一种新的分布性保持方法

分布性保持是多目标进化算法主要目标之一. 然而通常维护方法的性能与运行时间存在矛盾. 提出一种基于最小生成树的分布性维护方法. 利用最小生成树中的度数和边长对个体密度进行估计, 使低度数的边界个体和长边长的低密度个体得到了保留. 另外, 一次性选择个体进入下代种群, 避免了每移出一个个体就需要对个体密度进行调整的操作. 通过5个测试问题和4个方面的测试标准, 与3个著名的算法进行比较实验, 结果表明该方法在以较快速度对种群进行维护的同时, 拥有良好的分布性.     

基于空间距离的多目标进化算法

为提高多目标进化算法的收敛性,提出一种基于空间距离的多目标进化算法.定义一种密度估计指标--树聚集距离,在考虑非支配前沿的同时,利用个体的空间距离及树聚集距离进行个体选择操作.另外,在外部种群的非支配解个数超过规定的种群规模时,用基于个体邻近距离的维护方法对其进行维护.通过6个测试问题和5个方面的测试标准,与NSGA-Ⅱ和SPEA2进行比较,该算法在拥有更好收敛度的同时,保持良好的均匀性和分布广度.     

一种基于邻域的多目标进化算法

种群维护是多目标进化算法的重要组成部分。针对维护方法和运行效率的矛盾,提出一种基于邻域的多目标进化算法（NMOEA）。定义了一个反映个体之间邻近程度的指标--邻域包含关系,利用此关系对个体进行分布适应度分级的赋值,并用动态方法快速地对种群进行维护。通过7个测试问题和3个方面的测试标准,结果表明新算法在较快速地接近真实的最优面的同时,拥有良好的分布性。     

基于多目标协同进化的测试用例优先排序

测试用例优先排序是一种有效的降低回归测试开销的技术,通过对测试用例按照其重要程度排序后可获得更高的测试效率。针对传统多目标遗传算法在测试用例优化排序中存在的收敛较慢、易陷入局部最优、缺乏对不同测试准则的综合权衡等缺点,提出一种基于竞争模式的多目标协同进化算法。该方法采用平均代码覆盖率以及平均变异杀死率作为多个约束目标的测试准则来进行适应度度量,提高算法的错误检测率;使用个体绝对适应度与相对适应度对个体生存能力进行评价,衡量个体优秀程度,利用竞争性的协同进化思想加快算法收敛速度;通过剔除“老年”个体控制个体生存周期来避免陷入局部最优问题。同时,在影响算法执行效率的因素方面也进行了一系列的实验,结果表明该算法能够加快收敛速度,加强了局部搜索能力,相对于传统的优化算法来说具有更好的搜索效率和更高的错误检测率,从而验证了算法的有效性和可行性,证明了该算法具有一定的现实意义。     

动态选择与替换策略的多目标约束优化进化算法

提出一种基于动态选择与替换策略的多目标优化进化算法用于求解约束优化问题.新算法首先将约束优化问题转化为两个目标的多目标优化问题,基于Parto支配关系,把初始种群分为Pareto子集和Non-Pareto子集,引入一种非劣个体保护偏好策略,动态选取一定比例的最优非劣个体直接进入下一代群体,剩下的非劣个体随机替代Pareto子集中的个体.Pareto子集和Non-Pareto子集分别进行单形交叉和多样性变异操作产生新的子种群.对13个标准测试问题的数值实验结果表明新算法的有效性.     

一种基于个体密度估算的多目标优化演化算法

通过在目标空间中利用目标本身信息估算个体k最近邻距离之和,作为个体的密度信息,根据个体的密度信息对群体中过剩的非劣解进行逐个去除,以便更好地维护解的多样性,由此给出了一种基于个体密度估算的多目标优化演化算法IDEMOEA。用这个算法对几个典型的多目标优化函数进行测试。测试结果表明,算法IDEMOEA求解多目标优化问题是行之有效的。     

多群多策略差分大规模多目标优化算法

针对差分进化算法在解决大规模多目标优化问题时,出现优化后期多样性不足、收敛速度慢等问题,提出一种多群多策略差分大规模多目标优化算法.根据个体特性不同,将种群分为3个等级不同的子群,利用多群策略的优势维持种群多样性.为减少种群陷入局部最优的概率,在不同等级的子群中引入多个变异策略以较好地平衡子群个体的多样性和收敛性.为保证不同子群间信息得到有效交换,根据3个子群的进化状态确定重新分群时机,既保证个体在本群内得到充分进化,又保证个体在一定的条件下进行信息交换.为利用更多的信息生成优秀的子代,将更新后的子群与其父代子群合并,选出下一代子群.为验证所提出算法的有效性,在一组大规模基准测试问题上评估算法的性能,实验结果表明,所提出算法在两个常用测试指标IGD和HV上明显优于其他对比算法.     

基于参考线的预测策略求解动态多目标优化问题

为了快速且准确地跟踪动态多目标优化问题变化的Pareto前沿与Pareto解集,在可以不依靠历史信息的前提下,提出一种基于参考线预测策略的求解动态多目标优化问题的算法(RLPS).该算法通过记录每个参考线关联的种群个体在环境变化初始时和个体自主进化一小段时间后个体位置的变化,预测最优个体所在方向,同时在该方向上均匀分布若干延伸个体,选出每个参考线关联的非支配个体作为当前环境下的引导个体,在选出的引导个体邻域内随机产生若干伴随个体增加种群多样性.通过5个标准动态测试函数对该算法测试,并与两个现有算法作对比分析,实验结果表明所提出的算法具有更快地响应环境变化的能力.     

一种基于偏序排名的高效的多目标演化算法

利用 Better函数对多目标优化问题 (MOP)建立了一种偏序关系 ,并通过这种偏序关系对种群中的个体进行排名 ,设计了一种高效的多目标演化算法 (EMOEA) ,应用有限 Markov链的有关理论证明了此演化算法的收敛性 ,同时对四个 Benchmark函数进行了数值试验 ,测试结果表明 ,新算法在解集分布的均匀性、多样性、精确性以及快速收敛性均优于已有的 MOEA.将此算法推广用于求解经济领域或工程领域的一些难题 ,则在实际中具有广阔的应用前景     

一种快速的基于占优树的多目标进化算法

为了解决多目标进化算法中适应值指派(fitness assignment)的耗时问题,提出了一种新颖的适应值指派方法--占优树.占优树保存了个体之间的必要信息,暗含了个体的密度信息,而且显著减少了个体之间的比较.此外,基于占优树的淘汰策略没有花费额外的代价就保存了种群多样性.在此基础上,提出了一种新的基于占优树的多目标进化算法.通过6个测试问题和3个方面的测试标准,新算法在接近真实的最优前沿和保持种群的多样性方面,与SPEA2和NSGA-II性能相当,但速度要比它们快得多.