基于Pareto适应度的混合遗传算法在多式联运问题中的应用

为高效求解多式联运运输方式优化选择问题,提出一种基于Pareto适应度的混合遗传算法,此算法基于Pa-reto支配关系和个体像的小生境数进行适应度赋值,引入重插入算子,采用合理的交叉与变异方法,使得经交叉与变异之后的染色体仍然为问题可行解,提高了收敛速度,实证验证了算法的有效性.

求解多目标组合优化的改进Pareto适应度遗传算法

将Pareto适应度遗传算法(PFGA)与局部搜索相结合,提出了一种用于求解多目标组合优化问题的改进算法IPFGA,该算法基于Pareto支配关系对遗传操作产生的每一个个体进行局部搜索,并采取在外部群体中引入拥挤距离的精英选择策略。实验结果表明,与PFGA相比,IPFGA有更快的收敛速度。

基于相似性排挤与适应值分层计算的可持续Pareto遗传算法

在研究并实现计算复杂度仅为O(Nlog2N′)的基于相似性排挤的小生境技术(NTSC)、快速适应值分层算法(FHFS)的基础上,提出了基于相似性排挤与适应值分层计算的可持续Pareto遗传算法(SPGA)。SPGA采用了进化操作种群与外部种群两个种群。外部种群用于存储当前最优解集,利用基于模糊推理机制提出的NTSC来维持种群多样度,使外部种群中存储的Pareto非劣解集均匀地逼近问题的理论最优面;采用将个体按其所处层次来精确标识个体适应能力的FHFS来辨识个体适应值,避免适应值特别高的个体抑制适应值比它低的个体。仿真优化结果表明,SPGA能够以较小的计算成本搜索到高精度的、分布均匀的Pareto非劣解集。

基于IFI与FUA的Pareto遗传算法

在适应值快速辨识算法和基于聚类排挤的外部种群快速替换算法的基础上,提出了搜索Pareto最优解集的快速遗传算法。在该算法中,IFI算法实现个体适应值的快速辨识,FUA维持种群多样度和Pareto最优解集的均匀分布性。采用FPGA算法对多种多目标0/1背包问题进行仿真优化,FPGA算法能够以较少的计算成本搜索到高精度、分布均匀、高质量的Pareto非劣解集,收敛速度和收敛准确性均优于强度Pareto进化算法(SPEA)。

基于Pareto遗传算法的聚合物黏度模型参数拟合

针对传统聚合物黏度模型参数拟合方法中存在的初值选取问题及权重分配问题,采用基于Pareto多目标遗传算法的拟合方法。根据实验测得PP和PMMA材料流变数据对常用的Cross-WLF 7参量黏度模型进行了拟合,拟合结果的复相关系数分别达到了0.999929和0.999036。研究结果为聚合物注射成型仿真提供了必需的材料流变数据,为塑料制品的模具设计、工艺参数优化和质量预测提供了理论依据。

三维流场乘波体快速设计方法及多目标优化

为扩大乘波体的设计空间,精确地计算设计流场,引入高超声速激波装配法,结合基于多重网格的搜索技术加速寻点效率,扩展流线追踪方法到三流流场,建立普适于一般三维流场的乘波体快速设计方法。对设计曲线使用B样条方法建模并提取设计变量,结合改进的Pareto遗传算法对升阻比和容积率进行多目标优化设计,获得了性能较高的乘波外形。研究表明此方法效率高,设计空间大,是一种乘波体设计的新方法和新思路。

基于满意度和GA的区间系数多目标规划求解

在缺乏先验知识的前提下,提出了约束条件的一种满意度,按照遗传算法求解多目标问题的步骤,求出非劣解集;然后根据适应度大小选出最优解;最后算例证明了该算法的有效性和可行性。

混合时间窗约束下多目标多式联运路径优化研究

本文根据多式联运相关的概念与网络构建方法,考虑了运输的费用成本、时间价值成本以及环境成本,引入混合时间窗约束,从而建立了多目标多式联运路径优化模型,并利用基于Pareto适应度的遗传算法,求解了一个多式联运的算例,并对比加入混合时间窗前后的Pareto最优解集。加入混合时间窗约束的最优解集包括了部分未加入时间窗约束的最优解以及新的最优解,优化了运输路径,从而证明了该模型可行性与有效性,对决策者选择运输方案有重要意义。