基于权值向量的偏好多目标优化方法

偏好多目标优化方法是多目标优化领域的一个重要分支,其主要目的是仅搜索Pareto前沿面上部分区域内决策者感兴趣的解.基于MOEA/D算法根据预先设定的均匀分布的权值向量搜索Pareto最优前沿面的思想,本文提出了一种基于权值向量的偏好多目标优化方法,该方法通过引入具有偏好信息的权值向量,使算法仅搜索偏好点附近的解.仿真实验结果表明,与现有偏好多目标优化算法相比,本文方法具有支持多偏好点、偏好区域大小可控、偏好点位置无特别要求及偏好解具有更好收敛性的优势.     

关于如何用角度信息引入决策者偏好的研究

在实际的多目标优化中,决策者通常只对少部分的Pareto最优解感兴趣。然而,传统多目标优化算法关注整个Pareto最优面上的解集,这不仅需要花费大量计算时间在无用解的搜索上,同时决策者也很难从众多解中选出符合自己偏好的解（特别是问题目标个数大于3时）。为此,本文提出了一种利用个体间的角度关系的偏好多目标进化算法。该方法通过重新定义个体间的支配关系和聚集距离使那些离决策者偏好区域越近的个体优先被保留下来,从而引导种群趋近于决策者的偏好区域。     

高维多目标优化问题融入决策者偏好的集合进化优化方法

高维多目标优化问题普遍存在且非常重要,但是,已有的解决方法却很少.本文提出一种有效解决该问题的融入决策者偏好的集合进化优化方法,该方法首先基于决策者给出的每个目标的偏好区域,将原优化问题的目标函数转化为期望函数;然后,以原优化问题的多个解形成的集合为新的决策变量,以超体积和决策者期望满足度为新的目标函数,将优化问题转化为2目标优化问题;最后,采用多目标集合进化优化方法求解,得到满足决策者偏好且收敛性和分布性均衡的Pareto优化解集.将所提方法应用于4个基准高维多目标优化问题,并与其他2种方法比较,实验结果验证了所提方法的优越性.     

基于多目标遗传算法的星载天线干扰抑制算法

提出了一种基于多目标遗传算法的星载天线干扰抑制算法，该算法在射频端通过调节权系数进行输出功率判决从而实现波束形成。文中引入多目标优化问题Pareto最优解的概念，采用了无支配性排序遗传算法（NSGA-Ⅱ）来搜索干扰调零权值的Pareto最优解集，充分发挥这种先进多目标遗传算法的高内在并行性、强鲁棒性以及能够不断优化最优解集的优势，较好地兼顾了星载天线干扰抑制时干扰抑制深度与主波束保形这一对矛盾问题。最后提出了归一化双目标函数加权选择最优调零权的方法从Pareto最优解集中选择一组符合决策者偏好的最优调零权。计算机仿真实验证明，文中所提出的算法具有较好的干扰抑制能力和主波束保形效果。     

偏好MOEA/D算法的研究与实现

在科研和工程实践中存在着很多需要同时优化的两个或多个相互冲突的多目标优化问题。多数情况下,人们使用多目标优化是为了寻求某一特定方向的Pareto解,但传统的优化方法只能得出分散的全部解集,不利于辅助决策。为此,提出一种带偏好的多目标优化算法(即偏好MOEA/D算法),该算法的核心思想是将一个多目标优化问题分解成多个单目标优化问题并同时优化,在子问题通过相邻子问题信息优化的过程中加入使用者偏好,最终得到方向明确的Pareto解集。经仿真验证,该算法具有突出的求解性能,便于辅助决策,且有较高的有效性和可拓展性。     

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。     

基于权重迭代的偏好多目标分解算法解决参考点对算法影响的研究

在传统偏好多目标进化算法中,参考点是表达决策者的偏好信息最常用的方式,但是参考点所处位置信息有时严重影响算法的性能.针对以上问题,本文提出了一种基于权重迭代的偏好多目标分解算法(MOEA/D-PRE),主要利用权重迭代方法获取一组均匀的权重向量,并对偏好区域进行映射,使得算法在进化过程中,不用考虑参考点所处位置信息对算法性能的影响,另外提出了一种稳定可控的偏好区域模型,能响应决策者设置任意大小的偏好区域.通过对比实验表明该算法具有较好的收敛性和分布性,同时给出了满足决策者不同要求的算法模型,并且能够很好的解决参考点的位置信息对算法的影响.     

基于动态交换策略的快速多目标粒子群优化算法研究

本文提出了一种基于动态交换策略的快速多目标粒子群优化算法,通过把初始种群分割成Pareto和Non_Pareto集合,并在迭代过程中对Pareto解集进行动态调整,从而较好地完成了多目标优化算法对Pareto解集的搜索和逼近.实验和应用实例均表明了该算法的有效性和快速性,并通过性能指标ER的计算验证了本算法优于某些同类的多目标优化算法.     

基于类圆映射的高维多目标可视化方法

可视化技术有利于对高维多目标优化问题求解所得的解集进行评价与分析,但是现有的高维多目标可视化方法无法有效保持解集的Pareto支配关系、前沿密度分布及形状。针对以上问题,本文提出类圆映射可视化方法.首先将多目标按相关性均匀排列在单位圆圆弧上,根据适应度函数值将解集映射为类圆空间内的一个多边形,并通过多边形的几何中心和面积对解集进行3维可视化.在此基础上对类圆支配与均衡性进行了定义,并对类圆映射下的支配关系、映射遮挡等进行了理论分析与证明.与平行坐标系、主成分分析方法和径向可视化方法相比表明,本文方法能保持解集Pareto支配关系,并能反映解集在原始空间的密度分布和形状。此外,还能有效避免解集映射点遮档.其有利于决策者进行可视化评价和选择高维多目标解集.     

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。     

基于自适应截断策略的约束多目标优化算法

为提高约束多目标优化问题所求解集的分布性和收敛性,该文提出基于自适应截断策略的约束多目标优化算法。首先,自适应截断选择策略能够保留Pareto最优解和约束违反度及目标函数值均较优的不可行解,不仅提高了种群多样性,而且能够较好地兼顾多样性和收敛性;其次,为增强算法的局部开发能力,在变异操作和交叉操作之后进行指数变异;最后,改进的拥挤密度估计方式只选择一部分Pareto最优解和距离较近的个体参与计算,不仅更加准确地反映解集的分布性,而且降低了计算量。通过在标准测试问题(CTP系列)上与其他4种优秀算法的对比结果可以得出,该算法所求解集的分布性和收敛性均得到一定提高,而且相较于对比算法在求解性能上具备一定的优势。     

基于集合的高维多目标优化问题的进化算法

由于高维多目标优化问题包含的目标很多,已有的方法往往难以解决该问题.本文提出一种有效解决该问题的基于集合的进化算法,该方法以超体积、分布度,以及延展度为新的目标,将原优化问题转化为3目标优化问题;定义基于集合的Pareto占优关系,设计体现用户偏好的适应度函数;此外,还提出集合进化策略.将所提方法应用于4个基准高维多目标优化问题,并与其他2种方法比较,实验结果表明了所提方法的优越性.     

基于双向搜索差分进化的多目标优化算法

针对差分进化算法求解多目标优化问题时易陷入局部最优的问题,设计了双向搜索机制以增强DE(Differential Evolution,DE)算法的局部搜索能力。一方面降低了算法陷入局部最优的风险,另一方面可增强Pareto解集的多样性,使Pareto前沿面的解集分布更为均匀。实验结果表明,相比于NSGA-II等同类算法,提出的方法在搜索Pareto最优解时效率更高,并且Pareto最优解集的精度及分布程度比前者更好。     

高维多目标优化中基于稀疏特征选择的目标降维方法

目标降维算法通过去除冗余的目标达到简化问题规模的目的,为求解高维多目标优化问题提供了一种新的思路和方法.近似解集的几何结构特征和Pareto占优关系从不同侧面反映了多目标优化问题的内在结构特性,而现有算法仅利用其中一种特征分析目标之间的关系,具有较大局限性.本文提出基于稀疏特征选择的目标降维方法,该方法利用近似解集的几何结构特征构建稀疏回归模型,求解高维目标空间映射为低维目标子空间的稀疏投影矩阵,依据此矩阵度量目标的重要性,并利用Pareto占优关系改变程度选择满足误差阈值的目标子集,实现目标降维.通过与其他已有目标降维算法比较,实验结果表明本文提出的降维算法具有较高的准确性,并且受近似解集质量的影响较小.     

拟态物理学多目标算法求解认知参数优化问题

针对认知无线网络中的引擎参数调整问题,提出了一种基于拟态物理学多目标优化的求解算法.根据认知参数编码的二进制特点,设计了基于海明距离的个体排序方法,并改进了微粒的更新方程,最后求出问题的Pareto最优解集.多载波环境下的仿真实验表明,算法可以根据无线信道环境的动态变化和认知用户需求的不同需求,自适应调整各个子载波的调制方式和发射功率,满足参数优化需求.     

基于粒子群优化的地震应急物资多目标调度算法

合理高效地优化调度救灾物资对提升地震应急救援效果具有重要意义。地震应急需要同时兼顾时效性、公平性和经济性等相互冲突的多个调度目标。该文对地震应急物资调度问题建立了带约束的3目标优化模型，并设计了基于进化状态评估的自适应多目标粒子群优化算法(AMOPSO/ESE)来求解Pareto最优解集。然后根据“先粗后精”的决策行为模式提出了由兴趣最优解集和邻域最优解集构成的Pareto前沿来辅助决策过程。仿真表明该算法能有效地获得优化调度方案，与其他算法相比，所得Pareto解集在收敛性和多样性上具有性能优势。     

基于改进粒子群优化算法的分布式电源规划

针对目前配电网中存在的分布式电源规划问题,在最大化电压静态稳定性、最小化配电网损耗以及最小化全年综合费用三个方面建立了分布式电源规划的优化模型。在规划模型的基础上,采用拥挤距离排序的多目标量子粒子群优化算法(MOQPSO-CD)以及基于量子行为特性的粒子群优化算法(QPSO),来更新和维护外部存储器中的最优解,通过对全局最优最小粒子的选择引导粒子群能够对分布式电源的配置容量与接入点位置的真实Pareto最优解集进行查找,获得对多个目标参数进行合理优化。最后采用IEEE33节点的配电系统,在模拟仿真实验过程中获得了分布式电源容量配置以及介入位置的合理方案,验证了优化算法的可行性。     

一种基于粒子群算法的螺旋迭代模型研究

实际工程优化过程中,对于多个目标的优化与求解最优值是值得研究的一个问题。文章基于粒子群算法研究多目标优化问题,实现二维多目标搜索,运用粒子群多目标求解模型迭代实现动态多目标搜索,最终得到非劣解在目标空间中的分布,构成了Pareto面,得到非劣解集,在实际问题中,提供最优解的备选,为工程实践优化和筛选最优解问题提供参考依据。     

基于分解的多目标进化算法的异构无线网络业务接入控制

异构无线网络接入控制问题包含多个优化目标,现有算法考虑不全面且多是将其转换为单目标求解,限制了各目标的相对关系,无法适应不同的实际需求。该文提出一种直接采用多目标进化算法的接入控制算法。首先将优化目标扩展为3个,分别是最小化阻塞率、最小化占用总资源和负载均衡;其次引入基于分解的多目标进化算法(MOEA/D)并设计进化策略,进行初步寻优;最后通过非支配排序得到Pareto最优解集,即最佳接入方案。仿真结果表明,所提算法可以提高各优化目标的求解精度,从而提高业务接入成功率和网络资源利用率,并且为决策者提供多种接入方案,可根据实际需求进行最优选择。     

基于混沌粒子群算法的多目标调度优化研究

针对当前车间调度多目标优化研究存在收敛速度慢、精度低的问题,提出了混沌多目标粒子群优化算法。在算法中,设计了一种新的叠加Logistic扰动的Tent混沌映射算子,通过该算子周期性地更新种群以保证种群的多样性;对收缩粒子群算法进行了扩展使其能够快速收敛到Pareto前沿。通过标准测试问题与实际应用对所提方法进行了验证,实验结果显示混沌多目标粒子群优化算法无论在收敛速度还是在优化精度上都优于其它典型多目标进化算法。