一种求解复杂约束优化问题的粒子动力学演化算法

根据输运理论中的粒子输运方程、相空间能量最小原理和熵增法则,构造一种能够高效求解带约束条件优化问题的动力学演化算法(CPDEA).并利用这种能量和熵的变化使整个粒子系统从非平衡达到平衡的理论来定义适应值函数,使得所有的个体都能够有机会参与杂交和变异,最终达到快速求出约束优化问题的所有全局最优解的目的.在数据实验中通过用该算法求解一些复杂的带约束条件的函数优化问题并得到较好的结果.同时实验还显示,该算法不仅能快速容易地求出复杂的带约束优化问题的所有全局最优解,而且还能避免求解问题的早熟现象.     

多目标优化的演化算法

近年来．多目标优化问题求解已成为演化计算的一个重要研究方向，而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点．多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域．该文在比较与分析多目标优化的演化算法发展的历史基础上，介绍基于Pareto最优概念的多目标演化算法中的一些主要技术与理论结果，并具体以多目标遗传算法为代表，详细介绍了基于偏好的个体排序、适应值赋值以及共享函数与小生境等技术．此外，指出并阐释了值得进一步研究的相关问题．     

Pareto强度值演化算法求解多目标优化问题

近年来,多目标优化问题求解已成为演化计算的一个重要研究方向,而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点.多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域.本文定义和使用稀松密度来保持群体中个体的均匀分布,并将个体的Pareto强度值和稀松密度合并到个体的适应值定义中.通过对测试函数的实验,验证了算法的可行性和有效性.     

多目标演化算法

演化算法因其内在的并行行,在求解多目标优化问题时具有独特的优势。本文介绍多目标演化算法的基本原理,并详细讨论基于Pareto最优概念的多目标演化算法。     

Pareto强度值演化算法求解约束优化问题

提出了一种求解约束函数优化问题的方法.它不使用传统的惩罚函数,也不区分可行解和不可行解.新的演化算法将约束优化问题转换成两个目标优化问题,其中一个为原问题的目标函数,另一个为违反约束条件的程度函数.利用多目标优化问题中的Pareto优于关系,定义个体Pareto强度值指标以便对个体进行排序选优,根据Pareto强度值排序和最小代数代沟模型设计出新的实数编码遗传算法.对常见测试函数的数值实验证实了新方法的有效性、通用性和稳健性,其性能优于现有的一些演化算法.特别是对于一些既有等式约束又有不等式约束的复杂非线性规划问题,该算法获得了更高精度的解.     

一种基于粒子群算法的改进多目标文化算法

提出一种基于粒子群算法的改进多目标文化算法并用于求解多目标优化问题.算法中群体空间采用多目标粒子群优化算法进行演化;信念空间通过对形势知识、规范化知识和历史知识的重新定义使之符合多目标优化问题;信念空间和群体空间的交互通过自适应的接受操作和影响操作来实现.若干多目标标准测试函数的仿真结果表明,改进多目标文化算法能够在保持Pareto解集多样性的同时具有较好的均匀性和收敛性.     

基于(μ+1)演化策略的多目标优化算法

使用(μ 1)演化策略求解多目标优化问题，利用群体中个体间的距离定义拥挤密度函数以衡量群体中个体的密集程度，个体适应值定义为个体的Pareto强度值和拥挤密度值之和。通过对测试函数的实验，验证了算法的可行性和有效性，该算法具有简单、稳健等特点。     

一个多目标优化演化算法的收敛性分析框架*

由于演化算法求解多目标优化问题所得结果是一个优化解集——Pareto最优集,而现有的演化算法收敛性分析只适合针对单目标优化问题的单个。用有限马尔科夫链给出了演化算法求解多目标优化问题的收敛性分析框架,并给出了一个分析实例。     

一种基于相角映射的改进多目标粒子群优化算法

提出一种相角粒子群优化算法求解多目标优化问题。该算法采用相角映射实现了粒子在相角空间上仅依赖于归一化多目标函数的快速搜索,在粒子飞行信息共享机制上引入共享池概念,提出基于关联支配排序和相似度排序的共享池更新策略,提高了Pareto解的多样性。采用Sigma领导策略和混沌变异操作,平衡了算法的快速搜索能力和全局寻优能力。标准多目标测试函数和电力系统广域阻尼控制多目标优化算例表明了所提出算法的可行性和有效性。     

求解机械优化的Pareto多目标中心粒子群算法

针对基于权重法的多目标算法无法求解约束多目标问题的缺陷,将中心粒子群算法与Pareto解集搜索算法相结合,提出一种Pareto多目标中心粒子群算法。将此方法用来优化气门弹簧的模型,实验结果表明,该优化方法能够快速准确地收敛于Pa-reto解集,并且使其对应的目标域均匀地分布于Pareto最优目标域。     

一种多目标人工蜂群算法

为将标准人工蜂群算法有效应用到多目标优化问题中,设计了一种多目标人工蜂群算法。其进化策略在利用精英解引导搜索的同时结合正弦函数搜索操作来平衡算法对解空间的开发与开采行为。另外,算法借助了外部集合来记录与维护种群进化过程中产生的Pareto最优解。理论分析表明:针对多目标优化问题,本算法能收敛到理论最优解集合。对典型多目标测试问题的仿真实验结果表明:本算法能有效逼近理论最优,具有较好的收敛性和均匀性,并且与同类型算法相比,本算法具有良好的求解性能。     

多目标微粒群优化算法

通过设计一种Pareto解集过滤器,并在此基础上给出多目标优化条件下的微粒群算法群体停滞判断准则,基于该准则提出了一种多目标微粒群优化算法。算法利用Pareto解集过滤器提高了候选解的多样性,并使用图形法将所提算法与经典的多目标优化进化算法在一组标准测试函数上进行了比较,结果表明算法具有更好的搜索效率。     

网格环境下基于Weka4WS的分布式聚类算法*

Weka4WS采用WSRF技术用于执行远程的数据挖掘和管理分布式计算,支持分布式数据挖掘任务。基于Weka4WS和网格环境,尝试了一种新的分布式聚类方法,并成功地将其嵌入到Weka4WS框架中,借助Weka Library实现分布式数据挖掘算法,同时引入了距离代价和混合概率的概念,将网格与Web服务技术融合,以分布式问题求解环境和开源数据挖掘类库Weka为底层支持环境,构建了网格环境下面向服务的分布式数据挖掘体系,并以基于Weka4WS的分布式聚类算法验证了算法的有效性和体系结构的可行性。     

一种多目标优化问题的理想灰色粒子群算法*

针对逼近理想解的排序方法对Pareto前端的距离跟踪以及灰色关联度能够很好地分析非劣解集曲线与Pareto最优解集曲线的相似性,提出了一种求解多目标优化问题的理想灰色粒子群算法。该算法利用理想解理论与灰色关联度理论来求解粒子与理想解之间的相对适应度和灰色关联度系数,把两者的和定义为相对理想度,通过相对理想度来判别粒子的优劣,以确定个体极值和全局极值。通过四组不同类型的基准函数测试算法性能,并与目标加权法和灰色粒子群算法比较分析,结果表明该算法能够较好地收敛到Pareto最优解集,不但具有较好的收敛性和分布     

A new PSO-based algorithm for multi-objective optimization with continuous and discrete design variables

This paper presents a new multi-objective optimization algorithm called FC-MOPSO for optimal design of engineering problems with a small number of function evaluations. The proposed algorithm expands the main idea of the single-objective particle swarm optimization (PSO) algorithm to deal with constrained and unconstrained multi-objective problems (MOPs). FC-MOPSO employs an effective procedure in selection of the leader for each particle to ensure both diversity and fast convergence. Fifteen benchmark problems with continuous design variables are used to validate the performance of the proposed algorithm. Finally, a modified version of FC-MOPSO is introduced for handling discrete optimization problems. Its performance is demonstrated by optimizing five space truss structures. It is shown that the FC-MOPSO can effectively find acceptable approximations of Pareto fronts for structural MOPs within very limited number of function evaluations.     

MOPSO算法及其在水库优化调度中的应用

提出了一种新的多目标粒子群优化(MOPSO)算法，该算法采用自适应网格方法来估计非劣解集中粒子的密度信息、平衡全局和局部搜索能力的Pareto最优解的搜索机制、删除品质差的多余粒子的Archive集的修剪技术。通过对三峡梯级多目标优化调度问题的计算，表明该算法是求解大规模复杂多目标优化问题的一种有效手段。     

Handling many-objective optimisation problems with R2 indicator and decomposition-based particle swarm optimiser

An R2 indicator-based multi-objective particle swarm optimiser (R2-MOPSO) can obtain well-convergence and well-distributed solutions while solving two and three objectives optimisation problems. However, R2-MOPSO faces difficulty to tackle many-objective optimisation problems because balancing convergence and diversity is a key issue in high-dimensional objective space. In order to address this issue, this paper proposes a novel algorithm, named R2-MaPSO, which combines the R2 indicator and decomposition-based archiving pruning strategy into particle swarm optimiser for many-objective optimisation problems. The innovations of the proposed algorithm mainly contains three crucial factors: (1) A bi-level archiving maintenance approach based on the R2 indicator and objective space decomposition strategy is designed to balance convergence and diversity. (2) The global-best leader selection is based on the R2 indicator and the personal-best leader selection is based on the Pareto dominance. Meanwhile, the objective space decomposition leader selection adopts the feedback information from the bi-level archive. (3) A new velocity updated method is modified to enhance the exploration and exploitation ability. In addition, an elitist learning strategy and a smart Gaussian learning strategy are embedded into R2-MaPSO to help the algorithm jump out of the local optimal front. The performance of the proposed algorithm is validated and compared with some algorithms on a number of unconstraint benchmark problems, i.e. DTLZ1-DTLZ4, WFG test suites from 3 to 15 objectives. Experimental results have demonstrated a better performance of the proposed algorithm compared with several multi-objective particle swarm optimisers and multi-objective evolutionary algorithms for many-objective optimisation problems.     

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。     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中, 平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键, 多数已提出的方法仅依靠一种策略引导粒子搜索, 在解决复杂问题时算法收敛性和多样性不足. 为解决这一问题, 提出一种基于种群分区的多策略自适应多目标粒子群优化算法. 采用粒子收敛性贡献对算法环境进行检测, 自适应调整粒子的探索和开发过程; 为准确制定不同性能的粒子的搜索策略, 提出一种多策略的全局最优粒子选取方法和多策略的变异方法, 根据粒子的收敛性评价指标, 将种群划分为3个区域, 将粒子性能与算法寻优过程结合, 提升种群中各个粒子的搜索效率; 为解决因选取的个体最优粒子不能有效指导粒子飞行方向, 使算法停滞, 陷入局部最优的问题, 提出一种带有记忆区间的个体最优粒子选取方法, 提升个体最优粒子选取的可靠性并加快粒子收敛过程; 采用包含双性能测度的融合指标维护外部存档, 避免仅根据粒子密度对外部存档维护时, 删除收敛性较好的粒子, 导致种群产生退化, 影响粒子开发能力. 仿真实验结果表明, 与其他几种多目标优化算法相比, 该算法具有良好的收敛性和多样性.