基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

知识引导的多目标多智能体进化算法

将智能体模型与知识模型相结合,提出一种知识引导的多目标多智能体进化算法.算法定义了智能体的不同邻域环境,并通过对邻域之间的竞争、正交交叉、知识学习等操作实现种群的演化过程.算法采用一种新颖的方法求非劣解集,并使用循环拥挤排序法对外部归档集进行维护.通过对多个测试函数的仿真结果表明,知识的引入不仅增加了种群多样性,而且提高了算法的收敛性.     

一种改进的多目标混合差分进化算法

将差分进化算法（DE）用于多目标优化问题,提出了一种精英保留和进化进程中非支配解集迁移操作的差分进化算法,以保证所求得多目标优化问题Pareto最优解的多样性。采用双群体约束处理技术,构建进化群体的Pareto非支配解外部存档集,并进行基于非支配解集的迁移操作,以增加非支配解的数目和质量。用多个经典测试函数测试的结果表明,与标准DE相比,该方法收敛到问题的Pareto前沿效果良好,能有效保持Pareto最优解多样性与收敛之间的平衡。     

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.     

基于Pareto解集分段预测策略的动态多目标进化算法

针对现有的动态多目标优化算法种群收敛速度慢、多样性难以保持等问题,提出了一种基于Pareto解集分段预测策略的动态多目标进化算法BPDMOP。当检测到环境变化时,对前一时刻进化得到的Pareto最优解根据任一子目标函数进行排序,并按照该子目标的大小均分为3段,分别计算出每一段Pareto解集中心点的移动方向;对每一段Pareto子集进行系统抽样得到Pareto前沿面的特征点,利用线性模型分段预测下一代种群;根据优化问题的难易程度,自适应地在预测的种群周围产生随机个体来增加种群的多样性。通过对3类标准测试函数的实验表明了该算法能够有效求解动态多目标优化问题。     

一种基于云模型的多目标进化算法

在多目标进化算法的基础上,提出了一种基于云模型的多目标进化算法(CMOEA).算法设计了一种新的变异算子来自适应地调整变异概率,使得算法具有良好的局部搜索能力.算法采用小生境技术,其半径按X条件云发生器非线性动态地调整以便于保持解的多样性,同时动态计算个体的拥挤距离并采用云模型参数来估计个体的拥挤度,逐个删除种群中超出的非劣解以保持解的分布性.将该算法用于多目标0/1背包问题来测试CMOEA的性能,并与目前最流行且有效的多目标进化算法NSGA-II及SPEA2进行了比较.结果表明,CMOEA具有良好的搜索性能,并能很好地维持种群的多样性,快速收敛到Pareto前沿,所获得的Pareto最优解集具有更好的收敛性与分布性.     

基于多种群差分进化的多目标优化算法

针对差分进化算法(Differential Evolution Algorithm,DE)求解多目标优化问题时易陷入局部最优的问题,设计了一种双向搜索机制,它通过对相反进化方向产生的两个子代个体进行评价,来增强DE算法的局部搜索能力;设计了多种群机制,它可令各子群独立进化一定次数再执行全局进化,以完成子群间进化信息的交流,这一方面降低了算法陷入局部最优的风险,另一方面增强了Pareto解集的多样性,使Pareto前沿面的解集分布更为均匀。实验结果表明,相比于NSGA-II等同类算法,所提方法在搜索Pareto最优解时效率更高,并且Pareto最优解集的精度及分布程度比前者更好。     

高效求解Pareto最优前沿的多目标进化算法

设计了一种新的求解均匀分布的Pareto最优解集的多目标进化算法(MOEA),其主要的特点是使用了一种新的个体适应值的计算方式,方法是通过群体中某一个体与群体的最优非劣解集的最小距离来刻画个体的适应值的.算法还结合了遗传算法中的精英策略以及NSGA-Ⅱ中的拥挤距离[12],提高了非劣解向Pareto最优前沿收敛的速度,并且保证了Pareto 最优解集的多样性.仿真结果表明,算法不仅能够获得分布良好的Pareto最优前沿,而且能够极大地简化计算,减少了算法的运行时间,其计算复杂度为o(mn2)(m表示的是目标函数的个数,n是种群的规模).     

基于Pareto熵的多目标粒子群优化算法

粒子群优化算法因形式简洁、收敛快速和参数调节机制灵活等优点,同时一次运行可得到多个解,且能逼近非凸或不连续的Pareto最优前端,因而被认为是求解多目标优化问题最具潜力的方法之一.但当粒子群优化算法从单目标问题扩展到多目标问题时,Pareto最优解集的存储与维护、全局和个体最优解的选择以及开发与开采的平衡等问题亦随之出现.通过目标空间变换方法,采用Pareto前端在被称为平行格坐标系统的新目标空间中的分布熵及差熵评估种群的多样性及进化状态,并以此为反馈信息来设计进化策略,使得算法能够兼顾近似Pareto前端的收敛性和多样性.同时,引入格占优和格距离密度的概念来评估Pareto最优解的个体环境适应度,以此建立外部档案更新方法和全局最优解选择机制,最终形成了基于Pareto熵的多目标粒子群优化算法.实验结果表明：在IGD性能指标上,与另外8种对等算法相比,该算法在由ZDT和DTLZ系列组成的12个多目标测试问题集中表现出了显著的性能优势.     

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。     

基于分解和多策略变异的多目标差分进化算法*

差分进化是一种有效的优化技术,已成功用于多目标优化问题。但也存在Pareto最优集合的收敛慢和多样性差等问题。针对上述不足,本文提出了一种基于分解和多策略变异的多目标差分进化算法(MODE/DMSM)。该算法利用基于分解的方法将多目标优化问题分解为多个单目标优化问题;通过高效的非支配排序方法选择具有良好收敛性和多样性的解来指导差分进化过程;采用了多策略变异方法来平衡进化过程中收敛性和多样性。在ZDT和DTLZ的10个测试函数上的仿真结果表明,本文算法在Parato最优集合的收敛性和多样性优于其他六种代表性多目标优化算法。     

基于目标空间划分的自适应多目标进化算法

目前,多目标进化算法在众多领域具有极高的应用价值,是优化领域的研究热点之一.分析已有多目标进化算法在保持种群多样性方面的不足并提出一种基于解空间划分的自适应多目标进化算法（space division basedadaptive multiobjective evolutionary algorithm,简称SDA-MOEA）来解决多目标优化问题.该方法首先将多目标优化问题的解空间划分为大量子空间,在算法进化过程中,每个子空间都保留一个非支配解集,以保证种群的多样性.另外,该方法根据每个子空间推进种群前进的距离,自适应地为每个子空间分配进化机会,以提高种群的进化速度.最后,利用3组共14个多目标优化问题检验SDA-MOEA的性能,并将SDA-MOEA与其他5个已有多目标进化算法进行对比分析.实验结果表明：在10个问题上,算法SDA-MOEA显著优于其他对比算法.     

Convergence Acceleration Operator for Multiobjective Optimization

A convergence acceleration operator (CAO) is described which enhances the search capability and the speed of convergence of the host multiobjective optimization algorithm. The operator acts directly in the objective space to suggest improvements to solutions obtained by a multiobjective evolutionary algorithm (MOEA). The suggested improved objective vectors are then mapped into the decision variable space and tested. This method improves upon prior work in a number of important respects, such as mapping technique and solution improvement. Further, the paper discusses implications for many-objective problems and studies the impact of the use of the CAO as the number of objectives increases. The CAO is incorporated with two leading MOEAs, the non-dominated sorting genetic algorithm and the strength Pareto evolutionary algorithm and tested. Results show that the hybridized algorithms consistently improve the speed of convergence of the original algorithm while maintaining the desired distribution of solutions. It is shown that the operator is a transferable component that can be hybridized with any MOEA.      

基于k-shell分解的多智能体牵制控制算法

针对多智能体网络在牵制控制过程中存在的网络分裂现象,考虑到牵制节点选择对多智能体收敛速度的影响,提出一种基于k-shell分解的牵制控制算法.首先根据节点连通度划分子网;然后提出基于k-shell分解的牵制节点选择方法;最后完成多智能体的牵制控制.理论推导证明,采用该算法后整个智能体网络最终将形成一个子网.分析对比3种牵制控制算法,通过实验仿真结果验证所提出算法能够实现多智能体的一致性,有利于提高多智能体的收敛速度.     

A hybrid evolutionary multiobjective optimization strategy for the dynamic power supply problem in magnesia grain manufacturing

The supply trajectory of electric power for submerged arc magnesia furnace determines the yields and grade of magnesia grain during the manufacture process. As the two production targets (i.e., the yields and the grade of magnesia grain) are conflicting and the process is subject to changing conditions, the supply of electric power needs to be dynamically optimized to track the moving Pareto optimal set with time. A hybrid evolutionary multiobjective optimization strategy is proposed to address the dynamic multiobjective optimization problem. The hybrid strategy is based on two techniques. The first one uses case-based reasoning to immediately generate good solutions to adjust the power supply once the environment changes, and then apply a multiobjective evolutionary algorithm to accurately solve the problem. The second one is to learn the case solutions to guide and promote the search of the evolutionary algorithm, and the best solutions found by the evolutionary algorithm can be used to update the case library to improve the accuracy of case-based reasoning in the following process. Due to the effectiveness of mutual promotion, the hybrid strategy can continuously adapt and search in dynamic environments. Two prominent multiobjective evolutionary algorithms are integrated into the hybrid strategy to solve the dynamic multiobjective power supply optimization problem. The results from a series of experiments show that the proposed hybrid algorithms perform better than their component multiobjective evolutionary algorithms for the tested problems.     

基于分解的多目标多因子进化算法

多目标多因子优化(MO-MFO)问题作为一类新的优化问题近年来受到了众多关注,其特点是需要利用单个种群来同时优化多个多目标优化任务.针对该问题,提出一个基于分解策略的多目标多因子进化算法(MFEA/D).算法通过多组权重向量,将MO-MFO问题中的每个任务分解成一系列单目标优化子问题,并用单个种群同时优化.在种群进化过程中提出不同任务之间的信息交流策略,以充分挖掘不同任务之间的有用信息,进而加快每个任务的收敛速度.基于10个多目标多因子标准测试问题的实验结果表明,所提出的不同任务之间的信息交流策略能够加快问题的求解速度,使得MFEA/D算法显著优于当前的MO-MFEA算法.     

多智能体蝙蝠算法在无线传感器中的应用

针对无线传感器网络(WSNs)节点的定位误差较大的问题,提出了一种新的具有局部搜索能力强的多智能体蝙蝠算法.改进算法中对寻优蝙蝠个体融入多智能体技术,通过邻域竞争合作算子以及自学习过程提高了算法全局搜索能力,避免算法陷入局部最优,加快算法的收敛速度.通过对标准测试函数的仿真,改进算法相比于其他算法,寻优精度和进化效率得到了较大的提高.随后采用多智能体蝙蝠算法求解无线传感节点定位问题,仿真结果表明改进算法减少了测距误差对定位精度的影响,提高了未知节点定位的精度,为无线传感网络节点定位的实际应用提供理论参考.     

免疫多 Agent 协同的教育管理系统模型研究

为了满足学校办学的智能化需求,设计了基于免疫多 Agent 协同的教育管理系统模型。研究了免疫多 Agent 协作 处理模型, 通过对话式扩充合同网协议完成了多 Agent 协作。采用免疫多 Agent 的协同进化算法提高了免疫进化算法的全 局搜索能力和收敛速度,使教育管理系统模型具有良好的最优解搜索能力。