改进偏好多目标优化算法在直流偏磁抑制装置优化配置中的应用

基于偏好的多目标优化算法能够定向搜索符合决策者需求的Pareto解集,是多目标优化算法与工程实际联系最为紧密的方法之一。为准确地将决策者偏好需求反映到最终Pareto解集,提出一种偏好映射点动态更新策略,通过动态更新偏好映射点来降低算法对初始参考点位置的依赖。为实现输出Pareto解数目可调可控,引入偏好解集过滤器,使得算法能够得到解集数目符合决策者要求、分布均匀的Pareto解。最后,利用所提算法求解ZDT系列测试函数和浙北区域直流偏磁抑制装置优化配置问题。结果表明,所提算法能有效收敛至决策者偏好对应的Pareto解集,可以为直流偏磁抑制装置优化配置工程实际问题提供符合决策者需求的优秀候选方案。     

正交免疫克隆粒子群多目标优化算法

该文基于抗体克隆选择学说理论,提出了一种求解多目标优化问题的粒子群算法正交免疫克隆粒子群算法(Orthogonal Immune Clone Particle Swarm Optimization, OICPSO)。根据多目标的特点,提出了适合粒子群算法的克隆算子,免疫基因算子,克隆选择算子。免疫基因操作中采用了离散正交交叉算子来获得目标空间解的均匀采样,得到理想的Pareto解集,并引入拥挤距离来减少获得Pareto解集的大小,同时获得具有良好均匀性和宽广性的Pareto最优解集。实验中,与NSGA-II和MOPSO算法进行了比较,并对算法的性能指标进行了分析。结果表明,OICPSO不仅增加了种群解的多样性而且可以得到分布均匀的Pareto有效解集,对于多目标优化问题是有效地。     

基于粒子群优化的地震应急物资多目标调度算法

合理高效地优化调度救灾物资对提升地震应急救援效果具有重要意义。地震应急需要同时兼顾时效性、公平性和经济性等相互冲突的多个调度目标。该文对地震应急物资调度问题建立了带约束的3目标优化模型，并设计了基于进化状态评估的自适应多目标粒子群优化算法(AMOPSO/ESE)来求解Pareto最优解集。然后根据“先粗后精”的决策行为模式提出了由兴趣最优解集和邻域最优解集构成的Pareto前沿来辅助决策过程。仿真表明该算法能有效地获得优化调度方案，与其他算法相比，所得Pareto解集在收敛性和多样性上具有性能优势。     

多目标量子编码遗传算法

如何使算法快速收敛到真正的Pareto前沿,并保持解集在前沿分布的均匀性是多目标优化算法重点研究解决的问题。该文提出一种基于量子遗传算法的多目标优化算法,利用量子遗传算法的高效全局搜索能力,在整个解空间内快速搜索多目标函数的Pareto最优解,利用量子遗传算法维持解集多样性的特点,使搜索到的Pareto最优解在前沿均匀分布。通过求解带约束的多目标函数优化问题,对该文算法的多目标优化性能进行了考察,并与NSGAII,PAES,MOPSO和Ray-Tai-Seows算法等知名多目标优化算法进行比较,结果证明了该文算法的有效性和先进性。     

高维多目标优化中基于稀疏特征选择的目标降维方法

目标降维算法通过去除冗余的目标达到简化问题规模的目的,为求解高维多目标优化问题提供了一种新的思路和方法.近似解集的几何结构特征和Pareto占优关系从不同侧面反映了多目标优化问题的内在结构特性,而现有算法仅利用其中一种特征分析目标之间的关系,具有较大局限性.本文提出基于稀疏特征选择的目标降维方法,该方法利用近似解集的几何结构特征构建稀疏回归模型,求解高维目标空间映射为低维目标子空间的稀疏投影矩阵,依据此矩阵度量目标的重要性,并利用Pareto占优关系改变程度选择满足误差阈值的目标子集,实现目标降维.通过与其他已有目标降维算法比较,实验结果表明本文提出的降维算法具有较高的准确性,并且受近似解集质量的影响较小.     

多个体参与交叉的Pareto多目标遗传算法

Pareto多目标遗传算法是利用Pareto最优的概念发展出的一种求解多目标优化问题的向量优化方法,能够得到Pareto最优解集.由于采用常规的两个体参与交叉的遗传算法,使整个算法耗费在小生境(Niche)算子上的时间太多,导致算法的效率较低.本文发展出多个体参与交叉的Pareto多目标遗传算法,群体中的个体采用真实值表示,使该算法的速度大大提高,同时证明了相应的模式定理,并提出用方差和熵来分析该算法对解群多样性的影响.最后用算例说明了采用多个体参与交叉的Pareto多目标遗传算法与常规算法比较的结果,证明了本文提出算法的优越性.     

基于双向搜索差分进化的多目标优化算法

针对差分进化算法求解多目标优化问题时易陷入局部最优的问题,设计了双向搜索机制以增强DE(Differential Evolution,DE)算法的局部搜索能力。一方面降低了算法陷入局部最优的风险,另一方面可增强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,提出的方法在搜索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。     

射频能量捕获传感网移动能量源的布置策略研究

射频能量捕获传感网（RF Energy Harvesting Wireless Sensor Network,RFEH-WSN）由专用射频能量源设备（Energy Transmitter,ET）和具有射频能量捕获功能的传感器节点（Energy Harvesting Recevier,简称EHR）组成.该网络解决了传感器网络中电池不易更换与节点能量容易耗尽的问题,使得RFEH-WSN应用前景更加广阔.RFEH-WSN应用中一个值得研究的问题是如何布置ET的充电位置,降低ET能耗且提高覆盖率.已有的工作主要考虑ET布置中单目标优化问题,如最小充电时间、最小功耗、最大覆盖率等.本文以时间最小和覆盖率最大为目标建立多目标优化模型,并提出利用粒子群算法（Particle Swarm Optimization,PSO）求解多目标函数（Multiple Object Program,MOP）的低复杂度近似算法,获得了最优Pareto解集.仿真结果表明,多目标优化可以满足不同情况的需求,提高充电效用.     

基于极坐标变换的改进NSGA-II算法

在实际工程中存在着大量的多目标优化问题,而由于大部分多目标优化问题有无穷多个最优解,且传统的数学方法如梯度下降法和牛顿法,无法求解一些不可微或表达式过于复杂的多目标优化问题。为避免以上局限,NSGA-II作为求解多目标优化问题的代表算法被提出,但NSGA-II算法仍存在着一些不足,如变异算子功能过于简单,降低了Pareto最优解的多样性。为增加Pareto最优解的多样性,文中设计了一种基于极坐标变换的改进NSGA-II算法,该算法可使得Pareto最优解分布更加均匀,并最终通过标准的测试函数验证了算法的有效性。     

偏好MOEA/D算法的研究与实现

在科研和工程实践中存在着很多需要同时优化的两个或多个相互冲突的多目标优化问题。多数情况下,人们使用多目标优化是为了寻求某一特定方向的Pareto解,但传统的优化方法只能得出分散的全部解集,不利于辅助决策。为此,提出一种带偏好的多目标优化算法(即偏好MOEA/D算法),该算法的核心思想是将一个多目标优化问题分解成多个单目标优化问题并同时优化,在子问题通过相邻子问题信息优化的过程中加入使用者偏好,最终得到方向明确的Pareto解集。经仿真验证,该算法具有突出的求解性能,便于辅助决策,且有较高的有效性和可拓展性。     

多策略差分进化的元胞多目标粒子群算法

为了增加Pareto解集的多样性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种多策略差分进化的元胞多目标粒子群算法.该算法在分析粒子群优化原理基础上,将元胞自动机理论融入粒子群算法,研究粒子种群的交流结构和信息传递机制.为了避免粒子飞行速度过快陷入局部收敛,提出一种限制粒子飞行速度的策略,并引入一种多策略差分进化选择算子增加对粒子的扰动.实验证明,该算法相对于比较算法,有更好的收敛性和多样性.     

改进的多目标粒子群算法优化设计及应用

针对粒子群算法存在易陷入局部最优点的缺点,提出了一种改进的带变异算子的多目标粒子群优化算法。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,提高帕累托(Pareto)最优解的多样性。与其他优化算法相比,该算法易于实现并且计算速度更快。通过计算Pareto前沿最优解设计最佳多层电磁吸收体,在吸收体的厚度与反射系数之间取得最佳折衷。通过对反射系数函数与吸收体厚度函数测试验证,该算法能够在保持优化解多样性的同时具有较好的收敛性。     

Multi mobile agent itinerary planning based on network coverage and multi-objective discrete social spider optimization algorithm

The multi mobile agent collaboration planning model was constructed based on the mobile agent load balancing and total network energy consumption index.In order to prolong the network lifetime,the network node dormancy mechanism based on WSN network coverage was put forward,using fewer worked nodes to meet the requirements of network coverage.According to the multi mobile agent collaborative planning technical features,the multi-objective discrete social spider optimization algorithm (MDSSO) with Pareto optimal solutions was designed.The interpolation learning and exchange variations particle updating strategy was redefined,and the optimal set size was adjusted dynamically,which helps to improve the accuracy of MDSSO.Simulation results show that the proposed algorithm can quickly give the WSN multi mobile agent path planning scheme,and compared with other schemes,the network total energy consumption has reduced by 15%,and the network lifetime has increased by 23%.     

一种基于边缘分布估计的多目标优化算法

该文提出了一种基于边缘分布估计的多目标优化算法,通过在每一进化代中估计较优个体的边缘概率分布来引导算法对Pareto最优解的搜索。通过与基于拥挤机制的多样性保持技术、基于非支配排序的联赛选择、精英保留等技术的有机结合,使得算法在具有良好收敛性能的同时,具有很好的维持群体多样性的能力。通过一组典型测试函数实验对该算法的性能进行了分析,并与NSGA-II、SPEA、PAES等知名多目标优化算法进行了比较,结果表明该文算法收敛速度较快,且得到的非支配解集分布均匀,适合于复杂多目标优化问题的求解。     

精英免疫克隆选择的协同进化粒子群算法

提出一种精英免疫克隆选择的协同进化粒子群算法（Elite immune clonal selection co-evolutionary particle swarm optimization,EICS-CPSO）.算法借鉴了协同进化思想和精英策略,基于精英种群与普通群体并行协同进化框架.高适应度的精英个体组成精英团体,运用自适应小波变异的免疫克隆选择算子对精英团体进行提升引导操作.普通种群间个体极值采用柯西交互学习机制提高微粒个体极值收敛性能;迁移操作进一步推进了整体信息共享与协同进化.实验结果表明该算法收敛精度快且全局搜索能力强,且具有较好的动态优化性能.实验分析表明该算法对参数不敏感,易于使用.     

Path planning algorithm for WCE with joint energy replenishment and data collection based on multi-objective optimization

Considering limited energy of the wireless charging equipment (WCE) in wireless rechargeable sensor network,an energy replenishment strategy and a data collection strategy are designed.On the basis of these,a path planning model for WCE with functions of joint energy replenishment and data collection based on multi-objective optimization is constructed with two optimization objectives,maximizing the total energy utility of WCE and minimizing the average delay of data transmission of all the sensor nodes in the network.To deal with it,a multi-objective ant colony optimization algorithm based on elitist strategy was proposed,where the state transition strategy and the pheromone updating strategy were improved.Then,the Pareto set was obtained in terms of this multi-objective optimization problem.The parameter setting of ant colony algorithm’s effects on the proposed algorithm were analyzed under 20 sensor nodes.50 groups of contrastive experiments show that the average number of energy utilization obtained by ES-MOAC algorithm is 4.53% higher than that of NSGA-II algorithm.The average number of average delay of all node data transmission obtained by ES-MOAC algorithm is 5.12% lower than that of NSGA-II algorithm.     

基于自适应截断策略的约束多目标优化算法

为提高约束多目标优化问题所求解集的分布性和收敛性,该文提出基于自适应截断策略的约束多目标优化算法。首先,自适应截断选择策略能够保留Pareto最优解和约束违反度及目标函数值均较优的不可行解,不仅提高了种群多样性,而且能够较好地兼顾多样性和收敛性;其次,为增强算法的局部开发能力,在变异操作和交叉操作之后进行指数变异;最后,改进的拥挤密度估计方式只选择一部分Pareto最优解和距离较近的个体参与计算,不仅更加准确地反映解集的分布性,而且降低了计算量。通过在标准测试问题(CTP系列)上与其他4种优秀算法的对比结果可以得出,该算法所求解集的分布性和收敛性均得到一定提高,而且相较于对比算法在求解性能上具备一定的优势。     

基于Pareto支配的MPRM电路面积与可靠性优化

针对MPRM（Mixed-Polarity Reed-Muller）电路的面积与可靠性折中优化问题,在逻辑级建立面积估算模型以及电路SER（Soft Error Rate）解析评价模型,并采用Pareto支配概念对MPRM电路进行面积与可靠性多目标优化.通过对MPRM电路的XOR部分进行树形异或门分解,并考虑多个输出之间异或门的共享,建立面积估算模型.采用信号概率和故障传播方法,并考虑电路中的逻辑屏蔽因素以及信号相关性,建立电路SER解析评价模型.根据所提出的面积和SER评价模型,采用极性向量的格雷码序穷举搜索MPRM的极性空间得到MPRM电路面积与可靠性的Pareto最优解集,并使用效率因子技术指标选取最终解.MCNC基准电路的实验结果表明,与面积最小MPRM电路相比,所选取的MPRM电路可以在较小面积开销的前提下获得较高电路可靠性.     

一种基于多样性信息和收敛度的多目标粒子群优化算法

为了提高多目标粒子群算法优化解的多样性和收敛性,提出了一种基于多样性信息和收敛度的多目标粒子群优化算法（Multiobjective Particle Swarm Optimization based on the Diversity Information and Convergence Degree,dicdMOPSO）.首先,利用非支配解多样性信息评估知识库中最优解的分布状态,设计出一种全局最优解选择机制,平衡了种群的进化过程,提高了非支配解的多样性和收敛性;其次,基于种群多样性信息设计出一种飞行参数调整机制,增强了粒子的全局探索能力和局部开发能力,获得了多样性和收敛性较好的种群.最后,将dicdMOPSO应用于标准测试函数测试,实验结果表明,dicdMOPSO与其他多目标算法相比不仅获得了多样性较高的可行解,而且能够较快的收敛到Pareto前沿.