基于权重向量聚类的动态多目标进化算法

实际生活中存在许多的动态多目标优化问题(DMOP)。对于此类问题,当环境发生改变时,就要求动态多目标进化算法(DMOEA)能快速和准确地跟踪新环境下的帕累托前沿(PF)或帕累托最优解集(PS)。针对现有算法的种群预测性能差的问题,提出一种基于权重向量聚类预测的动态多目标进化算法(WVCP)。该算法首先在目标空间中生成均匀的权重向量,并对种群中的个体进行聚类,再根据聚类情况分析种群的分布性。其次,对聚类个体的中心点建立时间序列。对同一权重向量,针对不同的聚类情况采取相应的应对策略对个体进行补充,若相邻时刻均存在聚类中心,则采用差分模型预测新环境下的个体;若某一时刻不存在聚类中心,则用相邻权重向量聚类中心的质心作为该时刻的聚类中心,再运用差分模型预测个体。这样不仅可以有效地解决种群分布性差的问题,还可以提高预测的准确性。最后,引入个体补充策略,以充分地利用历史信息。为验证WVCP算法的性能,把它与四种代表性算法进行了仿真对比。实验结果表明,所提算法能够很好地解决DMOP。

基于Pareto解集关联与预测的动态多目标进化算法

针对动态多目标优化问题,提出一种基于Pareto解集关联与预测的动态多目标进化算法(LP-DMOEA),设计了基于超块的Pareto解集关联方法.该方法能够动态维护若干描述Pareto解变化规律的时间序列,通过对新环境下的Pareto解集进行预测来生成初始种群.将LP-DMOEA应用于非劣分类遗传算法(NSGA2),并对3类标准测试函数进行了实验,所得结果表明该方法能够有效求解动态优化问题.

基于种群分类的动态约束多目标进化算法

针对约束动态多目标优化问题,提出了一种基于种群分类的动态约束多目标进化算法,其基本思想是:首先将每代种群分为不可行群体、非Pareto群体、非聚类Pareto群体和聚类Pareto群体,然后对这4类群体按一定规则赋以适应度,最后采用动态多目标进化算法中的进化算子进行进化操作,产生新种群。数值实验和性能指标统计数据表明,该算法不仅能较好地处理复杂约束,而且能产生分布性较佳的Pareto最优解。

一种改进的动态无约束多目标进化算法

为提高算法局部收敛性,提出一种改进的动态无约束多目标进化算法,其基本思想是:首先将时间区间分割,产生初始种群,然后根据Pareto支配关系对个体进行排序,再经选择复制、常规交叉算子和改进的非均匀变异算子进行操作,产生新种群。数值实验和性能指标统计数据表明,该算法具有较好的局部收敛性,能产生分布性较好的Pareto最优解。

基于MOEA/D-ARMS的无人机在线航迹规划

无人机(unmanned aerial vehicle, UAV)在线航迹规划是UAV协同控制关键技术之一,在线航迹规划问题本质上是一种动态多目标优化问题。为了求解该问题,提出了一种基于自适应应答机制选择的动态多目标进化算法(multi-objective evolutionary algorithon based on decomposition-adaptive reaction mechanism selection, MOEA/D-ARMS)。多种应答机制构成应答机制池,以应答机制最近一次的整体表现赋予应答机制一定的奖励,并采用基于概率的方法从应答机制池中选择应答机制。MOEA/D-ARMS分别在静态环境情况、突发威胁情况、突变威胁情况和偏好改变情况下进行仿真实验。仿真结果表明,MOEA/D-ARMS可有效求解UAV在线航迹规划问题。