基于个体密集距离的多目标进化算法

外部种群维护和适应度赋值是多目标进化算法（MOEA）的两个重要部分，该文首先对这两个问题目前已有的处理方法进行了分析，然后提出了基于个体密集距离的外部种群维护方法，并在将所有个体根据Pareto支配关系分成四个层次的基础上，给出了一种由个体密集距离定义的适应度函数，最后将基于个体密集距离的多目标进化算法CMOEA应用于几个常用的测试函数，并和SPEA，SPEA-2进行了比较，计算结果表明CMOEA具有良好的搜索性能．     

EFFICIENT MULTI-OBJECTIVE EVOLUTIONARY ALGORITHM FOR JOB SHOP SCHEDULING＊

A new representation method is first presented based on priority rules.According to this method,each entry in the chromosome indicates that in the procedure of the Giffler and Thompson (GT) algorithm,the conflict occurring in the corresponding machine is resolved by the corresponding priority rule.Then crowding-measure multi-objective evolutionary algorithm (CMOEA) is designed, in which both archive maintenance and fitness assignment use crowding measure.Finally the comparisons between CMOEA and SPEA in solving 15 scheduling problems demonstrate that CMOEA is suitable to job shop scheduling.     

一种基于Hypervolume指标的自适应邻域多目标进化算法

通过定义反映个体之间邻近程度的指标(个体的树邻域包含关系),在考虑个体间支配关系的基础上,利用个体与其周边个体的树邻域密度进行适应度赋值;提出了一种2,3维情况下个体独立支配区域的Hypervolume指标的计算方法,该方法用于评价个体对群体的贡献时只需要1次计算(同类方法需要2次计算);当外部种群中非支配个体数目超过规定规模时,根据个体独立支配区域的Hypervolume指标的大小对其进行修剪;在此基础上,提出了一种基于Hypervolume指标的自适应邻域多目标进化算法ANMOEA?HI.对比实验结果表明,ANMOEA?HI在保证了解集收敛性的同时亦拥有良好的分布性.     

无成组技术条件下流水车间调度的多目标优化

针对有工件组调整时间的流水车间调度问题,提出了无成组技术假设条件下的多目标优化模型,并设计了一种进化计算与局部搜索结合的混合遗传算法.模型的目标函数是最小化最大完工时间和最大拖期.在局部搜索过程中,根据问题的特征定义了两种邻域结构,采取两阶段搜索策略,以提高算法的优化搜索效率.进化过程中,采用基于个体的累计排序数和密度值的适应度分配方法,以保持群体多样性,并采取精英保留策略,以保证解的收敛性.通过测试问题和实际问题的实验以及与其他算法的比较,验证了所提模型和算法的有效性.     

A dominance tree and its application in evolutionary multi-objective optimization

Most contemporary multi-objective evolutionary algorithms (MOEAs) store and handle a population with a linear list, and this may impose high computational complexities on the comparisons of solutions and the fitness assignment processes. This paper presents a data structure for storing the whole population and their dominating information in MOEAs. This structure, called a Dominance Tree (DT), is a binary tree that can effectively and efficiently store three-valued relations (namely dominating, dominated or non-dominated) among vector values. This paper further demonstrates DT’s potential applications in evolutionary multi-objective optimization with two cases. The first case utilizes the DT to improve NSGA-II as a fitness assignment strategy. The second case demonstrates a DT-based MOEA (called a DTEA), which is designed by leveraging the favorable properties of the DT. The simulation results show that the DT-improved NSGA-II is significantly faster than NSGA-II. Meanwhile, DTEA is much faster than SPEA2, NSGA-II and an improved version of NSGA-II. On the other hand, in regard to converging to the Pareto optimal front and maintaining the diversity of solutions, DT-improved NSGA-II and DTEA are found to be competitive with NSGA-II and SPEA2.     

一种求解多目标组合优化的遗传局部搜索算法

为改善遗传算法求解多目标组合优化问题的搜索效率,提出一种新的遗传局部搜索算法.算法采取非劣解并行局部搜索策略以及基于分散度的精英选择策略,并采用基于NSGA-Ⅱ的适应度赋值方式和二元赌轮选择操作,以提高算法收敛性,保持群体多样性.实验结果表明,新算法能够产生数量较多分布较广的近似Pareto最优解.     

演化算法求解约束多目标优化问题

求解多目标优化问题的演化算法主要考虑如何处理相互冲突的多个目标间的优化,很少考虑对约束条件的处理.通过引入约束主导原理,提出一种无需采用罚函数,完全是基于个体排序的求解约束多目标优化问题的演化算法.对测试函数进行了实验,实验结果表明了该算法的可行性和有效性.     

多目标混合遗传算法求解流水车间调度问题

为高效地求解多目标流水车间调度问题,提出了一种多目标混合遗传算法,此算法将局部搜索融入进化计算中,采用非劣解并行局部搜索策略,并依据基于Pareto支配关系的个体排序数和密度值进行适应度赋值,以加速算法的收敛,保持群体多样性.仿真结果表明,新算法能够有效地解决多目标流水车间调度问题.     

基于熵极大准则的非用户赋适应值交互式遗传算法

针对交互式遗传算法适应值人工赋值极易疲劳导致的算法进化代数不足、优化效率低下这一难题,提出了适应值非用户赋值方法.首先,用户对个体采用二元评价机制评价个体,将个体划分为满意集合和不满意集合;然后,根据个体评价时间与偏好的内在联系,通过个体评价时间确定评价满意度;最后,基于熵极大准则求解满意度最大条件下的个体适应值.为了确保优势基因遗传,加快算法收敛,采取种群精英基因构建优势个体保留策略.将该方法应用于装饰性墙壁纸选型系统中,并与其他代表性算法比较.结果表明,该方法能有效降低疲劳,提高算法优化效率.     

一种基于最小生成树的多目标进化算法

怎样保证朝Pareto最优解的方向搜索和如何获得均匀分布且范围广泛的非支配解是多目标进化算法(MOEA)设计时的两个关键问题,它们很大程度上取决于适应度赋值和外部种群维护这两个重要部分.提出了一种基于最小生成树的多目标进化算法(MST_MOEA).在考虑了个体间支配关系的基础上,利用个体与非支配集的距离和不同等级个体的树聚集密度来对适应度赋值;在外部种群的非支配解个数超过规定的种群规模时,用树的度数和树聚集密度对其进行修剪.将其应用于不同维数下9个测试函数,并与NSGA-II,SPEA2进行对比,结果证实了算法良好的收敛性和分布性.