差分进化算法研究进展

作为一种简单而有效的新兴计算技术，差分进化算法（DE）已受到学术界和工程界的广泛关注．并取得了许多成功应用．为此，围绕差分进化算法的原理、特点、改进及其应用等方面进行全面综述．重点介绍了针对复杂环境的差分进化算法研究内容，包括多目标、约束、离散和噪声环境下的优化等．最后提出了有待进一步研究的若干方向．  

进化多目标优化算法研究

进化多目标优化主要研究如何利用进化计算方法求解多目标优化问题,已经成为进化计算领域的研究热点之一.在简要总结2003年以前的主要算法后,着重对进化多目标优化的最新进展进行了详细讨论.归纳出当前多目标优化的研究趋势,一方面,粒子群优化、人工免疫系统、分布估计算法等越来越多的进化范例被引入多目标优化领域,一些新颖的受自然系统启发的多目标优化算法相继提出;另一方面,为了更有效的求解高维多目标优化问题,一些区别于传统Pareto占优的新型占优机制相继涌现;同时,对多目标优化问题本身性质的研究也在逐步深入.对公认的代表性算法进行了实验对比.最后,对进化多目标优化的进一步发展提出了自己的看法.  

约束优化进化算法

约束优化问题是科学和工程应用领域经常会遇到的一类数学规划问题.近年来,约束优化问题求解已成为进化计算研究的一个重要方向.从约束优化进化算法=约束处理技术+进化算法的研究框架出发,从约束处理技术和进化算法两个基本方面对约束优化进化算法的研究及进展进行了综述.此外,对约束优化进化算法中的一些重要问题进行了探讨.最后进行了各种算法的比较性总结,深入分析了目前约束优化进化算法中亟待解决的问题,并指出了值得进一步研究的方向.  

基于极大极小距离密度的多目标微分进化算法

微分进化(differential evolution)是一种新的简单而有效的直接全局优化算法,并在许多领域得到了成功应用.提出了基于极大极小距离密度的多目标微分进化算法.新算法定义了极大极小距离密度,给出了基于极大极小距离密度的Pareto候选解集的维护方法,保证了非劣解集的多样性.并根据个体间的Pareto.支配关系和极大极小距离密度改进了微分进化的选择操作,保证了算法的收敛性,实现了利用微分进化算法求解多目标优化问题.通过对5个ZDT测试函数、两个高维测试函数的实验及与其他多目标进化算法的对比和分析,验证了新算法的可行性和有效性.  

多目标进化算法研究进展

进化算法具有本质上并行、不需要求导或其他辅助知识、一次运行产生多个解和简单易于实现等优点，被视为求解多目标优化问题的有效方法，目前已经形成了各种不同的多目标进化算法（MOEA）。本文首先回顾了多目标进化算法的研究起源，给出了多目标优化问题的数学描述；其次，详细分析了第一代多目标进化算法，其主要特征是简单易于实现，包括NSGA、NPGA、MOGA等，并指出这一代算法研究的成绩与不足；然后，对第二代多目标进化算法作了全面分析，指出其特征是强调效率，以精英保留策略为实现机制，且对SPEA、PAES、NSGAⅡ、NPGA2、PESA、Micro-GA等方法进行分析比较，还对这一代的研究作了总结；最后，对多目标进化算法的研究趋势作了展望和预测。  

基于智能体的多目标社会进化算法

提出了一种基于智能体的多目标社会进化算法用以求解多目标优化问题(multiobjective optimization problems,简称MOPs),通过多智能体进化的思想来完成Pareto 解集的寻优过程.该方法定义可信任度来表示智能体间的历史活动信息,并据此确定智能体的邻域、控制智能体间的行为.针对多目标问题的特点,设计了3 个进化算子分别体现适者生存、弱肉强食、多样性原则以及自学习的特性.同时采用擂台赛法则构造Pareto 解的存储种群.仿真实验结果表明,该算法能够较好地收敛到Pareto 最优解集上,并且具有良好的多样性.另外,通过对智能体局部邻域环境建立方式的分析结果表明引入“关系网模型”可有效提高算法的收敛速度,并能在一定程度上提高解的质量.  

基于蚁群优化解决传感器网络中的能量洞问题

基于多跳的无线传感器网络,越靠近sink的传感器节点因需要转发更多的数据,其能量消耗就越快,从而在sink周围形成了一种称为“能量洞”的现象.“能量洞”问题会导致整个网络由于内部节点能量过早耗尽而结束寿命,同时,网络中离sink较远的节点仍有大量能量剩余.研究“能量洞”现象,基于改进的分级环模型,总结出调节各环内节点的数据传输距离是实现网络节能的有效方法.证明搜索各区域最优的传输距离是一个多目标优化问题,即是NP难问题.从而提出一种基于蚁群优化的分布式算法,各区域根据其节点分布情况自适应地探索近似最优的传输距离,延长网络寿命.模拟实验结果表明,该算法在较短的时间内能够收敛到合理的解,并且得到的网络寿命接近于理想情况下的最优时间,与现有的类似算法相比,该算法提供了更长的网络寿命,并能适用于非均匀节点分布情况.  

协同供应链多级库存控制的多目标优化模型及其求解方法

在多级库存的协调控制过程中，只考虑成本的单目标优化模型对于提高供应链总体性能水平存在着局限，本文提出了考虑需求满足率、时间、成本的多目标协同优化模型，对于多品种、复杂拓扑结构，以及库容、生产能力受限的情况，提出了一种在外层对库存策略和内层对物流分配方案分别进行寻优的双层求解方法，并采用演化多目标优化技术构造了算法. 通过算例实验对模型的有效性进行了验证，实验结果表明，基于多目标模型的优化结果使得系统总体性能得到显著改善.  

求解偏好多目标优化的克隆选择算法

目标维数较高的多目标优化问题的难题在于非支配解急剧增加,经典算法由于缺乏足够的选择压力导致性能急剧下降.提出了基于偏好等级的免疫记忆克隆选择优化算法,用于解决目标维数较高的多目标优化问题.利用决策者提供的偏好信息来为抗体分配偏好等级,根据该值比例克隆抗体,增大抗体的选择压力,加快收敛速率.根据偏好信息来缩减Pareto前沿,并用有限的偏好解估计该前沿.同时,建立了免疫记忆种群来保留较好的非支配抗体,采用ε支配机制来保持记忆抗体种群的多样性.实验结果表明,对于2目标的偏好多目标问题以及高达8目标的DTLZ2和DTLZ3问题,该算法取得了一定的实验效果.  

自适应进化多目标粒子群优化算法

提出一种自适应进化粒子群优化算法以求解多目标优化问题．采用非支配排序策略和动态加权法选择最优粒子，引导种群飞行，提高Ｐａｒｅｔｏ解的多样性．采用动态惯性权重，提高其全局寻优能力．当种群的寻优能力减弱时，采用变异操作以引导粒子群跳出局部最优．通过ＺＤＴ１～ＺＤＴ４ 基准函数验证，该算法能够在保持优化解多样性的同时实现较好的收敛性．与其他多目标进化算法和多目标粒子群优化算法相比，该算法具有较好的性能．