基于MOEA/D算法的三陷波超宽带天线设计

为实现超宽带通信中对WIMAX(3.3~3.7 GHz)、WLAN(5.150~5.825 GHz)和ITU(8.01~8.50 GHz)频段干扰的抑制,提出了一种基于MOEA/D算法优化设计的具有三陷波特性的超宽带天线。天线采用T形结构作为辐射贴片,通过改变贴片形状等方法实现在3~12 GHz的超宽带。在辐射贴片上刻蚀两个U形缝隙和在传输线两侧加载C形开口环,对天线进行陷波设计。利用MOEA/D算法对陷波结构的结构参数和加载位置进行优化,实现了在3.31~3.69 GHz、5.25~6.13 GHz和8.01~8.51 GHz频段的陷波效果,成功抑制了频段干扰。与传统扫频优化的设计方法相比,采用MOEA/D算法设计的天线在陷波频带内增益低至-19 dB,各陷波频带准确度误差均在3.6%以下,提高了天线的设计效率,具有一定的工程应用价值。

并行计算在MOEA/D-EGO算法中的应用

在MOEA/D-EGO算法中,当建模样本点集合元素太多和种群规模较大时,会导致算法运行时间过长.为了减少MOEA/D-EGO算法的运行时间,文章对MOEA/D-EGO算法的建模过程和种群优化过程同时并行化.在综合考虑实验条件限制的情况下,使用了基于主从式的并行模型,模型在充分考虑计算机资源的使用效率与负载均衡等因素下,增加了主进程的任务,主进程不仅需要为子进程分配计算任务、分发数据、进行算法配置、收集子进程返回的计算结果,还需要参与子进程的任务,完成与子进程相当量的计算任务.实验结果表明文章的并行MOEA/D-EGO算法能有效求解多目标优化问题,且能够大幅缩短算法运行时间.

基于改进MOEA/D的模糊柔性作业车间调度算法

针对实际生产车间中加工时间的不确定性,将加工时间以模糊数的形式表示,建立以最小化模糊最大完工时间和模糊总材料消耗为优化目标的多目标模糊柔性作业车间调度问题数学模型,提出一种改进基于分解的多目标进化算法(IMOEA/D)进行求解。该算法基于机器和工序两层编码并采用混合的初始化策略提高初始种群的质量,利用插入式贪婪解码策略对机器的选择进行解码,缩短总加工时间;采用基于邻域和外部存档的选择操作结合改进的交叉变异算子进行种群更新,提高搜索效率;设置邻域搜索的启动条件,并基于4种邻域动作进行变邻域搜索,提高局部搜索能力;通过田口实验设计方法研究关键参数对算法性能的影响,同时得到算法的最优性能参数。在Xu 1~Xu 2、Lei 1~Lei 4和Remanu 1~Remanu 4测试集上将所提算法与其他算法进行对比,结果表明,IMOEA/D算法的解集数量和目标函数值均较优,在Lei 2算例获得的解集个数为对比算法的2倍以上。

基于分解多目标进化算法(MOEA/D)的建筑节能设计方法

建筑能源消耗量大,为提高建筑节能设计水平,文章提出基于多解多目标进化算法(MOEA/D)的设计方法,根据模糊决策确定折衷解选择方案。结合单房间办公建筑和多房间居民建筑实例进行分析,根据HV值、SC值、折衷值对比MOEA/D算法和典型NSGA-II算法的设计效果,检验设计方法的可行性。研究表明,基于MOEA/D算法的设计方法在收敛性和分布性两方面均占优,能够降低建筑能耗,改善建筑居住环境,符合绿色生态建筑工程理念,综合设计效果良好,是一种可行的建筑节能设计方法,对建筑设计有一定的参考价值。

一种基于正态分布交叉的ε-MOEA

实数编码的多目标进化算法常使用模拟二进制交叉(simulated binary crossover,称SBX)算子.通过对SBX以及进化策略中变异算子进行对比分析,并引入进化策略中的离散重组算子,提出了一种正态分布交叉(normal distribution crossover,称NDX)算子.首先在一维搜索空间实例中对NDX与SBX算子进行比较和分析,然后将NDX算子应用于Deb等人提出的稳态多目标进化算法ε-MOEA(ε-dominance based multiobjective evolutionary algorithm)中.采用NDX算子的ε-MOEA(记为ε-MOEA/NDX)算法在多目标优化标准测试集ZDT和DTLZ的10个函数上进行了实验比较.实验结果和分析表明,采用NDX的ε-MOEA所求得的Pareto最优解集质量明显优于经典算法ε-MOEA/SBX和NSGA-Ⅱ.

基于多目标进化算法混合框架的MOEA/D算法

针对混合多目标进化算法中如何设计全局搜索算法和局部搜索策略结合机制的难点问题以及提高多目标进化算法的求解性能,基于反馈控制思想,提出了一种系统化、模块化的全局优化与局部搜索相结合的混合MOEA/D算法,算法中设计了一种基于拥挤熵的种群多样性度量方法;提出了基于简化二次逼近的局部搜索策略,以及针对MOEA/D的种群多样性增强策略。数值实验表明所提算法具有良好性能,可以兼顾算法求解的多样性和收敛性,所提混合框架可有效提升现有多目标进化算法的求解性能。

基于改进MOEA/D的车联网通信资源分配算法

为获得车联网通信资源分配的最优解,提出一种基于改进MOEA/D的车联网通信资源分配优化算法。将车联网资源请求的阻塞率和资源请求成功的总成本这2个相互冲突的网络通信资源分配要素作为网络通信资源分配的2个优化目标,根据车联网中行驶车辆的特点,对请求资源车辆和提供资源车辆设置约束条件。在此基础上,采用自适应邻域策略平衡进化过程中种群的收敛性和分布性,并将迭代次数引入自适应度,调节交叉算子和变异算子,使种群中较差的个体也具有遗传性,从而保证种群的多样性。同时,随着迭代次数的增加,种群中较差个体遗传性降低,较好个体遗传能力增强,从而保证种群的优化。仿真结果表明,该算法针对最小化阻塞率和最小化成本这2个目标能够获得满意的优化效果,在迭代次数、车辆数和资源请求数变化情况下都存在最优解,在相同迭代次数下,与基于支配的多目标算法SPEA2和NSGA-II相比具有较低的阻塞率和较好的收敛性。

采用MOEA/D算法的含风电系统环境经济调度

建立含风电系统的环境经济调度(Environmental Economic Dispatch,EED)模型,提出采用基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)来求解,并在算法中加入约束处理,归一化及变异操作来改善算法的性能并保持解的多样性,以获得理想的Pareto最优前沿.通过仿真计算,并与其他优化算法进行对比分析,验证了MOEA/D算法解决含风电EED问题的可行性和有效性.

基于MOEA/D多目标优化选择的预测学习框架

为提高大豆期货价格预测模型精度和泛化能力,文章提出一种基于MOEA/D多目标优化选择的预测学习框架。首先,利用完全集合经验模态分解(CEEMD)将序列分解为高频、低频和趋势序列;然后,使用差分自回归移动平均(ARIMA)、BP神经网络(BP)、回归决策树(CART)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)分别预测各序列;再使用MOEA/D算法对各个模型进行多目标优化选择,并对各序列进行集成处理,得到预测结果。为验证预测学习框架的优越性,以芝加哥期货交易所大豆期货每分钟数据作为实证数据,并与10个基准模型进行对比。结果表明:所提出的预测学习框架具有更好的优越性,在精度、泛化能力和稳健性上均具有很好的效果。

基于R2-MOEA/D算法的顶板支护决策模型

现有的顶板支护决策方法或片面分析安全因素,或对指标客观赋予权重,未能有效分配权重系数,不能满足高维多目标顶板案例决策的需求。针对该问题,对顶板来压指标进行分析,提出了一种基于R2指标的差分高维多目标进化(R2-MOEA/D)算法的顶板支护决策模型。首先针对来压状态定义指标属性,建立顶板指标知识库,利用层次分析法和熵值法对知识库中的条件指标进行计算,得到指标的主观权重和客观权重;然后在确定主观、客观权重的基础上引入权重矩阵,构建基于R2-MOEA/D算法的顶板多目标决策模型;最后基于R2-MOEA/D算法将多目标问题分解成多个子问题,利用切比雪夫函数作为R2指标排序标准进行个体选择,得到收敛性和多样性较好的Pareto最优解,即相似度最高的条件指标顶板案例,其对应的结果属性为事故案例的决策提供了支护方案。实验结果表明:R2-MOEA/D算法与NSGA2算法、NSGA3算法、RVEA算法相比,在数据集的收敛性和分布性上整体效果最优,改善了高维空间中的搜索能力。通过山西霍州三交河煤矿2-6011巷道和10-4151巷道对基于R2-MOEA/D算法的顶板支护决策模型进行可行性评定,结果表明:由R2-MOEA/D算法检索出的解决方案符合该矿的实际支护情况。

改进自适应MOEA/D算法的楼宇负荷优化调度

针对负荷侧用户用电电费、新能源消纳率和用电峰谷差等问题,提出了一种改进的自适应基于分解的多目标进化算法,进行楼宇微电网签约住户可控负荷优化调度;通过分析负荷的用电特性,将用电负荷分为五类并分类建立数学模型、优化目标函数和约束条件;将广义分解与均匀分配相结合产生新的自适应权重向量使算法非支配解更接近真实帕累托前沿;采用历史经验的思想通过计数SBX和DE两种交叉算子对外部存档的贡献率,运用轮盘赌的方式实现自适应选择策略;通过特性约束条件映射对产生的子代点进行修正,间接地扩大了算法搜索空间,提高了种群多样性。通过测试函数验证了改进的AWS-MOEA/D算法的收敛性和优越性;在某小区楼宇住户调度仿真实验结果表明,所改进的算法在调度后能节省更多的电费,并有效地提高了新能源消纳率。

基于自适应MOEA/D的柔性车间多目标联合优化调度

为了实现柔性作业车间完工时间、机器负荷、交货延期时间、车间能耗等多个目标的联合优化,提出了基于自适应惩罚MOEA/D(multi-objective evolutionary algorithm based on decomposition)的柔性车间多目标调度方法。对具有多个生产机床、多个加工任务、多道工序的柔性车间调度问题进行了描述并建立了优化模型。给出了基于MOEA/D算法的柔性车间调度方法,针对常值惩罚因子无法满足不同邻域对收敛性和染色体多样性不同调整需求的问题,提出了能够随邻域染色体密度自适应调整的惩罚因子,并制定了基于自适应惩罚MOEA/D算法的柔性车间调度流程。在具有8个机床、8个工件共28道工序的生产调度实验中,自适应MOEA/D算法搜索的Pareto前沿解能够支配标准MOEA/D和改进NSGA-Ⅱ算法的Pareto前沿解;在等权重最优解的生产实验中,自适应MOEA/D算法调度方案的完工时间、机器负荷、交货延期时间、车间能耗均小于标准MOEA/D算法和改进NSGA-Ⅱ算法。实验结果证明了自适应惩罚MOEA/D算法在柔性车间调度中的有效性和优越性。

一种基于新型差分进化模型的MOEA/D改进算法

针对MOEA/D算法中差分进化操作收敛精度不高且速度较慢的不足,提出了一种综合基于可控支配域的向量差生成策略和基于主成分的动态缩放因子的新型差分进化模型,均衡显性与隐性搜索引导;并实现了一种基于新型差分进化模型的MOEA/D改进算法(MOEA/D-iDE)。新型差分进化是借助基于可控支配域的非支配排序对邻域进行分层,根据分层信息生成与不同进化阶段相匹配的向量差,实现对种群收敛速度的显性引导;同时对决策空间进行主成分分析,动态调整差分进化缩放因子,实现对种群收敛精度的隐性引导。实验选取ZDT、DTLZ和WFG等为测试问题,以IGD+,ER作为评价指标,将MOEA/D-iDE算法与6个同类算法进行对比实验,结果表明新算法在保证多样性的同时具有更好的收敛速度与精度,从而验证了新型差分进化模型的有效性。

基于自适应邻域策略的改进型MOEA/D算法

为避免传统MOEA/D算法使用固定领域规模易造成种群进化效率降低的情况,提出一种基于自适应邻域策略的改进算法。设计一种能够反映子问题进化幅度和种群进化状态的判断机制。针对进化过程中的收敛性和分布性需求,提出基于进化状态判断的自适应邻域策略,从而根据种群和子问题的进化状态设定不同的邻域规模。使用WFG系列测试函数进行实验,结果表明,该算法能有效平衡进化过程中种群的收敛性与分布性,提高解集的整体性能。

基于局部线性嵌入与差分进化的MOEA/D算法

针对基于分解的多目标进化算法选择压力低、收敛速度慢的问题,提出一种局部线性嵌入(LLE)差分进化算法。根据LLE特性降低种群目标空间维数,利用快速非支配排序对种群分支配解进行分层,进而通过差分进化操作提高种群收敛速度。实验结果表明,与dMOPSO算法相比,该算法在保证多样性的同时具有较高的选择压力和较快的收敛速度。

基于正交设计的自适应ε占优MOEA/D算法研究

MOEA/D是一种简单、高效的多目标优化算法,但在更新子问题时,会丢失部分优良个体,降低算法的收敛速度。针对上述不足,提出一种基于正交设计的自适应ε占优算法。新算法改进如下:(1)采用正交试验设计和连续空间量化初始化种群,使初始化群体能均匀分布;(2)设计一种自适应调整松弛变量改进的ε占优机制,并用它来更新Archive种群保存非劣解;(3)将精英策略引入到MOEA/D中,加快收敛速度。实验结果表明新算法较好地改善了MOEA/D算法的收敛性以及非劣解的分布性。

基于邻域和变异算子组合优化的MOEA/D算法

考虑到在基于分解的多目标进化算法(MOEA/D)中,邻域大小与变异算子类型对算法进化过程中的探索模式有不同的影响,提出优化的MOEA/D算法。4种不同大小的邻域范围和4个特性不同的变异策略两两组合构成候选池,利用负反馈原则,在进化过程中以较高概率从候选池中选择表现更优的组合。实验结果表明,该算法鲁棒性较强,在保证收敛性的同时具有较好的多样性。

MOEA/D聚合函数的二次泛化及其优化性能分析

基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)是多目标优化算法的一个重要分支,多目标优化的关键问题是如何在算法的收敛性和散布性之间达到良好的平衡.目前主流算法的聚合函数存在着不同的优缺点,尤其是当使用切比雪夫方法选择个体时,经常出现个体偏离权重现象,个体和权重间得不到很好的粘合.本文基于此提出了一种新的聚合函数方法,提高了MOEA/D的性能.该聚合函数的函数形式为二次函数,种群个体在该函数下的等高线是一条二次曲线(本文称双曲线函数方法,Hyperbola Function Method,HYB),是对目前存在的聚合函数的一种泛化形式.该HYB方法相比PBI(Penalty-based Boundary Intersection)方法更强调收敛性,能更容易地在收敛性散布性之间达到平衡.本文测试了MOKP问题及DTLZ系列等测试函数,并与其他算法进行了实验对比,结果显示HYB方法更稳定有效且种群在收敛速度上有一定的提高.

基于运动试验平台的MOEA/D改进洗出算法仿真及试验

洗出算法参数的调整很大程度上影响其性能,针对目前经典洗出算法应用于飞行模拟器时参数调整的不足,提出一种基于MOEA/D多目标优化的改进洗出算法。将人体感知误差、洗出位移、模拟加速度误差作为优化目标,以运动空间为限制条件,采用基于分解的多目标优化算法对洗出算法参数进行同步寻优,并利用模糊隶属度函数得到最优解。为验证其有效性,建立飞行模拟器运动试验平台,将采用不同优化方法的洗出算法应用其中进行对比分析。仿真及试验结果表明,改进洗出算法归位反应时间最短,相位延迟降低3.5 s,稳定性提高30%,且修正了感觉峰值,优化了54.6%的工作空间,实现了模拟器在模拟极限运动时有足够的运动空间和更高的动感逼真度。

基于多目标进化算法的MOEA/D权重向量产生方法

在进化多目标优化研究领域,多目标优化是指对含有2个及以上目标的多目标问题的同时优化,其在近些年来受到越来越多的关注。随着MOEA/D的提出,基于聚合的多目标进化算法得到越来越多的研究,对MOEA/D算法的改进已有较多成果,但是很少有成果研究MOEA/D中权重的产生方法。提出一种使用多目标进化算法产生任意多个均匀分布的权重向量的方法,将其应用到MOEA/D,MSOPS和NSGA-III中,对这3个经典的基于聚合的多目标进化算法进行系统的比较研究。通过该类算法在DTLZ测试集、多目标旅行商问题MOTSP上的优化结果来分别研究该类算法在连续性问题、组合优化问题上的优化能力,以及使用矩形测试问题使得多目标进化算法的优化结果在决策空间可视化。实验结果表明,没有一个算法能适用于所有特性的问题。然而,MOEA/D采用不同聚合函数的两个算法MOEA/D_Tchebycheff和MOEA/D_PBI在多数情况下的性能比MSOPS和NSGA-III更好。