带有盒子约束的多目标优化问题的进化算法

针对带盒子约束的多目标优化问题,提出一种多目标优化进化算法。在选择过程中．采用Pareto支配和聚集距离排序来挑选出有代表性的个体。在变异过程中,沿着权重梯度方向搜索来寻找可行的Pareto最优解。最后,采用两个数值算例测试算法的性能,通过与NSGA—II的比较结果表明该算法能获得多目标优化问题的可行Pareto最优解并且具有很好的分散性。     

多目标进化算法测试问题的设计

为了有效地检测多目标进化算法在求解各类多目标优化问题时的性能,从3个方面讨论了多目标优化测试问题的设计,即约束条件、最优解分布的均匀性、算法逼近Pareto最优前沿的难度.针对每一方面,都设计了一个相关的测试问题,并采用NSGA Ⅱ算法进行了仿真实验.结果显示,测试问题能够有效检测算法在上述三方面的性能,尤其是在约束处理方面.这些测试问题可供研究人员用来评价他们所设计的多目标优化算法.     

改进差分进化算法在铝电解多目标优化中的应用

针对多目标优化问题,提出一种改进的差分进化算法(DE).该改进算法首先将DE与粒子群优化算法(PSO)结合,提高DE的收敛速度,然后引入多种群进化策略,有利于维持Pareto解的多样性.同时,在综合考虑机理与工艺的基础上建立铝电解多目标优化模型,并应用改进算法进行求解.仿真结果表明:在电流效率为92％时,改进算法所得的直流功耗为14.03 MW.h/t,比NSGA-Ⅱ的直流功耗降低了1.45％,比传统DE的直流功耗降低了1.75％.表明本文改进算法有效地提高了传统进化算法的性能.     

一种基于混沌变异的多目标粒子群优化算法

针对多目标优化(multi-objective optimization problem,MOP)问题,特别是解集分布非均匀问题,提出一种基于混沌变异的优化算法。通过Pareto支配思想来决定粒子的飞行方向,在进化后期加入混沌变异操作,有效地避免早熟收敛现象;根据粒子群优化算法(particle swarm optimization,PSO)特有的记忆建立外部档案,动态引导微粒在每一次迭代的飞行方向。最后通过8个标准多目标测试函数进行测试,实验结果表明该算法是有效可行的,其性能比SPEA和NSGAII更优。     

基于三方竞争机制的反向多目标粒子群优化算法

针对传统多目标粒子群优化算法容易早熟的问题,提出一种基于三方竞争机制的反向多目标粒子群优化算法(MOPSO-TCOL).该算法利用当前种群在每一代中选择的三方竞争者来引导种群进化,这能够有效减少维护外部存档时的计算成本.在每次竞争中,MOPSO-TCOL从种群中随机挑选3个粒子进行比较,并基于不同的策略分别进行更新,这有利于保持种群的多样性.提出了一种基于反向学习策略的渐进式粒子更新方式,部分粒子进行反向学习以避免算法陷入局部最优,其他粒子通过向指定的更优粒子学习进行更新以加强收敛性.将所提出算法与8个多目标优化算法在14个标准测试函数上进行了性能比较试验.结果表明MOPSO-TCOL算法在多样性和收敛性上具有显著优势,且具有更快的收敛速度.     

多目标进化算法研究综述

简要介绍了多目标进化算法(MOEAs)的基本框架、研究历史、总体分类和主要方法,同时讨论了进化算法(EAs)在多目标优化的应用中的几个关键性问题及今后需进一步研究的工作.     

多目标优化的微分进化算法

将微分进化算法的应用范围从求解无约束单目标优化推广到求解一般情形的多目标优化.与传统优化算法及一般的进化算法相比,该算法特点在于直接将约束条件以及多目标性结合到进化算子中.算例表明,该算法是有效的.     

多目标优化的微分进化算法

将微分进化算法的应用范围从求解无约束单目标优化推广到求解一般情形的多目标优化。与传统优化算法及一般的进化算法相比,该算法特点在于直接将约束条件以及多目标性结合到进化算子中。算例表明,该算法是有效的。     

一种改进的求解多目标优化问题的进化算法

针对多目标优化问题,传统进化算法维护种群多样性的方法主要依赖于共享函数,但其小生境半径难以进行有效地设置。该文提出一种改进的求解多目标优化问题的进化算法,新算法引入了近邻函数准则(NFC),将其用于选择过程,可以从种群中选择出较好的个体,并确保种群的多样性。此外,新算法中融入了一种基于近邻函数准则的Pareto候选集的维护方法,利用这种方法可以有效地维护候选解集中个体的多样性。对所提出的算法,从时间和空间复杂度进行了理论分析。对一组典型优化问题的测试表明:该文提出的算法具有较高的搜索性能,解集分布的多样性与收敛性均较理想。     

多目标投资决策模型的进化算法

对一般的多目标投资决策问题给出了一种进化算法,并在微机上进行了大量试算,获得了良好的效果。     

A Multi-objective optimal evolutionary algorithm based on tree-ranking

Multi-objective optimal evolutionary algorithms (MOEAs) are a kind of new effective algorithms to solve Multi-objective optimal problem (MOP). Because ranking, a method which is used by most MOEAs to solve MOP, has some shortcomings, in this paper, we proposed a new method using tree structure to express the relationship of solutions. Experiments prove that the method can reach the Pare-to front, retain the diversity of the population, and use less time. Foundation item: Supported by the National Natural Science Foundation of China(60073043, 70071042, 60133010) Biography: Shi Chuan( 1978-), male, Master candidate, research direction; intellective computation, evolutionary computation.     

基于优势排序数的多目标多式联运方案优化

针对带服务时间窗的多式联运方案优化问题,考虑运输总成本和运输过程中不准点导致的延误总时间两个目标,建立了多时间窗多目标多式联运数学模型,引入基于分目标的优势排序数和总优势排序数概念,证明了优势排序数的若干重要性质,依据总优势排序数的性质构建适应度函数,设计了一种基于优势排序数及寻求Pareto最优解的多目标离散粒子群算法,案例结果表明了模型和算法的可行性和有效性,算法给出的Pareto最优解也从实践角度证明了总优势排序数的性质.     

多粒子群协同优化算法

提出一种多粒子群协同优化(PSCO)方法．PSCO是2层结构：底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快算法收敛．这些粒子群含的粒子数以及粒子状态更新策略不要求相同．为改善粒子群容易陷入局部极小的弱点,提出扰动策略,当1个粒子群的当前全局最优解未更新时间大于扰动因子时,重置粒子的速度,迫使粒子群摆脱局部极小．用Rosenbrock函数等3种基准函数做优化实验表明,PSCO性能优于经典PSO,FPSO和HPSO等算法．     

基于粒子群优化的多目标作业车间调度

为了利用粒子群优化算法解决作业车间调度问题,提出了将调度问题转化为连续优化问题的有效策略;设计了Pareto档案粒子群算法(PAPSO),该算法将档案维护和全局最好位置选取结合在一起,在档案维护过程中为每个粒子选取全局最好位置;给出了变异与PAPSO的结合新策略.将PAPSO和带变异的PAPSO应用于15个调度实例,以最小化总拖后时间和最大完成时间,与强度Pareto进化算法2等进行比较,结果验证了PAPSO在作业车间调度方面的良好性能.     

基于多目标粒子群算法的应急物流储备库选址

针对应急物流的特点,提出了应急物流储备库选址应考虑各行政区的风险权重、灾害处置难度、储备库恢复能力、地区影响程度及建设成本等因素.借助普通物流选址思想,构建了基于多目标粒子群算法的应急物流储备库选址模型.并以长株潭城市群应急物流系统构建为例,进行了应急物流储备库选址实例研究.     

关于多目标演化算法的策略分析

基于Pareto排序算法的多目标演化算法是多目标演化算法所采用的重要方法,本文叙述了多目标演化算法(MOEAs)的有关概念,在分析已有算法的一些性能和特征的基础上,结合演化算法的有关概念,重点基于Pareto排序算法分析了影响多目标演化算法性能的两大方面:求解过程中解集合的多样性、均匀性分布的保持与维护以及解的收敛性,分析了MOEAs设计中需要注意的策略问题以及今后研究的重点.     

基于混合PSO的复杂产品功能模块划分方法

模块化设计是实施大批量定制生产的关键技术,合理地划分模块是模块化设计的基础及关键所在.文章在分析前人研究结果的基础上,首先根据产品组件和功能模块的贡献度矩阵,构建功能模块划分的数学模型;然后为上述模型设计了基于混合PSO的详细算法,给出了算法的计算结果,验证了算法的可行性和有效性.     

一种搜索空间自适应变化的自适应粒子群算法

提出一种搜索空间自适应的自适应粒子群优化算法.该算法对不同等级的粒子适应值采取不同的惯性权重,并随着算法的迭代不断缩小粒子群的搜索空间.同时,选择当前代的较优部分粒子直接进入下一代,其他粒子通过在缩小的搜索空间内随机生成,加快了种群收敛速度,同时又能使种群不断跳出局部最优解.几种典型函数的仿真实验表明,该算法在收敛速度...     

Dynamic Multi-objective Optimization of Chemical Processes Using Modified Bare- Bones MOPSO Algorithm

Dynamic multi-objective optimization is a complex and dimcult research topic of process systems engineering. In this paper. a modified multi-objective bare-bones particle swarm optimization （ MOBBPSO） algorithm is proposed tbat takes advantage of a few parameters of bare-bones algorithm. To avoid premature convergence. Gaussian mutation is introduced; and an adaptive sampling distribution strategy is also used to improve the exploratory capability. Moreover. a circular crowded sorting approach is adopted to improve the uniformity of the population distribution. Finally. by combining the algorithm with control vector parameterization. an approach is proposed to solve the dynamic optimization problems of chemical processes. It is proved that the new algorithm performs better compared with other classic multiobjective optimization algorithms through the results of solving three dynamic optimization problems.     

基于进化算法的约束处理技术

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,因而对其研究具有十分重要的理论和实际意义．进化算法是一种模拟自然进化过程的全局优化方法。综述基于进化算法的约束处理技术研究现状,提出几个值得关注的研究问题。