挤距离计算方法, 并应用到一种严格的外部存档更新策略中; 最后, 针对外部存档提出一种基于世代距离的自适应变异策略. 以上操作不仅提高了算法的收敛性, 而且提高了Pareto 最优解的均匀性. 实验结果表明了所提出算法的有效性.

     

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。     

基于自适应拥挤网格的多目标粒子群算法

粒子群算法求解多目标问题极易收敛到伪Parct。前沿(等价于单目标优化问题中的局部最优解),并且收敛速度较慢。鉴于此,提出一种基于自适应拥挤网格的多目标粒子群算法(ACG-MOPSO)。其特点包括:利用自适应网格和拥挤距离确定外部存档中粒子的密度,并利用密度信息维持外部存档的规模;利用外部存档中非劣解的密度和拥挤距离信息确定全局最优粒子,提升粒子向Parcto前沿收敛的概率。模拟结果表明该算法在求解多目标问题上要优于其它算法。     

一种实数编码多目标贝叶斯优化算法

提出了一种采用基于决策树概率模型表示各变量之间条件相关性的分布估算算法:实数编码多目标贝叶斯优化算法(RCMBOA)。通过构建这样的概率模型,继而对模型进行抽样以产生新个体。再对生成的新个体进行变异操作,以提高算法的搜索能力,增加种群的多样性。这种生成新个体的方法结合非劣分层与截断选择机制,可以很好地逼近多目标问题的Pareto前沿。同时,在进行截断选择时,每次只删除一个排挤距离小的个体,之后重新估算个体的排挤距离,以获得分布均匀的非劣解集。对于约束多目标优化问题,算法采用带约束支配关系判别个体的优劣。用该算法对8个较难的测试问题进行了优化计算,获得的非劣解集与NSGA-II算法得到的相比,非劣解集的质量更高,分布更为均匀。计算结果说明RCMBOA是一种有效、鲁棒的多目标优化算法。     

基于动态邻居和变异因子的多目标粒子群算法*

为了克服粒子群算法求解多目标问题极易收敛到伪Pareto前沿(等价于单目标优化问题中的局部最优解)和收敛速度较慢的缺陷,提出一种合并帕累托占优概念到动态邻居和变异因子的粒子群算法(particle swarm optimizer based on dynamic neighbor topology and mutation operator,DNMPSO)来处理多目标优化问题(DNMMOPSO),该算法也合并了外部存档技术来存储每次迭代产生的非劣解。模拟结果表明,提出的算法在多目标检测问题上要优于其他算法     

一种解决多目标优化问题改进的进化规划算法

目前,大多数多目标进化算法采用非优超排序的方法逼近Pareto前沿,此方法存在的一个致命弱点是需要花费大量的时间检验非劣解,效率很低。论文提出了一种新的多目标进化规划算法,将初始群体划分为可替换部分与不可替换部分,并用外部文件存储进化过程中得到的非劣解,大大减少了检验非劣解所需的工作,加快了算法的收敛速度。仿真试验表明,与传统的基于非优超排序的多目标进化规划算法相比,该算法在效率上有很大的改善,并能更好地逼近Pareto前沿。     

基于自适应学习的多目标粒子群优化算法

将进化算法应用于某些多目标优化问题时,采用增加种群规模和进化代数的方法往往耗费大量的目标函数计算开销,且达不到提高种群进化效率的目的,为此提出了一种基于自适应学习最优搜索方向的多目标粒子群优化算法。采用自适应惯性权值平衡算法的全局和局部搜索能力,采用聚类排挤方法保持Pareto非支配解集的分布均匀性,使用最近邻学习方法为每个粒子在Pareto非支配解集中寻找一个最优飞行目标来提高其收敛速度并保持粒子群搜索方向的多样性。实验结果表明,提出的算法可在显著地降低函数评估成本的前提下实现快速的搜索,并使粒子群均匀地逼近Pareto最优面。     

应用于彩色图像分割的半监督多目标进化聚类算法*

为了有效的使用用户给定的先验信息,并从多个角度考虑图像分割问题,本文提出了应用于彩色图像分割的半监督多目标进化模糊聚类算法。首先,将半监督方法引入到多目标进化聚类算法中,通过使用少量的监督信息指导聚类过程;其次,将最大熵正则化引入到带有监督信息的目标函数中,使目标函数具有清晰的物理意义;最后,利用监督信息构造基于相似性度量的有效指标从非支配解集中选择一个最优解。实验结果表明,该算法与传统的多目标进化聚类算法及半监督模糊聚类算法相比具有更好的灵活性和准确性。     

多蚁群分级优化的多目标求解方法*

为提高多目标优化方法的求解性能,在给出了蚁群算法优化函数类问题求解方法的基础上,提出了基于多蚁群分级优化多目标问题的求解方法。构建了子蚁群以自身启发式信息及以其他子群的启发式信息获得准Pareto解以及采用各子群的每一只蚂蚁获得的准Pareto解作支配判断,从而提高Pareto解的多样性;构建了父蚁群以准Pareto解作为空间节点构成TSP类似的组合优化问题,其求解结果以获得多目标优化问题的Pareto解的前沿,从而提高Pareto解的均匀分布性。通过优化实例验证,结果表明,多蚁群分级优化的多目标求解方法     

一种基于模拟退火的多目标Memetic算法

为了改善多目标进化算法的搜索效率，提出了基于模拟退火的多目标Memetic算法．此算法根据Pareto占优关系评价个体适应值，采用模拟退火进行局部搜索，并结合交叉算子和基于网格密度的选择机制改善算法的收敛速度和解的均衡分布．flowshop调度问题算例的仿真结果表明，基于模拟退火的多目标Memetic算法能够产生更接近Pareto前沿的近似集．     

基于系统能量理论的多目标优化聚类集成研究

为提高聚类集成算法效率,弥补以往聚类集成算法的不足,确保多数聚类成员分簇的均匀无偏差,提出了一种新的基于聚类集成的多目标聚类分析框架,并利用系统能量理论定义了多目标聚类问题的优化目标函数。在此基础上,设计了一种启发式的K-ETMC聚类集成算法,并对Iris、Wine、Soybean三个数据集进行了快速有效的聚类分析,通过与MCLA,HGPA,CSPA三个典型聚类集成算法比较表明：该算法聚类效果较好,能够有效地改善聚类结果。     

Ant Colony Optimization based clustering methodology

In this work we consider spatial clustering problem with no a priori information. The number of clusters is unknown, and clusters may have arbitrary shapes and density differences. The proposed clustering methodology addresses several challenges of the clustering problem including solution evaluation, neighborhood construction, and data set reduction. In this context, we first introduce two objective functions, namely adjusted compactness and relative separation. Each objective function evaluates the clustering solution with respect to the local characteristics of the neighborhoods. This allows us to measure the quality of a wide range of clustering solutions without a priori information. Next, using the two objective functions we present a novel clustering methodology based on Ant Colony Optimization (ACO-C). ACO-C works in a multi-objective setting and yields a set of non-dominated solutions. ACO-C has two pre-processing steps: neighborhood construction and data set reduction. The former extracts the local characteristics of data points, whereas the latter is used for scalability. We compare the proposed methodology with other clustering approaches. The experimental results indicate that ACO-C outperforms the competing approaches. The multi-objective evaluation mechanism relative to the neighborhoods enhances the extraction of the arbitrary-shaped clusters having density variations.     

基于多目标粒子群算法的混合流水车间调度方法研究

混合流水车间调度问题HFSP是一种具有很强应用背景的生产调度问题。本文给出了一种HFSP多目标调度模型,提出了一种针对该类问题的多目标粒子群算法。该算法采用基于Pareto支配关系的极值更新策略;采取对自适应惯性权重递减和对种群变异的方法以保持种群多样性;设置Pareto解池保存计算中出现的Pareto最优解,并提出了一种基于适应度拥挤度的聚类算法优化解的分布特性。实验结果表明,本文算法是求解HFSP问题的一种有效方法。     

基于半监督的多目标进化模糊聚类算法

为了解决传统聚类由于缺少有效指导而导致图像分割结果不理想的问题,将半监督方法引入到多目标进化模糊聚类算法中,提出了一种基于半监督的多目标进化模糊聚类。图像分割算法通过构造基于半监督的类内紧致性函数和类间分离度函数,利用监督信息指导聚类过程获得非支配解集。为了从非支配解集中选择一个最优解,利用监督信息构造了基于相似性度量的有效性指标。实验结果表明,提出的方法在分割准确率和视觉效果上明显优于无监督的聚类方法。     

基于IFI与FUA的Pareto遗传算法

在适应值快速辨识算法和基于聚类排挤的外部种群快速替换算法的基础上，提出了搜索Pareto最优解集的快速遗传算法。在该算法中，IFI算法实现个体适应值的快速辨识，FUA维持种群多样度和Pareto最优解集的均匀分布性。采用FPGA算法对多种多目标0/1背包问题进行仿真优化，FPGA算法能够以较少的计算成本搜索到高精度、分布均匀、高质量的Pareto非劣解集，收敛速度和收敛准确性均优于强度Pareto进化算法(SPEA)。     

制造资源混合粒度优化组合方案求解技术

为实现对云请求端制造需求的快速响应并提供最理想的制造云,在定义制造云服务(manufacturing cloudservice,MCS)的基础上,提出了MCS混合粒度动态优化组合方法.通过对制造服务需求的解析,将MCS按照粒度从大到小的顺序进行匹配,实现了云池资源的初次过滤;然后构建基于总服务成本、服务质量和交易期的制造云多目标优化数学模型,并引入Epsilon-SPEA2优化算法对该优化问题进行求解,从而快速高效地获得Pareto最优解;采用基于改进优劣解距离(technique for order preference by similarity to an ideal solution,TOPSIS)的动态多属性决策方法对Pareto最优解所代表的互为非支配的MCS组合方案进行评价排序,筛选出最优的MCS组合方案.最后结合某区域模具公司群所能提供的制造服务以及相应历史数据,依据客户需求进行MCS的动态优化组合仿真,验证了文中方法的可行性和实用性.