改进的NSGA-Ⅱ算法及其在星座优化设计中的应用

针对NSGA-Ⅱ算法中的模拟二进制交叉(SBX)算子以及NSGA-Ⅱ在收敛速度及多样性保持方面性能的不足,将反向学习机制(OBL)应用到NSGA-Ⅱ的初始化和进化过程中,并引入一种改进的算术交叉算子。ZDT系列测试函数在收敛性和多样性两个方面的评价结果表明,改进的NSGA-Ⅱ算法在收敛速度、收敛性和多样性上优于NSGA-Ⅱ算法。将改进的NSGA-Ⅱ算法应用于卫星星座优化设计中,仿真结果表明改进的算法在卫星星座优化设计中比较有效。

通过网格改进的基于指标的进化算法

设计一种高效的演化多目标优化算法,使其能获得一组同时具有优异的收敛性和多样性的解集是一项很困难的任务。为了能高效求解多目标优化问题,在基于指标的进化算法(IBEA)的基础上:1)引入基于目标空间网格的多样性保持策略,保证算法近似前沿具有优异的分布性;2)引入反向学习机制,同时评估当前解和当前解的反向解,期望能找到一组较优的解从而加快算法收敛。通过6个标准测试函数对改进算法进行测试,其结果表明改进算法可以有效逼近真实Pareto前沿并且分布均匀。

基于概率模型的混合多目标算法

对传统多目标算法NSGA-Ⅱ及模型多目标算法RM-MEDA进行了分析,并指出了二者的不足。在此基础上,提出基于概率模型的混合多目标算法,并设计了相应的建模准则用于实现两种算法的结合,使得提出的算法能够充分发挥两种算法的优势。将提出的算法与NSGA-Ⅱ算法和RM-MEDA算法在10个测试函数进行了实验对比,结果证实了算法在全局收敛性及多样性等方面有着较好的效果。