多目标优化算法在多分类中的应用研究

 Cai等人用多目标粒子群算法(MOPSO)优化多目标聚类学习和分类学习框架(MSCC)的多目标问题时,种群只能得到少量的非支配解,不利于种群优化.而在此情况下,NSGA-II由于采用了Pareto排序的方法,种群中会保留大量优秀的支配解,有利于种群优化,所以本文引进了NSGA-II优化MSCC框架的多目标问题.通过对数据集的测试,验证了在NSGA-II的优化下,对于大多数测试问题,MSCC框架设计的分类器的最大分类正确率高于MOPSO优化MSCC框架的结果.进而对实验结果做了进一步分析,发现了最大正确率不随多目标优化算法的优化过程而提高的问题.     

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。     

一种基于不完全信息环境下多议题协商的最优化

文章探讨了Agent之间双边多议题的协商。主要以议程和协商程序这两个因素研究了其结果．并分析了不完全信息环境下不同议程和程序的协商过程，在此基础上，我们确定了逐一问题和一揽子交易两个协商程序的平衡策略，最后，给出了每个Agent所有可能议程和过程组合优化的协商结局。     

基于收敛速度和多样性的多目标粒子群种群规模优化设计

针对多目标粒子群优化算法种群规模难以确定的问题,文中提出了一种基于收敛速度和多样性的多目标粒子群优化（Convergence speed and Diversity-based Multi-Objective Particle Swarm Optimization,CD-MOPSO）算法.首先,利用优化过程的收敛速度和多样性指标构造种群规模适应度函数,完成了种群规模与优化性能关系的描述;其次,基于适应度函数设计了一种种群规模自适应调整方法,实现了种群规模的动态调整;最后,将提出的CD-MOPSO在基准优化问题ZDT上测试并应用于城市管网优化,实验结果显示CD-MOPSO能够根据求解问题自动调整种群规模,与NSGA-Ⅱ、MOPSO、SPEA2和EMDS-MOPSO相比具有更快的收敛速度和更好的优化结果.     

一种求解多目标优化问题的粒子群算法的研究

为改善多目标粒子群算法的收敛性和多样性,通过对粒子群算法全局极值和个体极值选取方式的研究,采用随机选取和评估选取相结合的方法选取全局极值和个体极值,提出了一种可用于解决多目标优化问题的粒子群优化算法,从而实现了对多目标优化问题的非劣最优解集的搜索,仿真实验结果证明算法是有效的。     

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.     

一种双边多议题自治协商模型的研究

针对电子商务应用,该文提出一种双边多议题自治协商模型。该模型用几种向量对协商议题进行形式化描述;定义两种效用评价函数刻画效用评价机制;引入贝叶斯决策理论,实现协商过程agent自学习;对传统合同网协议进行扩展,用于控制双方的协商交互;结合agent自学习,给出了3种提议策略。实验表明该模型是有效的,具有较强的实用性。     

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

基于粒子群算法的钻进参数多目标优化

为了使钻进过程达到最优,提出了基于机械钻速、钻头寿命和钻头比能的钻进参数多目标优化模型。参考典型的多目标优化进化算法NSGA-Ⅱ,提出了一种多目标粒子群算法(MOPSO)。采用一个钻进参数优化实例对优化模型和算法进行检验,得到分布均匀的Pareto最优解,一些最优解与传统的钻进参数单目标优化的解近似;讨论了算法中的种群规模、迭代次数和外部档案规模三个参数,得到一组兼顾解质量和计算时间的参数值,其计算时间的统计结果证明模型和算法满足钻进参数动态优化的要求。     

基于MODPSO-SA算法的多AUV任务分配

提出一种基于Pareto解集的多目标模拟退火粒子群算法(MODPSO-SA),用于解决自主水下机器人(AUV)协同任务分配问题.为避免粒子群算法陷入局部最优,加入改进的模拟退火技术,形成一种新的多目标局部搜索策略.仿真结果表明,MODPSO-SA算法能够得出多组合理Pareto解集,可以有效解决多AUV任务分配问题.     

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。     

机间数据链系统的功率分配控制方法

针对想定战场中机间数据链网络通信模型的上行链路功率控制问题,采用了一种基于多目标灰狼算法(Multi-objective Grey Wolf Optimizer,MOGWO)的功率控制方法.将功率控制建模为多目标优化问题,以最小化上行链路中各节点功率、使各节点在接收机处的信干噪比值(Signal-to-In-terference plus Noise Ratio,SINR)接近目标SINR和最小化通信时截获概率为多目标优化问题建立模型,利用MOGWO求解问题模型Pareto前沿,依据系统选解准则求得最佳解.结果表明,MOGWO、多目标粒子群算法、基于分解的多目标进化算法与多目标蚁狮算法所得解对应各节点SINR的平均标准偏差分别为0.0968、0.3544、1.0900和0.3083.在恒定功率方法下最远节点处SINR已不满足正常通信需求,验证了MOGWO功率控制方法有更好的稳定性与寻优能力.     

基于多目标粒子群算法的异构网接入控制

各种异构接入网络的无缝融合是下一代网络的显著体征之一。研究异构网络的呼入接纳控制,考虑延时、价格和阻塞率因素,致力于同时提高运营商收益和用户满意度,将无线异构网络的呼入接纳控制转换为组合优化问题,利用多目标粒子群优化算法收敛速度快,可同时在多目标上进行优化的特点,提出了一种基于多目标粒子群优化算法的异构无线网络呼入接纳控制算法。通过仿真,证明可以在运营商的收益和用户群的满意度中找到好的平衡。     

布谷鸟粒子群优化算法的多目标任务调度

高效的调度方法促使云计算更快更好地服务,一般采用优化算法来解决云计算中的调度问题。将布谷鸟搜索(CS)和粒子群优化(PSO)两种算法相结合,提出多目标布谷鸟粒子群优化算法(MO-CPSO),主要目的是提高云计算的服务质量。使用Cloudsim仿真工具对MO-CPSO算法的性能进行了评估。仿真结果表明,与CS、ACO和Min-Min算法相比,MO-CPSO算法使makespan、开销和截止时间违背率均最小。     

基于余弦距离的多目标粒子群优化算法

针对粒子群优化算法具有的个体分布不均匀以及重复个体较多等缺陷,提出了一种基于余弦距离的多目标粒子群优化算法,该算法根据外部精英存储策略,利用余弦距离排挤机制来选取最分散的粒子,扩大 Pareto最优解集的收敛性和多样性,增强算法的全局寻优能力。通过采用标准多目标优化问题ZDTl～ZDT3进行仿真实验与粒子群算法、混沌粒子群算法、基于拥挤距离的多目标优化算法对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于基于拥挤距离排挤机制,并具有较高的效率     

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。     

Discrete particle swarm optimization based multi-objective service path constructing algorithm

Aiming at previous research primarily focused on constructing service paths with a single objective,for exam-ple,latency minimization,cost minimization or load balance,which ignored the overall performance of constructed ser-vice paths,a multi-objective service path constructing algorithm based on discrete particle swarm optimization (MOPSO) was proposed.To promote the convergence rate and improve constructing performance,the criterions for selecting can-didate physical nodes and paths were explored,and a particle position initialization and update strategy (PIFC) was de-signed.Simulation experiments show that the proposed algorithms can improve the overall quality of service paths and increase the success rate and long-term average revenue.     

基于改进遗传算法的多目标JSP调度研究

针对多目标车间作业调度问题(JSP),提出了一种混合遗传算法,将多目标遗传算法得出的初步优化结果作为粒子群算法的初始粒子,利用粒子群算法强化局部搜索,加快收敛速度,改善了简单遗传算法局部搜索能力差、迭代效率低的问题.仿真结果表明了该算法对JSP调度的良好效果.