基于信念的多Agent模型解决多目标优化问题

提出了基于信念的多Agent模型解决多目标优化问题.在这个模型中,Agent通过在解空间中移动来进行搜索,使用信念指导移动.每个Agent都有独立的信念,信念由3部分组成:Agent对每个目标的偏好、移动向量和对此向量的评价.Agent在优化的过程中会根据目标函数的值调整移动向量和对应的评价.Agent也会和相邻的Agent交互信念,从而获得更好的性能.最后用模型解决了几个简单的多目标函数优化问题,实验结果证明了算法的有效性.     

基于多目标优化的汽油调和优化模型及其应用研究

汽油的调和方案是提高炼油厂经济效益的关键因素.通过现有汽油调和优化模型的分析,本文结合汽油辛烷值的预测模型1DPE模型,提出了1种以调和成本和辛烷值过剩最少为目标、将经验知识也作为约束条件的多目标优化汽油调和优化模型,该模型可应用于不同标号的汽油产品的调和,根据模型的非线性特征,采用遗传算法进行求解,最后,通过某炼油厂的1个应用实例验证了上述成品油调和优化模型及其求解方法的有效性,为炼油厂减少企业成本、保证产品合格率提供了新途径.     

多目标分散决策的目标规划模型和玻尔兹曼机解法

研究建立了分散组织结构下多目标分散决策的目标规划模型，根据随机神经网络－－玻尔兹曼机的基本原理，提出了求解该问题的一种新方法。示例的仿真结果表明该方法是非常有效的。     

基于演化算法实现多目标优化的岛屿迁徙模型

多目标演化算法(MOEA)利用种群策略，尽可能地找出多目标问题的Pareto最优集供决策者选择，为决策者提供了更大的选择余地，与其它传统的方法相比有了很大的改进．但提供大量选择的同时，存在着不能为决策者提供一定的指导性信息，不能反映决策者的偏好，可扩展性差等问题．本文提出了一个新的多目标演化算法(MOEA)计算模型…岛屿迁徙模型，该模型体现了一种全新的多目标演化优化的求解思想，对多目标优化问题的最优解集作了新的定义．数值试验结果表明，岛屿迁徙模型在求解MOP时有效地解决了以上问题，并且存在进一步改进的潜力．     

遗传算法在多目标决策中的应用研究

1 引言多目标优化是实践中广泛存在的一种优化问题,其理论研究已经取得了一些进展,但是在算法上还不太成熟。一种求解方法是将各个目标加权,从而将多目标问题转化为单目标问题。另一种方法是求多目标规划问题的非劣解(Pareto意义下的最优解),供决策者从中选择。本文主要讨论如何求解多目标优化问题的Pareto有效解。现在,考虑如下带有等式约束和不等式约束的多目标优化问题。     

一种基于多目标决策的指挥决策方案优选算法

指挥决策是作战指挥活动的核心,决策方案优选是指挥决策的重要阶段之一.首先,给出了多目标决策的基本概念,提出了指挥决策问题的基本假设;其次,结合多目标决策理论,根据指挥决策问题基本假设,把威胁度、目标重要性、武器防护能力等作为指挥决策方案的优选指标.提出了一种基于多目标决策理论的指挥决策方案优选算法;最后,通过仿真实例,对该算法进行了验证.得出.结合威胁度、目标重要性以及武器防护能力等指标,通过计算武器攻击效度的方法,进行方案优选是切实可行的,对提高指挥决策效率有重要的意义.     

基于多目标优化的图象重建算法

针对当前流行的最大似然估计算法所存在的,由于投影数据的不完备性所产生的重建结果的非唯一性和最大似然估计算法本身对统计误差的积累放大效应所产生的,当迭代次数超过某个极限时,使重建图象质量开始严重变坏的问题,该文提出了新的基于多目标优化的图象重建算法,大大改善了图象重建的效果。     

锆铪萃取分离系统参数的多目标优化决策

本文对叔胺从硫酸水溶液中萃取分离锆、铪的流程系统参数,用随机寻优法分别进行了单目标函数和多目标函数的优化算法研究,并对两种方法进行了对比。对比结果表明,多目标优化决策明显胜过单目标优化方法。     

具有不确定参数多目标决策的一类鲁棒有效解

针对具有区间型不确定参数多目标决策问题,探讨了决策人在决策的最优性与决策后果 的不确定性之间的权衡,从而制定决策的方法,提出了鲁棒有效解及ε-鲁棒有效解的概念,并研究 了其最优性条件.     

基于GP的多目标决策函数稳定性分析

在多目标决策问题中，必须设定许多值．由于受到主观因素的影响，不同目标的重要性和可行性方案的效用值有时非常逼近．因此，分析设定值的微小变动对决策结果的敏感度影响尤为重要，根据期望的要求选择一个决策函数，尽可能地求出一个稳定的解，这是求解决策问题的根本任务．提出了一种基于遗传程序设计（GP）的新方法，该方法能产生比普通方法更好的决策函数，理论上的期望值得到实例的验证。     

Multiobjective cuckoo search for design optimization

Many design problems in engineering are typically multiobjective, under complex nonlinear constraints. The algorithms needed to solve multiobjective problems can be significantly different from the methods for single objective optimization. Computing effort and the number of function evaluations may often increase significantly for multiobjective problems. Metaheuristic algorithms start to show their advantages in dealing with multiobjective optimization. In this paper, we formulate a new cuckoo search for multiobjective optimization. We validate it against a set of multiobjective test functions, and then apply it to solve structural design problems such as beam design and disc brake design. In addition, we also analyze the main characteristics of the algorithm and their implications.     

Multiobjective model predictive control

This paper proposes a novel model predictive control (MPC) scheme based on multiobjective optimization. At each sampling time, the MPC control action is chosen among the set of Pareto optimal solutions based on a time-varying, state-dependent decision criterion. Compared to standard single-objective MPC formulations, such a criterion allows one to take into account several, often irreconcilable, control specifications, such as high bandwidth (closed-loop promptness) when the state vector is far away from the equilibrium and low bandwidth (good noise rejection properties) near the equilibrium. After recasting the optimization problem associated with the multiobjective MPC controller as a multiparametric multiobjective linear or quadratic program, we show that it is possible to compute each Pareto optimal solution as an explicit piecewise affine function of the state vector and of the vector of weights to be assigned to the different objectives in order to get that particular Pareto optimal solution. Furthermore, we provide conditions for selecting Pareto optimal solutions so that the MPC control loop is asymptotically stable, and show the effectiveness of the approach in simulation examples.     

一种基于多目标遗传算法的非线性控制器

该文利用相位滞后仅38.1°的Clegg积分器构成一个非线性比例积分器,并利用多目标遗传算法对该控制器的三个参数进行优化,其中被优化的两个目标分别为被控系统的给定性能指标和抗负载扰动能力。然后将该控制器应用于一个存在饱和特性和间隙特性的双闭环调速系统,研究并比较了该系统在阶跃给定输入下的性能指标以及抗负载扰动的能力。仿真试验表明将该非线性控制器应用于具有多个非线性特性的动态系统能取得优良的性能。     

多目标0/1背包问题MOEA求解中的修复策略

多目标进化算法在求解多目标0/1背包问题时常使用修复策略来满足容量约束.文中更全面地考虑物品对各个背包的不同影响,提出两种加权修复策略,分别基于背包容量和容量约束违反程度,并应用于经典算法SPEA2中.在9个标准MOKP测试实例上的实验结果表明,采用该修复策略的SPEA2算法能更有效地收敛到Pareto最优前沿.     

取证过程的多目标控制

本文研究制订决策的取证问题,对这一问题构造了一个多目标最优控制模型,推导了求解模型的Ｈａｍｉｌｔｏｎ－Ｊａｃｏｂｉ－Ｂｅｌｌｍａｎ方程,并讨论了多目标模型解与相应的加权单目标模型解之间的关系和多层取证问题。     

进化多目标优化设计满意解的模糊决策

文章提出了一种进化多目标优化满意解的模糊决策方法。首先,根据各个子目标满意度对所有pareto最优解的性能做出模糊评价,并在此基础上将整个pareto解集划分为若干个具有不同性能特征的类;然后根据决策者对目标的模糊偏好,从相应的类中选择最有代表性的个体作为最终的满意解。最后以两杆桁架多目标优化问题为例,说明了该方法的应用。