基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

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。     

基于双重距离的多目标粒子群优化算法

多目标粒子群优化(multi-objective particle swarm optimization,MOPSO)算法在维护收敛性的同时搜索分布良好的最优解集较为费力.为此,提出一种基于双重距离的MOPSO,由种群的平均距离定义粒子的邻域空间,邻域粒子数为粒子的等级,数量越多,粒子的等级越大.当等级相同时,算法结合粒子的拥挤距离选择最优粒子,并更新外部归档集.此外,算法结合粒子的变异行为避免陷入局部最优.在对比实验中,该算法在收敛性和多样性上可取得较优结果.最后,将该算法应用到电力系统的环境/经济调度模型(environmental/economic dispatch,EED),也可获得性能较好的解集.     

基于动态多种群的多目标粒子群算法

研究进化算法在求解多目标优化问题时,极易陷入到伪Pareto前沿(等价于单目标优化问题中的局部最优解),为了提高优化过程,提出一种基于动态多种群的多目标粒子群算法(DMSMOPSO).在DMSMOPSO算法中,为了增加种群的多样性,提升粒子跳出局部最优解的能力,采用多子群进行搜索并且子群是动态地进行构建;采用K-均值聚...     

求解多目标优化问题的自适应混沌混合蛙跳算法

针对多目标优化问题提出一种自适应混沌混合蛙跳算法MACSFLA(Adaptive chaos shuffled frog leaping algorithm for multiobjective optimization)。使用动态权重因子策略以提高混合蛙跳算法SFLA(Shuffled Frog Leaping Algorithm)收敛效率,引入基于Pareto支配能力的SFLA子族群划分策略,使得SFLA能够应用于多目标优化问题。在此基础上,MACSFLA首先利用SFLA快速寻优能力接近理论Pareto最优解,然后采用自适应网格密度机制动态维护外部存储器Pareto最优解规模,并使用自适应混沌优化技术改善Pareto最优解集样本多样性,最后利用Pareto最优解选择策略为青蛙种群选择最优更新粒子。多目标函数测试实验结果表明,与MOPSO和NSGA-Ⅱ相比,MACSFLA在Pareto最优解集均匀性和多样性上有明显优势。     

基于种群多样性模糊控制的粒子群算法

关于优化粒子群算法问题,针对标准粒子群算法前期收敛速度过快,后期容易陷入局部最优解的问题,提出一种种群多样性模糊控制的粒子群算法。为了控制种群多样性的变化,提高算法跳出局部最优解的性能,在算法中加入模糊控制器和位置跳变策略,通过控制参数的变化来控制粒子的速度、位置和种群多样性的变化,使算法从全局探测平稳过渡到局部开采。仿真结果表明,改进算法能有效避免陷入局部最优解,且对高维函数优化时效果更为明显,是一种高效的优化算法。     

一种混沌变参数粒子群优化算法

粒子群优化算法存在易陷入局部最优、收敛精度低、进化后期收敛慢等问题,混沌粒子群优化算法利用混沌运动的遍历性、随机性、规律性特点,很好地解决了粒子群优化算法陷入局部最优的问题,但混沌初始化会破坏已收敛的种群结构。在混沌粒子群优化算法的基础上,提出了一种混沌变参数粒子群优化算法。对陷入局部最优的种群进行混沌初始化,并采取一定的规则动态改变混沌运动的控制参数,以增强或减弱混沌方程的混沌特性,既可以减轻混沌初始化对已收敛种群结构的破坏性,又能利用混沌特性摆脱种群陷入局部最优问题,提高收敛精度,从而提高算法的全局寻优能力。通过仿真测试表明,混沌变参数的粒子群优化算法能有效避免种群陷入局部最优现象,收敛快、收敛精度高,全局寻优能力优于基本粒子群优化算法。     

基于Map-Reduce模型的云资源调度方法研究

为提高Map-Reduce模型资源调度问题的求解效能,分别考虑Map和Reduce阶段的调度过程,建立带服务质量(QoS)约束的多目标资源调度模型,并提出用于模型求解的混沌多目标粒子群算法。算法采用信息熵理论来维护非支配解集,以保持解的多样性和分布均匀性;在利用Sigma方法实现快速收敛的基础上,引入混沌扰动机制,以提高种群多样性和算法全局寻优能力,避免算法陷入局部最优。实验表明,算法求解所需的迭代次数少,得到的非支配解分布均匀。Map-Reduce资源调度问题的求解过程中,在收敛性和解集的多样性方面,所提算法均明显优于传统多目标粒子群算法。     

一种基于云模型的改进型粒子群算法

针对经典粒子群算法在函数优化中易陷入局部最优和早熟收敛等缺点,结合云模型在定性与定量之间相互转换的优良特性,提出一种基于云模型的改进型粒子群算法。其思想是通过反向学习机制初始化种群,再通过正态云算子求解粒子群中的全局最优个体和自身最优个体周围的更优值,最后利用混沌理论对个别粒子进行变异来跳出局部最优解。典型复杂函数测试表明,该算法能有效找出全局最优解,特别适宜于多峰值函数寻优。     

混沌云模型多目标布谷鸟搜索算法

针对多目标布谷鸟搜索算法（MOCS）迭代后期寻优速度慢,并且容易造成局部最优等缺点,提出一种混沌云模型多目标布谷鸟搜索算法（CCMMOCS）。首先在进化过程中通过混沌理论对一般的布谷鸟巢位置在全局中寻求优化,以防落入局部最优;然后利用云模型对较好的布谷鸟巢位置局部优化来提高精度;最后将两种方法对比得到相对更好的解作为最优值以完成优化。对比误差估计值及多样性指标,由5个常用多目标测试函数仿真结果可知,CCMMOCS比传统多目标布谷鸟搜索算法、多目标粒子群算法（MOPSO）及多目标遗传（NSGA-Ⅱ）算法性能更好,Pareto前沿更接近理想曲线,分布也更均匀。     

基于MPSO算法的云计算资源调度策略

针对云计算服务集群资源调度和负载平衡的优化问题,提出一种基于改进的粒子群优化算法的云计算资源调度策略。将动态多群体协作和变异粒子逆向飞行思想引入到粒子群优化算法中,从而控制全局搜索和局部搜索,尽量避免陷入局部最优。在CloudSim 平台进行模拟测试,结果表明,该调度策略有效且执行效率较高。     

基于和声搜索算法的知识即服务动态组合优化

面向服务的云计算环境为制造领域的知识创新提供了新的思路。知识即服务的动态组合是知识创新过程中的关键技术之一。云计算服务资源的虚拟性和动态性为组合的知识即服务的服务质量提出了新的挑战。针对制造领域知识即服务组合的服务质量优化问题,提出一种改进的和声搜索算法(SLHS),SLHS算法利用Skyline方法对和声记忆库进行初始化以提高算法的运行效率,并采用理想点法选择制造知识即服务以确保解的有效性。仿真实验中引入了基本和声搜索算法作比较。实验结果表明SLHS算法在解的质量方面和算法性能方面均明显优于基本和声搜索算法。     

A particle swarm optimization for a fuzzy multi-objective unrelated parallel machines scheduling problem

This paper proposes a novel multi-objective model for an unrelated parallel machine scheduling problem considering inherent uncertainty in processing times and due dates. The problem is characterized by non-zero ready times, sequence and machine-dependent setup times, and secondary resource constraints for jobs. Each job can be processed only if its required machine and secondary resource (if any) are available at the same time. Finding optimal solution for this complex problem in a reasonable time using exact optimization tools is prohibitive. This paper presents an effective multi-objective particle swarm optimization (MOPSO) algorithm to find a good approximation of Pareto frontier where total weighted flow time, total weighted tardiness, and total machine load variation are to be minimized simultaneously. The proposed MOPSO exploits new selection regimes for preserving global as well as personal best solutions. Moreover, a generalized dominance concept in a fuzzy environment is employed to find locally Pareto-optimal frontier. Performance of the proposed MOPSO is compared against a conventional multi-objective particle swarm optimization (CMOPSO) algorithm over a number of randomly generated test problems. Statistical analyses based on the effect of each algorithm on each objective space show that the proposed MOPSO outperforms the CMOPSO in terms of quality, diversity and spacing metrics.     

指针网络改进遗传算法求解旅行商问题

针对遗传算法在求解旅行商问题时,受限于初始种群质量而存在收敛速度慢、易陷入局部最优等问题,提出一种基于指针网络改进遗传算法种群模型。通过经改进指针网络生成初始种群取代原种群,并结合基于汉明距离轮盘赌策略对种群个体进行择优,形成个体质量和种群多样性高的新种群。实验在TSPLIB标准库上多组实例进行测试,并和研究进展种群改进算法和多种主流启发式算法进行多项系数对比。结果表明,经过优化后算法的收敛速度和寻优能力有显著提高,能够有效用于改善遗传算法在旅行商问题上的应用。     

基于新型拥挤度距离的多目标麻雀搜索算法

现实中的多目标问题日益复杂,解决这类问题需要高效的优化算法。基于麻雀搜索算法,提出多目标麻雀搜索算法（Multi-objective Sparrow Search Algorithm,MSSA）,对多目标优化问题进行求解。依据外部存档收敛性动态调整麻雀种群比例因子,以达到全局探索能力和局部开发能力的最佳平衡,确保收敛性;对麻雀种群进行非支配排序;对麻雀种群的发现者引入多项式变异因子,增强算法跳出局部最优的能力;设计一种新型拥挤度距离计算策略,利用外部存档解的拥挤度大小剔除相似个体的方法对种群进行裁剪,使个体不超过存档上限的同时维持种群的多样性。分别使用多目标函数和盘式制动器设计测试算法性能。MSSA与MOPSO、MOGWO、NSGA-II和SPEA2在多目标测试函数上进行对比实验,结果表明MSSA算法在收敛性和均匀性两项指标上有显著的优势。盘式制动器仿真结果表明,MSSA可以快速地找到问题的非支配解,证明了该方法的有效性。     

基于多策略的多目标粒子群优化算法

针对目前多目标粒子群优化算法的收敛性能和非劣解的多样性不能同时得到满足等缺陷,提出一种基于多策略的多目标粒子群优化算法（Multi-Objective Particle Swarm Optimization algorithm for Multi-Strategy,MS-MOPSO）。采用非支配排序和拥挤距离排序相结合策略,重新划分外部种群和进化种群;采用小生境选择策略,在外部种群中选择最佳粒子作为领导粒子,用于领导进化种群中粒子的进化;在进化种群中利用多尺度高斯变异策略,平衡算法的全局搜索和局部精确搜索;采用邻域认知个体极值更新策略,不断更新个体极值。将该算法应用到典型的多目标测试函数,并与其他多目标优化算法进行对比分析,测试结果表明该算法中四个策略的有效性和互补性,同时验证了该算法不但具有较好的收敛性和收敛速度,而且该算法最优解的分布具有良好的均匀性和多样性。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

云环境下基于DPSO的任务调度算法

针对云计算任务调度问题,结合粒子群优化(PSO)算法的种群个体协作和信息共享特点,提出一种基于离散粒子群优化(DPSO)的任务调度算法。采用随机方法生成初始种群,利用时变方式调整惯性权重,并在位置更新中使用绝对值取整求余映射法进行合法化处理,提高PSO算法的离散化程度。搭建并重新编译了CloudSim云计算仿真平台进行实验,结果显示,当迭代次数为200时,DPSO、PSO、GA算法的所有任务最终调度时间分别为457.69 s、467.90 s、472.41 s,从而证明DPSO算法能够有效解决云计算环境下的任务调度问题,并且算法收敛速度优于PSO和GA算法。     

求解旅行商问题的改进型量子蚁群算法

针对传统量子蚁群算法在求解TSP时容易陷入局部最优以及收敛速度较慢,提出了一种求解旅行商问题的改进型量子蚁群算法（IQACA）。该算法设计了一种新信息素挥发因子的自适应动态更新策略,对信息素进行动态更新;并采用一种新的量子旋转门对量子概率幅值的收敛趋势进行改变。通过三个基本函数极值优化仿真与传统量子蚁群算法进行对比,证明算法性能较优。基于TSPLIB的仿真实验与其他几种算法进行比较,结果表明,算法具有较快的收敛速度,提高了解的全局性,有效避免了算法陷入局部最优。     

混沌萤火虫优化算法的研究及应用

针对基本萤火虫群优化算法的早熟收敛,易陷入局部最优值,求解精度不高等问题,提出了一种基于切比雪夫映射的混沌萤火虫优化算法。利用混沌系统的随机性和遍历性初始化萤火虫群,获得了质量较高且分布较均匀的初始解;同时对部分适应值低的个体进行了混沌优化,以提高种群的多样性。对4个标准测试函数进行了仿真实验,结果表明该算法的求解精度、全局搜索能力优于基本萤火虫优化算法。将改进算法应用于车辆路径问题的求解中,结果表明了改进算法的有效性。