多目标进化算法中变异算子的比较与研究

提出了一种适应于多目标进化算法的变异越界处理策略,成功地将这些变异算子应用到多目标进化优化问题中,从多目标优化收敛性的角度比较了这些变异算子的性能。通过一组实验表明这种越界处理方法是非常有效的,单目标优化中的这些变异算子具有与多项式变异算子相当的分布性,同时取得了更好的收敛性能。

NSGA-II中一种改进的分布性保持策略

NSGA-II以其良好的收敛性和时间效率广泛应用于多目标优化中,然而其基于聚集距离的种群维护策略并不能很好地保持解集的分布性。提出一种改进的分布性保持策略,设置随种群密集程度自适应变化的阈值,动态地维护种群,使得分布性优秀的个体有更大的生存机会。与NSGA-II和ε-MOEA在5个测试函数上进行比较实验,结果表明改进算法在有效提高分布性的同时,拥有良好的收敛性。

一种基于Hypervolume指标的自适应邻域多目标进化算法

通过定义反映个体之间邻近程度的指标(个体的树邻域包含关系),在考虑个体间支配关系的基础上,利用个体与其周边个体的树邻域密度进行适应度赋值;提出了一种2,3维情况下个体独立支配区域的Hypervolume指标的计算方法,该方法用于评价个体对群体的贡献时只需要1次计算(同类方法需要2次计算);当外部种群中非支配个体数目超过规定规模时,根据个体独立支配区域的Hypervolume指标的大小对其进行修剪;在此基础上,提出了一种基于Hypervolume指标的自适应邻域多目标进化算法ANMOEA?HI.对比实验结果表明,ANMOEA?HI在保证了解集收敛性的同时亦拥有良好的分布性.

一种基于邻域的多目标进化算法

种群维护是多目标进化算法的重要组成部分。针对维护方法和运行效率的矛盾,提出一种基于邻域的多目标进化算法(NMOEA)。定义了一个反映个体之间邻近程度的指标———邻域包含关系,利用此关系对个体进行分布适应度分级的赋值,并用动态方法快速地对种群进行维护。通过7个测试问题和3个方面的测试标准,结果表明新算法在较快速地接近真实的最优面的同时,拥有良好的分布性。

一种基于相似个体的多目标进化算法

分布性保持是多目标进化算法研究的一个重要方面,一个好的分布性能给决策者提供更多合理有效的选择。Pareto最优解的分布性主要体现在分布广度与均匀性两个方面。提出一种基于相似个体的多目标进化算法(SMOEA)。在种群维护中删除相似程度最大的个体;在进化操作中,选取了相似程度最大的个体进行进化。与目前经典算法NSGA-II和ε-MOEA进行比较,结果表明新算法拥有良好的分布性,同时也较好的改善了收敛性。

进化算法鲁棒最优解研究综述

在实际应用中,环境往往是不稳定的且易受到噪声的影响。因此,对于许多现实优化问题,一个鲁棒性好的解具有重要的意义。然而,以往关于进化算法(EAs)的研究主要集中在寻找全局最优解,解的鲁棒性却没有得到重视。从单目标鲁棒最优解、多目标鲁棒最优解及效率等方面较全面地分析了目前EAs搜索鲁棒最优解的研究现状。最后对相关研究工作做了展望。

一种基于局部收敛估计的多目标进化算法

采用了一种基于局部收敛估计的多目标进化算法(MOEAE/LC)。在进化过程中计算连续两代归档集合群体之间的种群相似度,若在算法运行的早期其连续两代归档集的相似度小于预先设置的阈值,则认为算法有一定概率局部收敛。这时以一定概率重新初始化内部种群并且对归档集的部分个体进行变异,这样能在算法有可能陷入局部最优时产生新个体,从而提高了解集的收敛性和多样性。通过与经典的多目标算法(MOEAs)进行对比实验,实验结果表明了该算法的有效性。

求解约束优化问题的不可行比率差分算法

利用差分进化算法求解约束优化问题时存在两个关键问题,一是种群个体根据约束处理准则从不可行区域中快速接近可行区域;二是在可行区域内根据约束处理准则如何更好地进行全局搜索。提出了一种基于不可行解比率的差分进化算法求解约束优化问题,算法最主要的特点是利用了种群不可行比率的信息,使种群快速地接近可行区域,并且通过不可行比率选择不同的差分算子,从而完成对约束优化问题的求解,通过对13个benchmark的测试,结果表明所提出的算法是有效的。

遗传算法和单体型组装加权最小字符翻转问题

单体型组装加权最小字符翻转(WMLF)问题指定个体联配的加权DNA片断数据,翻转权值和最小的SNP位点以推测出该个体的一对单体型。该问题是NP-难的,至今尚无实用的搜索寻优算法。根据DNA测序片段数据的特点提出了一种遗传算法。对于实际的生物实验数据,即使数据很大,该算法也可以在较短的时间得到WMLF问题的满意解,具有良好的可扩展性和较高的实用价值。