基于混合预测策略与改进社会学习优化算法的动态多目标优化方法

近年来,国内外学者针对基于预测的动态多目标优化算法开展了深入研究,并提出了一系列有效的算法,然而已有的研究工作通常采用单一的预测策略,使得算法不能有效地应对剧烈的环境变化。针对上述问题,提出了一种基于混合预测策略与改进社会学习优化算法的动态多目标优化方法。具体地,当环境发生变化时,该方法首先基于代表性个体预测策略生成一部分群体;其次,基于拐点预测策略生成一部分新群体,特别地,为了提高种群的多样性,根据算法迭代的历史信息和环境变化情况随机地生成一定数量的新个体;为了提高问题的求解效率,对社会学习优化算法进行了改进,为每个进化空间设计了适用于动态多目标优化问题的算子;最后,将混合预测策略与改进的社会学习优化算法结合,构成了一种新的动态多目标优化方法。以FDA、DMOP和F函数集作为实验测试函数集,与四种代表性算法进行了性能对比;并以反向世代距离(inverted generational distance, IGD)对该方法的性能进行了深入的分析。实验结果表明所提方法具有较好的收敛性和鲁棒性。

整合已有土壤样点的数字土壤制图补样方案

我国多数地区经过两次土壤普查以及科研工作者的野外调查,积累了一定数量的土壤样点"(已有样点")。本文在充分整合已有样点的基础上,提出了逐次、高效地设计补充样点的方案,它包括3个步骤:首先,确定已有样点集的空间代表范围"(可推测范围");然后,将已有样点集不能代表范围内的每一个栅格都看作一个候选样点,计算每一个候选样点的可扩推范围,选择可扩推范围最大的点作为第一个补充样点;最后,基于已有样点和补充样点更新样点集的空间代表范围图。重复以上过程,直至新样点集的空间代表范围能够覆盖整个研究区。该方法在充分利用已有样点资源的基础上,不仅能够确定补充样点的数量、位置,而且能够给定补充样点的重要性次序,在采样资源有限的情况下,为采样者合理地选择样点提供了重要依据。