基于参考点的高维多目标粒子群算法

高维多目标优化问题一般指目标个数为4个 或以上时的多目标优化问题.由于种群中非支配解数量随着目标数量的增加而急剧增多,导致进化算法的进化压力严重降低,求解效率低.针对该问题,提出一种基于粒子群的高维多目标问题求解方法,在目标空间中引入一系列的参考点,根据参考点筛选出能兼顾多样性和收敛性的非支配解作为粒子的全局最优,以增大选择压力.同时,提出了基于参考点的外部档案维护策略,以保持最后所得解集的多样性.在标准测试函数DTLZ2上的仿真结果表明,所提方法在求解高维多目标问题时能够得到收敛性和分布性都较好的解集.     

一种基于自适应模糊支配的高维多目标粒子群算法

高维多目标优化问题由于具有巨大的目标空间使得一些经典的多目标优化算法面临挑战.提出一种基于自适应模糊支配的高维多目标粒子群算法MAPSOAF,该算法定义了一种自适应的模糊支配关系,通过对模糊支配的阈值自适应变化若干步长,在加强个体间支配能力的同时实现对种群选择压力的精细化控制,以改善算法的收敛性;其次,通过从外部档案集中选取扰动粒子,并在粒子速度更新公式中新增一扰动项以克服粒子群早熟收敛并改善个体分布的均匀性;另外,算法利用简化的Harmonic归一化距离评估个体的密度,在改善种群分布性的同时降低算法的计算代价.该算法与另外五种高性能的多目标进化算法在标准测试函数集DTLZ{1,2,4,5}上进行对比实验,结果表明该算法在收敛性和多样性方面总体上具有较显著的性能优势.     

基于超球形模糊支配的高维多目标粒子群优化算法

高维多目标优化问题（MAOP）会随着待优化问题维度的增加形成巨大的目标空间,导致在目标空间中非支配解的比例急剧增加,削弱了进化算法的选择压力,降低了进化算法对MAOP的求解效率。针对这一问题,提出一种以超球型支配关系降低种群中非支配解数量的粒子群优化（PSO）算法。算法以模糊支配策略来维持种群对MAOP的选择压力,并通过全局极值的选择和外部档案的维护来保持种群个体在目标空间中的分布。在标准测试集DTLZ和WFG上的仿真结果表明,所提算法在求解MAOP时具备较优的收敛性和分布性。     

目标空间映射策略的高维多目标粒子群优化算法

为了平衡优化算法在高维多目标优化问题中收敛性和多样性之间的关系,增加算法的选择压力,本文提出了一种基于目标空间映射策略的高维多目标粒子群优化算法(many-objective particle swarm optimization al-gorithm based on objective space mapping ...     

基于R2指标和目标空间分解的高维多目标粒子群优化算法

基于R2指标和分解策略的多目标粒子群优化算法(R2-MOPSO)在求解2、3个目标优化问题时具有较好的收敛性和多样性,但在求解高维多目标优化问题时难度较大.对此,提出一种基于R2指标和目标空间分解的高维多目标粒子群优化算法(R2-MOPSO-II).首先借鉴R2指标和目标空间分解策略综合权衡选择过程的收敛性和多样性,设...     

进化高维多目标优化研究进展

高维多目标优化问题是目标个数多于3的多目标优化问题.尽管进化优化方法在多目标优化问题求解中显示了卓越的性能,但是,对于高维多目标优化问题,已有方法存在目标维数难以扩展、Pareto占优关系无法区分进化个体,以及多样性维护策略失效等困难.因此,高维多目标优化问题的高效求解引起进化优化界的高度关注.本文将分别从新型占优关系、多样性维护策略、目标缩减、目标聚合、基于性能指标的选择、融入偏好、集合进化、变化算子、可视化技术,以及应用等10个方面分类总结近年来进化高维多目标优化的研究成果,通过分析已有研究存在的问题,指出今后可能的研究方向.     

进化高维多目标优化研究综述

高维多目标优化问题(many-objective optimization problems, MaOPs)已经普遍存在于工业和科学领域中,这类问题的目标数一般超过3个且目标之间存在冲突性。进化算法作为一种基于种群的元启发式搜索方法已经被证实能够有效求解MaOPs。近二十年来,高维多目标进化算法(many-objective evolutionary algorithms, MaOEAs)研究已取得了长足发展。现对进化高维多目标优化(evolutionary many-objective optimization, EMaO)的研究进展进行全面的综述,具体包括：(1)描述了EMaO的相关理论背景;(2)分析了EMaO面临的挑战;(3)详细讨论了Ma OEAs的发展概况;(4)归纳了Ma OPs以及性能指标;(5)介绍了面对高维目标空间的可视化工具;(6)总结了Ma OEAs在一些领域的应用;(7)剖析了进化算法在解决MaOPs时所面临的问题和挑战,并给出未来研究方向的建议。     

基于线性权重最优支配的高维多目标优化算法

在高维多目标优化问题中,Pareto支配关系存在非支配解随优化目标数增加呈指数级增长和种群选择压力下降等问题。针对这些问题,基于线性权重聚合函数和支配关系两种比较多目标解方法的思想,提出一种线性权重最优支配关系（LWM-dominance）,并理论证明了LWM非支配解集是Pareto非支配解集的子集,同时保留了种群中重要的角解。进一步地,基于LWM支配关系,实现了一个高维多目标进化优化算法,基于该算法的实验验证了LWM支配关系的性质。在随机解空间中的实验结果表明LWM支配关系适用于5~15个目标的高维多目标优化问题,通过DTLZ1~DTLZ7高维多目标优化问题进化过程中LWM非支配解集与Pareto非支配解集规模的对比实验,结果表明优化目标数为10和15时非支配解的比例平均下降了约17%。     

改进聚合树的高维多目标降维优化算法

对于高维多目标优化问题,降维优化算法通过去除或融合冗余目标的方法解决算法耗时过多的问题,但同时也会导致算法分布性能下降。聚合树算法定义非参数秩冲突从而可以快速计算出各目标间冲突度,但聚合树算法鲁棒性有待提高,且需要用户自行决策去除冗余目标。针对这些问题,提出数组叠加机制并定义冲突趋势和冲突度误差,以提高算法鲁棒性;通过合并冲突度较低的冗余目标的方法来进行目标降维,并定义降维截止冲突度;与NSGA-III算法结合,以达到对高维多目标问题进行完整降维优化的目的。为检验该算法性能,与其他经典高维算法进行对DTLZ测试函数集的优化对比,实验结果表明,该算法在耗时更少的同时,也具有较为优秀的分布性能和收敛性能。     

基于改进K 支配排序的高维多目标进化算法

为提高4目标以上高维多目标优化问题的求解性能,提出一种基于改进K支配排序的高维多目标进化算法(KS-MODE).该算法针对K支配的支配关系和排序方法进行改进,避免循环支配并增强选择压力;设计新的全局密度估计方法提高局部密度估计精确性;设计新的精英选择策略和适应度值评价函数;采用CAO局部搜索算子加速收敛.在4～30个目标标准测试函数上的实验结果表明,KS-MODE能够在保证解集分布性的同时大幅提升收敛性和稳定性,能够有效求解高维多目标优化问题.     

一种基于相角映射的改进多目标粒子群优化算法

提出一种相角粒子群优化算法求解多目标优化问题。该算法采用相角映射实现了粒子在相角空间上仅依赖于归一化多目标函数的快速搜索,在粒子飞行信息共享机制上引入共享池概念,提出基于关联支配排序和相似度排序的共享池更新策略,提高了Pareto解的多样性。采用Sigma领导策略和混沌变异操作,平衡了算法的快速搜索能力和全局寻优能力。标准多目标测试函数和电力系统广域阻尼控制多目标优化算例表明了所提出算法的可行性和有效性。     

求解多目标优化问题的灰色粒子群算法

鉴于基本粒子群算法无法解决高维多目标优化问题,提出了一种适合求解高维多目标优化问题的灰色粒子群算法(GPSO),该算法根据灰色关联能够很好地分析目标矢量之间的接近程度,并能掌握解空间全貌的特点,利用灰色关联度的大小来选取粒子群算法中的全局极值和个体极值。实验结果证明,该算法可行而有效,同时也拓展了粒子群算法的应用领域。     

一种改进的多目标粒子群优化算法

提出一种改进的多目标粒子群优化算法,该算法采用精英归档策略,由档案库中的非劣解提供粒子速度更新时的全局最优位置,根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的线密度度量非劣解前端的均匀性,通过删除小密度的非劣解提高非劣解前端的均匀性。针对多目标进化算法理论型指标的不足,设计了应用型评价指标。标准函数的仿真实验结果表明,所提算法能够获得大量的非劣解,快速地收敛于Pareto最优解前端,且分布比较均匀。     

基于多点速度向量的多目标粒子群算法改进

针对多目标粒子群算法在高维条件下易早熟、迭代步骤数较多的问题,通过引入多点速度向量,提出一种基于多点速度向量的多目标粒子群改进算法,由于改进的多目标粒子群可以看成多个对于目标函数和当前种群的多目标最优点独立的速度和位置分量的叠加,减少了在目标函数最优值搜索之间相互的影响,从而有效地提高多目标粒子群在高维条件下的收敛速度以及准确性,理论证明这这种改进的有效性。实验结果证明了理论推导的正确性。     

一种新的多目标粒子群优化算法

论文提出了一种基于拥挤度和动态惯性权重聚合的多目标粒子群优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值,用外部存档策略保存搜索过程中发现的非支配解;采用适应值拥挤度裁剪归档中的非支配解,并从归档中的稀松区域随机选取精英作为粒子的全局最优位置,以保持解的多样性;采用动态惯性权重聚合的方法以使算法尽可能地逼近各目标的最优解。仿真结果表明,该算法性能较好,能很好地求解多目标优化问题。     

自组织多目标粒子群优化算法

针对多目标粒子群优化算法收敛性和多样性难以平衡的问题,提出一种利用问题的结构信息来解决多目标问题的自组织多目标粒子群算法。通过自组织映射网络发现种群和非支配解集分布的结构,构造出当前粒子的邻域关系,从邻域中选出非支配解,从而引导种群局部和全局的搜索。提出了精英学习策略,通过对精英粒子进行变异,引导算法跳出局部最优。实验结果表明,所提算法可以兼顾收敛性和多样性,有效地解决多目标优化问题。     

基于博弈机制的多目标粒子群优化算法

为改善多目标粒子群算法存在优化解的多样性不足和算法的收敛性问题,提出一种基于博弈机制的多目标粒子群优化算法。使用博弈机制,无需外部储备集,通过非占优排序和拥挤距离选出一部分优秀的粒子,从这些优秀的粒子中随机选择一个作为全局最优粒子,有效提升算法的收敛性和种群的多样性。算法初期使用多尺度混沌变异策略,避免算法陷入局部最优。通过与6个多目标算法在3个系列标准测试函数上进行比较,验证了该算法所得解分布性较好,能快速收敛到真实Pareto前端。     

基于决策者偏好区域的多目标粒子群算法研究*

多目标优化问题中,决策者往往只对目标空间的某一区域感兴趣,因此需要在这一特定的区域能够得到比较稠密的Pareto解,但传统的方法却找出全部的Pareto前沿,决策效率不高。针对该问题,给出了基于决策者偏好区域的多目标粒子群优化算法。它只求出与决策者偏好区域相关的部分Pareto最优集,从而减少了进化代数,加快收敛速度,有利于决策者进行更有效的决策。算法把解与偏好区域的距离作为影响引导者选择和剪枝策略的一个因素,运用格栅方法实现解在Pareto边界分布的均匀性。仿真结果表明该算法是有效的。     

求解人力资源分配问题的多目标微粒群优化算法*

提出一种改进的多目标微粒群优化算法来求解人力资源分配问题.通过对种群进行正交初始化,保证了个体在整个可行解空间上的均匀分散,使得算法能够在整个可行解空间上进行均匀搜索;通过基于网格技术的外部存档非劣解删选策略,有效地保留了逼近Pareto前沿的非劣解;引入一种广义的学习策略来提升粒子向Pareto前沿收敛的概率.实验结...     

用于约束多目标优化问题的混合粒子群算法

针对约束多目标优化问题,结合Pareto支配思想、锦标赛选择和排挤距离技术,采用双种群搜索策略,引进免疫机制,对传统的粒子更新策略进行改进,提出一种用于求解约束多目标优化问题的混合粒子群算法。通过4个标准约束多目标函数进行测试,测试结果表明,该方法有效可行,相比传统多目标优化算法更优。