约束多目标人工蜂群算法

为提高约束多目标进化算法的收敛性和解集分布性,提出一种基于人工蜂群算法的改进约束多目标进化算法CMABC。在利用外部种群分别存储较优可行解和不可行解处理约束条件的基础上,根据约束多目标问题的特点,对外部种群的更新方式、迭代种群的更新方式及人工蜂群算法进行改进。实验仿真结果表明,CMABC相对于目前性能较好的MOABC及HPSO具有一定优势,能够在保证良好收敛性的同时,使获得的Pareto最优解集具有更均匀的分布性和更广的覆盖范围,适合于约束多目标优化问题的求解。     

复杂机械产品性能意图优化研究

为解决专用装备制造业中复杂机械产品多设计参数、多设计约束、多设计目标的设计优化问题,采用一种基于Pareto最优解的多目标广义差分进化(GDE)算法.GDE算法在普通差分进化算法的基础上改进了约束条件的处理方法,利用差分进化算法模拟生物种群进化,以群体中的所有个体为对象,采用随机化技术对一个被编码的参数空间进行高效搜索,通过反复迭代搜索到多目标优化问题的近似Pareto最优解集.以高速工业平缝机勾线机构的设计为例,通过对求得的Pareto最优解集的分析,得到了高速工业平缝机勾线机构的设计特性,为设计人员今后进行高速工业平缝机勾线机构性能设计优化提供了充分的依据.     

一种新的差分进化约束优化算法

对于约束优化问题,目前提出的差分进化算法大多采用罚函数法,但此方法对罚参数有很强的依赖性.基于此,把约束优化问题中的约束条件当作一个目标函数,从而把约束优化问题转化为有两个目标函数的多目标优化问题.借鉴多目标优化中的Pareto的概念,对种群中的个体规定等级,便于在优胜劣汰过程中确定选择概率.同时,在算法陷入局部最优时,采用一种不可行解替换机制来提高算法搜索能力.对13个标准测试问题的测试结果表明,与动态惩罚函数的进化算法、可行性规则的差分进化算法、采用随机排序的进化策略以及人工免疫响应约束进化策略相比,新算法在求解精度上均具有一定的优势.     

两阶段三存档集约束优化算法(TSDA)

针对约束优化算法采用相同的进化策略处理位于Pareto边缘的解与函数值较差的解,使得寻优结果较差,提出一种两阶段三存档集约束优化算法.该算法分为两个阶段.第一阶段:根据ε(t)值将种群分为3个存档集,即非支配解存档集、支配解存档集以及非支配可行解存档集.非支配解存档集进行混合策略的双重寻优,既避免了算法陷入局部最优,又使得靠近前沿的解加速收敛;支配解存档集则注重于全局搜索,从而有利于算法搜索到更优可行解.非支配解存档集和支配解存档集使用不同的优化策略进行进化,提高了算法的寻优能力.第二阶段:在第一阶段达到设定的代数时,将各代保留到非支配可行解存档集中的个体进行快速非支配排序,选出的N个优秀个体则为最优解.最后,将提出的算法与其他约束多目标进化算法在3种经典约束测试函数上进行对比,仿真结果表明,所提出算法在不同类约束条件下的寻优能力均具有优势.     

基于正态分布和自适应变异算子的ε截断算法

针对约束优化算法不能很好协调收敛性及分布性的问题,提出一种基于正态分布和自适应变异算子的ε截断算法。将正态分布引入模拟二进制交叉算子中,使算法可搜索的空间范围更广,更易跳出局部最优;利用自适应变异算子,将种群个体当前信息与变异算子结合起来,引导种群向真实的Pareto前沿进行进化;结合自适应的ε截断策略,保留Pareto最优解和一定数量的不可行解,同时利用不可行解的信息,加大对搜索空间的探索力度,从而提高种群多样性。采用3种标准测试函数对算法进行测试,试验结果表明:本研究所求解集能够很好的跟踪真实的Pareto解集。该方法可以有效地协调算法的收敛性及分布性。     

基于核分布估计的动态多目标优化进化算法

建立了一种近似估计下一环境进化种群和问题的Pareto最优解集的核分布估计方法, 当问题环境发生改变时, 算法利用以前不同环境搜索到的有用解信息对下一环境进化种群及Pareto最优解集进行近似估计, 极大地提高了算法的搜索效率。在对进化算子的合理设计基础上提出了一种核分布估计的动态多目标优化进化算法。通过对4个常用标准测试函数所作的数据仿真实验表明:提出的算法是十分有效的.     

求解约束优化问题的引导多目标差分进化算法

将约束优化问题转化为带偏好的双目标优化问题,用差分进化算法求解转化问题。为了克服基于Pareto支配关系的多目标算法求解转化问题时没有考虑问题偏好、收敛慢等缺点,借助多目标α-支配关系的特点,提出了基于动态α-支配的新适应度函数。新适应度函数根据种群中可行解的比例动态平衡进化过程中对两个目标的偏好,引导算法不断向问题的偏好区域靠近,从而快速收敛到约束优化问题的最优解。对6个标准测试函数的数值实验结果表明:基于α-支配的动态引导多目标差分进化算法能快速收敛到问题的最优解。与3种经典高效算法的比较说明,所提出算法的鲁棒性强且效率高。     

用于解决多目标0/1背包问题的免疫系统Pareto强度算法

将人工免疫系统的机理与Pareto强度算法相结合,提出一种用于解决多目标0/1背包问题的免疫系统Pareto强度算法(ISSPA).ISSPA结合克隆选择操作和注射疫苗操作,并通过免疫特异性度量保持种群的良好多样性和算法的全局搜索能力.与其他多目标进化算法的对比实验证明,ISSPA搜索得到的Pareto解的支配能力和在空间分布的均匀性上较其他几种多目标进化算法有明显的优势.     

基于改进NSGA-Ⅱ的云服务PDTs调度算法

基于多目标优化的云计算PDTs调度是一个NP问题,考虑云计算用户的服务质量(Qo S)要求,将处理PDTs的成本和时间要求作为目标,提出一种基于改进NSGA-Ⅱ的云服务PDTs调度算法.采用相似任务序列交叉(STOX)操作加快进化,而采用位移变异避免算法过早收敛,此外,还利用一个拥挤距离自适应算子(SCD)来改善Pareto最优前沿的个体多样性.仿真结果表明该算法在云PDTs调度中保持Pareto最优解的多样性和分布性方面优于NSGA-Ⅱ算法.     

基于分解的自适应多目标粒子群算法研究

针对多目标粒子群算法在选取全局最优解和保持种群多样性上存在的缺陷,本文提出了一种基于分解的自适应多目标粒子群优化算法。该算法采用切比雪夫聚合方法,将多目标问题聚合为若干个单目标问题,并对每一个单目标问题粒子的速度和位置更新公式进行改进,提高了算法搜索到Pareto解集的效率。同时,改进了惯性权重和加速因子,使其自适应调整,能够更好地平衡全局和局部搜索,采用网格技术存储最优解集,能有效保持进化群体的分布均匀性,并采用5个经典的两目标测试函数进行了仿真实验。实验结果表明,通过改进粒子群算法的速度和位置更新公式,可以提高非支配解对真实解的逼近程度,体现了本算法的有效性;多目标粒子群优化算法求得的Pareto解集,在解的收敛性和分布性上都有明显的提升。本算法为求解多目标优化问题提供了一种新的方法。     

Novel constrained multi-objective biogeography-based optimization algorithm for robot path planning

A constrained multi-objective biogeography-based optimization algorithm （CMBOA） was proposed to solve robot path planning （RPP）. For RPP, the length and smoothness of path were taken as the optimization objectives, and the distance from the obstacles was constraint. In CMBOA, a new migration operator with disturbance factor was designed and applied to the feasible population to generate many more non-dominated feasible individuals; meanwhile, some infeasible individuals nearby feasible region were recombined with the nearest feasible ones to approach the feasibility. Compared with classical multi-objective evolutionary algorithms, the current study indicates that CM- BOA has better performance for RPP.     

求解约束多目标优化问题的Agent进化算法

针对目前Agent进化算法难以处理含约束多目标优化的问题,把标准化的约束违反程度作为一个优化目标,从而对Agent所具有的能量产生影响;设置了最优解集和最优可行解集两个外部存储集,以便在寻优过程中保持Agent群体的多样性;对可行解以及约束违反程度小的Agent进行局部爬山操作,更加有利于寻找最优可行解。将算法应用于数值实例和焊接梁的设计优化问题中,表明该算法既保持了种群的多样性,又能够快速收敛。     

A new evolutionary algorithm for constrained optimization problems

To solve single-objective constrained optimization problems,a new population-based evolutionary algorithm with elite strategy(PEAES) is proposed with the concept of single and multi-objective optimization.Constrained functions are combined to be an objective function.During the evolutionary process,the current optimal solution is found and treated as the reference point to divide the population into three sub-populations:one feasible and two infeasible ones.Different evolutionary operations of single or multi-objective optimization are respectively performed in each sub-population with elite strategy.Thirteen famous benchmark functions are selected to evaluate the performance of PEAES in comparison of other three optimization methods.The results show the proposed method is valid in efficiency,precision and probability for solving single-objective constrained optimization problems.     

基于进化算法的带约束混合动力系统多目标优化

为获得无需将多目标优化问题转化为单目标优化问题的混合动力系统多目标优化方法,分析了并联混合汽车总成模型,建立了带约束混合动力系统多目标优化数学模型,并给出了优化目标、待优化参数及约束条件。设计了基于NSGA-Ⅱ的混合动力系统多目标优化算法,该算法基于Pareto支配性原理判定所得方案的优劣,不需要指定各个目标的权系数。仿真优化结果表明:优化后的系统百公里油耗平均下降了0.25%,污染物排放平均下降了2.75%,蓄电池充电效率分布由[0.8,0.9]变为[0.85,0.9],放电效率分布由[0.82,1.0]变为[0.95,1.0],作者提出的方法可以优化混合动力系统的性能。     

Constrained Optimization Algorithm Based on Double Populations

In order to improve the distribution and convergence of constrained optimization algorithms, this paper proposes a constrained optimization algorithm based on double populations. Firstly the feasible solutions and infeasible solutions are stored separately through two populations, which can avoid direct comparison between them. The usage of efficient information carried by the infeasible solutions will enlarge exploitation scope and strength diversity of populations. At the same time, adopting the presented concept of constraints domination to update the infeasible set may keep good variety of population and give consideration to convergence. Also the improved mutation operation is employed to further raise the diversity and convergence. The suggested algorithm is compared with 3 state-of-the-art constrained optimization algorithms on standard test problems g₀₁-g₁₃. Simulation results show that the presented algorithm has certain advantages than other algorithms because it can ensure good convergence accuracy while it has good robustness.     

柔性作业车间分批调度多目标优化方法

为了解决柔性作业车间中小批量工件的分批调度多目标优化问题,构建以制造工期、拖期惩罚、加工成本、批次数量和机器总负荷为目标函数的柔性作业车间多目标调度模型.应用改进的强度Pareto进化算法（SPEA）求解.在该算法中,应用模糊c 均值聚类（FCM）加快外部种群的聚类过程,引入自适应的变异算子来增强解的多样性.采用约束Pareto支配和可变长度的编码策略,一次运行就能够求得Pareto最优解集.利用模糊集合理论得到Pareto解的优先选择序列,并从中选出一个最优解.该方法将工件分割成具有柔性数量的多个批次,使各批次的工艺路线选取及加工顺序得到优化.通过实例仿真对该方法的性能进行比较分析.将该方法应用于某机械公司车间调度中,验证了该方法的有效性和适应性.     

改进多目标进化算法的云工作流调度

针对云计算和云存储资源复杂变化的定价机制给云工作流调度带来了极大的挑战问题,建立了考虑定价机制的多目标云工作流调度模型。针对云工作流调度问题的特点,设计了一种实数编码机制,使得现有的基于实数编码的交叉算子能够直接用于求解云工作流调度问题,从而避免了现有组合优化方法需要进行解的可行性修正的问题。进一步在MOEA/D算法框架下,设计了一种启发式局部搜索策略,提出了一种新的进化多目标云工作流调度算法。仿真试验结果表明,与目前主流的进化多目标优化算法相比,该算法在求得帕累托最优解集的宽广性和均匀性上具有明显的优势,且算法稳定性更好。该方法对于云平台资源利用率的提升具有重要的应用价值。