多目标遗传局部搜索算法的研究进展

在分析了由演化算法局部搜索能力差造成的多目标演化算法在收敛速度和求解精度上尚不能令人满意的局限性的基础上,详细地论述了融入局部优化方法的多目标混合演化算法能够有效地平衡算法的全局搜索与局部搜索能力、均衡搜索效率与效果,而且已成为求解多目标优化问题的一个非常重要而有前途的研究方向。其次,综述了多目标遗传局部搜索算法的研究进展与分类。最后,简单介绍了一些具有代表性的多目标遗传局部搜索算法,并提出了其有待进一步研究的若干方向和内容。

基于模拟退火的DEAS算法

针对动态编码搜索算法(DEAS)求解全局优化问题容易陷入局部最优解的问题,提出一种基于模拟退火思想的动态编码随机搜索算法。算法的静态数据结构是二进制矩阵,矩阵每一行代表问题的一个维度;动态过程包括增加串长执行搜索和在最优方向的引导下探索两个基本过程。数值实验的结果表明,对非线性的和不连续的多维函数,改进随机算法的性能要优于原始DEAS算法,具有对初始解强的鲁棒性和更强的跳出局部最优解的优点。

局部经验模态分解算法

对经验模态分解算法中的异常事件干扰机制做了深入的探讨,指出发生频率混叠现象时必须满足的两个条件。为了避免出现频率混叠现象,提出了基于动态窗口的局部分解算法。利用信号的时间特征尺度检测出信号的突变并定位局部高频分量,在分解信号的过程中,局部分解算法并不对信号的整个时间区域进行分解,而是以定位好的局部高频分量位置为窗口,进行局部的经验模态分解,分离出高频分量。通过这种局部分解,就可以有效地消除模态间的频率混叠,得到的固有模态函数更可靠地反映了真实物理过程。和现有异常事件处理方法相比,局部经验模态分解算法在理论上和经验模态分解算法更为统一,方法更为简便。通过实例表明了局部经验模态分解算法的有效性。

一种高效的多目标演化算法

为了提高非劣解向Pareto最优前沿收敛的速度及进一步提高解的精度,在设计了一种新的杂交算子并改进了NSGA-Ⅱ的拥挤操作的基础上,提出了一种基于分级策略的多目标演化算法。数值实验表明,新算法能够非常高效地处理高维的最优前沿为凸的、非凸的和不连续前沿的多目标测试函数,得到的非劣解具有很好的分布性质。但在处理高维的具有太多局部最优前沿的多峰函数时极易陷入局部最优前沿。