混合并行机调度问题的多目标优化模型及算法

针对生产工序的合并造成一种串并联共存的生产布局,研究了一种特殊的混合并行机调度问题,并考虑以最小化总流水时间和最小化总延迟工件数量为目标的多目标调度问题,建立了混合整数规划模型.针对模型特点,设计了一种改进的非支配排序遗传算法进行求解,采用基于启发式方法的初始种群生成方式以提高种群的质量和多样性,并引入一种局域搜索策略以改善求解算法所获得的非支配解的质量及分布性.通过对大量数值算例进行仿真实验,并与典型的多目标优化算法进行比较,结果表明所提出的模型和算法在收敛性、分布性及极端点质量方面均具有优势,能够较好的解决多目标混合并行机调度问题.     

基于随机算子的快速多目标遗传算法

在NSGA-Ⅱ算法的基础上,对NSGA-Ⅱ构造非支配集的方法进行了改进,用擂台赛法则构造非支配集,当非支配集小于种群大小时,采用随机算子在可行域内随机产生新的解个体填充到下一代父种群中,形成了一种新的多目标遗传算法。在实验部分将改进后的算法和NSGA-II进行了性能比较,实验结果表明改进后的算法具有良好的分布性,算法运行效率也较高。     

基于自适应聚合距离的多目标进化算法

随着目标数的增多,种群收敛性与分布性的冲突愈加激烈,传统的多目标进化算法的选择算子难以平衡种群的收敛性与分布性.对此,提出一种基于自适应聚合距离的多目标进化算法.首先,采用参考点支配关系替代原有的Pareto支配关系,以增加选择压力,加强收敛性;其次,提出自适应聚合距离,通过动态变化的惩罚参数来自适应调整收敛性与分布性的比例;最后,设计一种带有淘汰算子的方法以改进小生境选择策略,根据自适应聚合距离的大小进行选择和淘汰操作.为验证算法的可行性,将所提出算法在测试问题上与其他4种优秀的多目标进化算法进行比较,并应用于两个实际应用中,仿真结果表明,所提出算法的综合性能更优,能有效平衡种群的收敛性与分布性.     

NSGA-Ⅱ算法的改进策略研究

带精英策略的非支配排序遗传算法(NSGA-Ⅱ)在多目标优化领域具有广泛的应用,但该算法种群收敛分布不均匀,全局搜索能力较弱,算法运行速度较慢。针对这些局限性提出了改进的排序适应度策略、算术交叉算子策略、按需分层策略和设定阈值选择策略。在典型的测试函数集上的数值实验结果表明,根据这些策略改进的算法得到的非劣解集具有较好的分布性,同时收敛速度更快。     

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。     

用于约束多目标优化问题的热力学遗传算法

为了保持所求得的约束多目标优化问题Pareto最优解的适应度与多样性,在NSGA-Ⅱ基础上提出了一种用于求解有约束的多目标优化问题的热力学遗传算法.结合热力学中自由能与熵的概念,利用热力学中熵与能量的竞争来保持种群的适应度与多样性的平衡,设计了热力学算子.根据非支配排序Pareto分层结构建立分层小生境来改进选择算子,弥补了选择算子不足.实验结果表明:该算法不仅得到的解在空间分布均匀,收敛性好,同时解集具有较广的分布空间.     

一种求解约束多目标问题的协作进化算法

针对约束多目标进化算法求解约束多目标问题时难以平衡收敛性、多样性和可行性的问题,提出一种协作进化算法(ConMOEA).将自适应形状估计进化算法(AGE-MOEA)和非支配排序遗传算法(NSGA-II)优势融合,采用Deb约束支配原则非支配排序组合种群实现个体优选,在临界层中根据最大拥挤距离或生存值选择所需个体,最终形成新种群,实现种群快速接近Pareto前沿并具有良好分布性.为验证所提出算法的性能,对近期提出的一组DOC基准函数进行仿真计算,采用反世代距离(IGD)和超体积(HV)两个通用评价指标,与NSGA-II-CDP、C-TAEA、PPS、ToP、A-NSGA-III、AGE-MOEA约束多目标算法进行比较分析,实验结果证明ConMOEA具有更优的收敛性和多样性.     

基于可行方向变异的NSGA_Ⅱ改进算法

在已有多目标遗传算法(NSGA_Ⅱ)研究和分析的基础上,提出一种改进算法INSGA_Ⅱ。在引入算术交叉算子的同时,主要对变异算子进行了改进,引入了Zoutendijk可行方向变异算子。实验表明,改进的算法INSGA_Ⅱ具有更快的收敛速度、更好的收敛性和种群多样性。     

求解多目标最小生成树的一种新的遗传算法

在改进的非支配排序遗传算法（NSGA-II）的基础上,提出了一种新的基于生成树边集合编码的繁殖算子求解多目标最小生成树问题的遗传算法。通过快速非支配排序法,降低了算法的计算复杂度,引入保存精英策略,扩大采样空间。实验结果表明：对于多目标最小生成树问题,边集合编码具有较好的遗传性和局部性,而且基于此繁殖算子的遗传算法在求解效率和解的质量方面都优于基于PrimRST的遗传算法。     

求解约束高维多目标问题的分解约束支配NSGA-II优化算法

针对多目标进化算法处理约束高维多目标优化问题时出现解的分布性和收敛性差、易陷入局部最优解问题,采用Pareto支配、分解与约束支配融合的方法,提出一种基于分解约束支配NSGA-II优化算法(DBCDP-NSGA-II).该算法在保留NSGA-II中快速非支配排序的基础上,首先采用Pareto支配对种群进行支配排序;然后根据解的性质采用分解约束支配(DBCDP)惩罚等价解,保留稀疏区域的可行解和非可行解,提高种群的分布性、多样性和收敛性;最后采用个体到权重向量的垂直距离和拥挤度距离对临界值进行再排序,直到选出N个最优个体进入下一次迭代.以约束DTLZ问题中C-DTLZ1、C-DTLZ2、DTLZ8、DTLZ9测试函数为例,将所提出的算法与C-NSGA-II、C-NSGA-III、C-MOEA/D和C-MOEA/DD进行对比分析.仿真结果表明,DBCDP-NSGA-II所得最优解分布更加均匀,具有更好的全局收敛性.