基于代理模型估值不确定度的昂贵多目标优化问题研究

针对代理模型辅助的多目标优化算法中个体不确定度之间相互冲突的问题,本文提出个体每个目标估值不确定的填充准则,同时,为了减少训练模型消耗的计算资源,提出基于非支配排序的样本选择算法。为了验证该算法的可行性,采用DTLZ和WFG测试函数进行测试,得出结果与近些年发表5种具有代表性的同类型算法进行对比,结果说明该算法可以有效的解决昂贵高维高目标优化问题。

多目标优化问题的进化计算方法

多目标优化问题在实际应用中广泛存在,涵盖了工程设计、资源分配、机器学习等领域。由于其具有问题空间复杂、决策变量众多及目标之间存在相互矛盾的特性,传统优化方法难以在解空间中找到全局的、非支配的解集。为解决多目标优化问题,文章探究了基于进化计算的方法。

基于遗传算法的混合技术用于解决多目标优化问题

随着新兴的通信技术,如移动边缘计算、物联网(IoT)和第五代(5G)宽带蜂窝网络等的发展,出现了许多与上述技术相关的多目标优化问题,例如能源消耗、具有成本效益的边缘用户分配和高效调度等。基于此,文中提出了一种基于遗传算法的改进技术,考虑通过模糊关系方程将这些问题公式化,作为实现优化解决方案的有效方法,用于求解由s范数模糊关系约束构成的多目标优化问题。在提出的方法中,缩小问题的规模,从而使简化后的问题易于求解。将所提出的基于遗传算法的技术应用于求解简化问题,这种方法最重要的优点是可以解决物联网、电子商务和5G领域的各种多目标优化问题。此外,通过数值实验证明了该方法的有效性,该方法不仅克服了传统方法在非凸可行域的局限性,而且对复杂系统的建模也有一定的应用价值。

城市更新项目引入社会资本参与的多目标优化问题

社会资本参与城市更新决策过程中涉及众多因素,需要从效率与公平的角度通盘考虑不同因素、权衡利弊,并提出最优方案,是典型的多目标优化问题。将社会资本参与城市更新中的风险预估、决策商议、程序不清等不可控因素引入到“交易成本”概念中,构建基于遗传算法的“成本-交易成本-质量-收益”多目标优化模型。

用于约束多目标优化问题的双群体差分进化算法

首先给出一种改进的差分进化算法,然后提出一种基于双群体搜索机制的求解约束多目标优化问题的差分进化算法.该算法同时使用两个群体,其中一个用于保存搜索过程中找到的可行解,另一个用于记录在搜索过程中得到的部分具有某些优良特性的不可行解,避免了构造罚函数和直接删除不可行解.此外,文中算法、NSGA-Ⅱ和SPEA的时间复杂度的比较表明,NSGA-Ⅱ最优,文中算法与SPEA相当.对经典测试函数的仿真结果表明,与NSGA-Ⅱ相比较,文中算法在均匀性及逼近性方面均具有一定的优势.

改进NSGA Ⅱ算法在车辆路径多目标优化问题中的应用

本文选用NSGA Ⅱ作为求解VRP多目标优化问题的算法基础,分析概括出VRP的三个主要目标函数和三个约束条件,实现了VRP多目标优化问题的数学建模。选择MATLAB作为软件工具进行代码编写,选取Benchmark Problems中C101里的数据作为实验数据进行软件仿真;并且针对NSGA Ⅱ在设计方面的不足之处,对NSGA Ⅱ的初始群体确定和交叉算子两个环节进行改进;然后通过对两种算法仿真结果的比较分析,证实了改进算法在克服早熟现象、提高算法效率以及算法稳定性方面的有效性。

基于微分进化求解多目标优化问题中的退化现象

基于微分进化(DE)的多目标进化算法(MOEA)在求解过程中存在着退化现象,导致算法的收敛性无法保证,同时也降低了求解的效率。针对这一问题,分析了算法中存在的两种退化现象,提出了针对两种退化现象相应的解决办法,最后给出了一种新的基于DE的MOEA。新算法克服了已有算法中存在的退化现象,保证了算法的收敛性和解的多样性,有效地提高了算法的效率,通过数值实验验证了新算法的可行性和有效性。

上图像拓扑与多目标优化问题加权解的通有稳定性

用函数的上图象之间的Hausdorff距离定义向量值函数间的距离,在此弱拓扑下研究了多目标优化问题加权解关于权因子和目标函数的稳定性,指出加权解关于权因子和目标函数是通有稳定的．

可求解多目标优化问题的演化博弈优化算法

借鉴演化博弈的思想和选择机制,提出了一种新的基于演化博弈的优化算法(EGOA)用于多目标问题的求解.算法框架具备对该类问题的通用性.为了对算法性能进行评估,采用了一组多目标优化问题(MOPs)的测试函数进行实验.实验结果表明,使用本算法搜索得到的演化稳定策略集合能够很好地逼近多目标优化问题的帕累托前沿,与一些经典的演化算法相比具有良好的问题求解能力.

改进的蛙跳算法在多目标优化问题中的应用

在介绍原始混洗蛙跳算法的基础上,引入遗传算法中的遗传算子,改进原始蛙跳算法的分组方法,提出一种改进的混洗蛙跳算法用于求解多目标优化问题。改进的算法以多目标0-1背包问题为例进行模拟实验,其实验结果表示,与原始的混洗蛙跳算法相比较,改进的蛙跳算法在求解多目标优化问题上具有更好的性能。

求解多目标优化问题的GTSPA混合算法

为了有效求解多目标优化问题,文中结合遗传算法、禁忌搜索算法以及粒子群算法的优势,设计了一种新型的混合算法GTSPA,并对所设计的GTSPA混合算法的总体步骤进行了描述.通过从解的质量、算法的收敛性以及算法的复杂度这几方面对算法进行分析,可以发现:GTSPA混合算法是以较大概率收敛于全局最优的,具有很好的收敛性,并且运算相当快、计算复杂度并不高,具有很好的优势.

面向多目标优化问题的基于Species的遗传算法

为了能够快速准确地获得多目标优化问题的一组非支配解,提出了一种基于Species的多目标遗传算法.该算法采用Tchebycheff方法构建一定数量的子问题,进而基于Species机制构造多种群实现了对多个子问题的并行求解.这种采用多个体对一个最优解的搜索方式提高了算法的探索能力和开发能力.最后,对一组标准测试函数进行仿真实验,结果表明所提出的算法能够快速准确地获得一定数量的非支配解.

求解DRS多目标优化问题的新颖ε-支配进化算法

首先分析DRS(dominance resistant solutions)多目标优化问题的特点,证明基于Pareto-支配关系的多目标优化问题算法求解该类问题很难收敛.然后,提出一种新的基于ε-支配关系的进化算法—ε—支配进化算法(EDMOEA),给出该算法框架和详细流程.最后,将ε-支配进化算法和NSGA-Ⅱ算法应用于求解一组典型的DRS多目标优化问题和常用的多目标优化测试问题,基于算法的收敛性和Pareto最优解集分布性进行评价和比较分析,表明ε-支配进化算法的有效性.

锥约束非光滑多目标优化问题的对偶及最优性条件

研究了一类涉广义不变凸锥约束非光滑多目标优化问题(记为(MOP)),结合Craven与Yang广义选择定理,建立了该优化问题的Kuhn-Tucker型最优性充分必要条件以及其鞍点与弱有效解之间的关系,给出了(MOP)的Wolfe型与Mond-Weir型弱、强以及逆对偶理论.

求解多目标优化问题的随机梯度遗传算法

遗传算法的收敛速度很慢 ,为此引入另一种解决优化问题的工具 ,即 Simultaneous Perturbation Stochastic Approximation(SPSA)算法 ,该算法是一种简单、易实现、高效率的随机逼近算法。本文将 SPSA算法作为一种快速局部优化方法并将其和遗传算法的整体搜索策略结合起来 ,提出一种解决多目标优化问题的随机梯度遗传算法 ,对新算法的执行策略进行了认真的设计。大量的数值实验表明 :随机梯度遗传算法不仅提高了多目标遗传算法的收敛速度 ,且得到了大量的分布较均匀的

一种基于截断机制的稳态优化算法求解多目标优化问题

近年来,多目标优化问题的求解已成为优化领域的一个重要研究方向。为设计一种优化算法使得解集快速收敛并均匀分布于问题的最优Pareto面上,提出一种基于截断机制的稳态优化算法求解多目标优化问题。与传统的稳态算法(ε-MOEA)相比,该算法具有无参、解集数量可控以及良好广泛性等特点。实验结果表明,该算法在多目标优化问题中表现良好,与几个经典算法相比具有一定的竞争力。

基于模糊逻辑的多目标优化问题遗传算法求解探讨

基于群体搜索的遗传算法求解多目标优化问题具有独特的优势,鉴于决策者事先对于各目标的重要性一般只有模糊的认识,文中对各目标进行了模糊化处理,构造了适应值函数,提出了基于模糊逻辑的多目标优化问题遗传算法求解方案.

约束多目标优化问题的区间极大熵方法

根据多目标优化的基本原理,提出一种新的评价函数法,结合区间分析的方法,提出了求解多目标规划问题的区间极大熵方法,并进一步证明了此方法的收敛性.

多目标优化问题的研究

针对传统方法求解多目标优化问题的局限性,应用一种新的算法求解。遗传算法从问题解的串集开始搜索,覆盖面大,可以同时处理群体中的多个个体,利于全局择优,减少陷入局部最优的风险,而最小生成树具有过程简单清晰、适用性广泛的特点,结合两者的优点,构造了基于生成树的遗传算法。首先通过加权目标规划法求出最优解,然后通过遗传算法和基于生成树的遗传算法求解,结果表明,对于小规模的多目标优化问题,两种算法都可以求出最优解,在求解时间方面,基于生成树的遗传算法比遗传算法更优越。

Pareto强度值演化算法求解多目标优化问题

近年来,多目标优化问题求解已成为演化计算的一个重要研究方向,而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点。多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域。本文定义和使用稀松密度来保持群体中个体的均匀分布, 并将个体的Pareto强度值和稀松密度合并到个体的适应值定义中。通过对测试函数的实验,验证了算法的可行性和有效性。