自适应迁移的分解多目标多任务进化算法

多目标多任务进化优化是多目标优化的一个重要研究方向,通过跨任务共享有益信息以同时解决多个相关任务的优化问题。然而,现有多目标多任务进化优化研究存在相似任务匹配准确度低、缺少对知识迁移的动态控制等问题。为提高多目标多任务进化优化算法的优化效果,引入相似性动态指标和迁移概率动态调整机制,提出自适应迁移的分解多目标多任务进化算法。为了给目标任务子问题匹配关联度最高的迁移源,同时考虑种群的当前分布以及种群的进化方向2个指标,设计一种基于种群静态和动态特征相结合的迁移源匹配策略。为了合理地控制任务间的信息传递,提出基于种群进化状态的知识迁移概率自适应调整策略,在优化过程中根据优化任务的进化状态自适应地调整任务间的知识迁移概率,以满足优化任务在不同进化阶段对外部知识的需求。实验结果表明,相比MOEA/D、MO-MFEA、MO-MFEA-Ⅱ等算法,该算法具有较优的稳定性和收敛性,在常用的9组(18个独立任务)多目标多任务测试问题中有15个表现较优,优化率为83%。

基于改进目标进化算法的城市园林GIS数据均衡化技术研究

传统城市园林GIS数据均衡化处理技术忽略了对调整参数的全面寻优,导致部分数据仍存在不均衡问题。为此,提出基于改进目标进化算法的城市园林GIS数据均衡化技术。针对城市园林GIS数据,结合SMOTE算法与遗传算法,形成一种新的改进目标进化算法——GSA算法,对GIS数据完成二次采样,通过鸡群算法求解目标函数最优解,以此得到多个最优调整参数,使图像灰度分布更加均匀,实现城市园林GIS数据均衡化处理。实验结果表明,与传统技术相比,改进目标进化算法的GIS数据均衡化效果更好,证明该技术具有理想应用性能。

基于分解的约束多目标进化算法

现实世界中为平衡多方利益,需要进行多目标优化的研究,然而实际问题中多数问题往往带有约束条件,富有挑战性。在研究中,首要解决的问题为如何处理在优化过程中出现的非可行解。我们认为非可行解在优化过程中是重要的,其包含着种群进化方向的信息,需在优化过程中保存适当比例的非可行解。为此本文提出了一种基于分解的约束多目标进化算法,根据进化过程中种群变化来自适应产生权重保留一部分非可行解引导种群收敛。为验证所提算法的性能,选取了24个测试问题,4个对比算法,经数值实验证明了所提算法的有效性。

基于IGD^(+)指标的两阶段选择高维多目标进化算法

针对在高维空间下多目标进化算法难以维持种群收敛性和多样性平衡的问题,本文提出一个基于IGD^(+)指标的两阶段选择高维多目标进化算法(MaOEA–ITS).在第1阶段,算法基于IGD^(+)指标选择收敛性良好的精英个体,其所需的参考点通过引入切割平面截距法构建.在第2阶段,MaOEA–ITS使用模糊c均值算法对参考向量进行聚类,聚类后的参考向量引导种群分解策略对剩余个体进行环境选择,从而维持种群的多样性.另外,为了保护能够提高种群多样性的极值解,本文提出一个参考点分布自适应策略.最后,通过仿真实验来验证MaOEA–ITS的有效性和优越性.

改进分解进化算法求解动态火力分配多目标优化模型

战前制定合理的火力分配(WTA)方案,可以优化资源配置,用最小的代价获取最大的战场收益。其一,建立了面向多型武器协同进攻作战的动态火力分配(DWTA)多目标优化模型,由多个阶段静态模型构成,各阶段静态模型参数需根据战场态势实时获取;其二,重点研究阶段静态模型求解算法。针对模型特点,设计了一种满足资源约束的编码方式,融合禁忌搜索和拥挤距离策略,提出了一种改进分解进化算法。对比实验验证了算法的可行性、快速性和有效性。

基于分解进化多目标优化算法的火力分配问题

战前制定合理的火力分配方案,可以优化资源配置,用最小的代价获取最大的战场收益。综合考虑攻击、资源和毁伤概率等约束条件,建立了火力分配多目标优化数学模型。提出了一种求解火力分配模型的分解进化多目标优化算法,并设计了不可行解修复方法。仿真实验得出两个结论,一是不可行解修复方法可以显著提高算法的收敛性;二是在解决火力分配优化问题上,所提算法具有较好的收敛性和分散性,采用合适的分解方法可以有效提高算法的性能。

基于二进制微分进化算法和目标函数分解的大规模机组组合求解

为了避免在机组组合求解过程中将机组启停计划和负荷经济调度两者形成内外双层嵌套求解,从而导致计算比较耗时的问题,引入启运机组的总平均燃料成本和系统旋转备用剩余量这2个可调节的子目标,将传统的机组组合模型分解成2个独立的优化目标,构建了一种基于目标函数分解的二阶段可独立求解的机组组合模型。采用一种改进的二进制微分进化算法对第一阶段的机组启停计划目标进行求解,对每个代表机组启停状态的个体编码采用机组最小启停时间约束、旋转备用约束、机组去组合等处理机制,有效保证了每个解的有效性并缩小了算法的搜索空间。根据求解得到的机组启停状态,采用半定规划法求解第二阶段的负荷经济调度目标。采用经典的测试算例验证了所提方法在大规模机组组合求解中的有效性。

基于双阶段搜索的约束进化多任务优化算法

高效地平衡算法的多样性、收敛性和可行性是求解约束多目标优化问题(CMOP)的关键;然而,复杂约束的出现给该类问题的求解带来了更大的挑战。因此,提出一种基于双阶段搜索的约束进化多任务优化算法(TEMA),通过完成两个协同进化的任务实现多样性、收敛性和可行性之间的平衡。首先,进化过程由探索和利用两个阶段组成,分别致力于加强算法在目标空间的广泛探索能力和高效搜索能力;其次,设计一种动态约束处理策略以平衡种群中可行解的比例,从而增强算法在可行区域的探索能力;再次,提出一种回退搜索策略,利用无约束Pareto前沿所包含的信息指导算法向约束Pareto前沿快速收敛;最后,在两个基准测试集中的23个问题上进行对比实验。实验结果表明,TEMA分别在14个和13个测试问题上取得最优反世代距离(IGD)值和超体积(HV)值,体现出明显优势。

基于分解和支配关系的超多目标进化算法

近年来,超多目标优化问题(MaOPs)成为了进化计算领域的研究热点。然而,在处理各种优化问题中,如何有效地平衡收敛性和多样性仍是一个难题。为了解决上述的问题,该文提出了一种基于分解和支配关系的超多目标进化算法(DdrEA)。首先利用权重向量把整个种群分解为一组子种群,这些子种群将进行协同优化;然后利用角度和角度支配关系计算子种群内每个解的值;最后根据适应度值进行精英选择,即在每个子空间内选取适应度值最小的解作为精英解进入下一代。DdrEA通过与当前较优的NSGA-Ⅱ/AD, RVEA, MOMBI-Ⅱ等多个超多目标进化算法进行实验对比,实验结果表明该文算法性能明显优于对比算法,能够有效平衡种群的收敛性和多样性。

采用多项式变异策略和分解方法的多目标进化算法

MOEA/D-M2M算法将一个多目标优化问题同时转换为若干个多目标优化子问题,分别求得这些子问题的Pareto解,最终得到原多目标优化问题的Pareto解,保证了种群的多样性,比MOEA/D具有更好的算法性能.多项式变异算子具有强化局部搜索和加强收敛的作用,但是在多目标进化算法中应用多项式变异算子的成果不多.将多项式变异算子和MOEA/D-M2M中提出的多目标优化问题的新的分解方法相结合,提出了一种新的采用多项式变异策略和分解方法的多目标进化算法(MOEA/PmD).考虑到非均匀变异算子通过动态调整步长获得自适应性的特点,尝试通过将非均匀变异算子替换MOEA/PmD中的多项式变异算子而构造采用非均匀变异算子和分解方法的多目标进化算法(MOEA/NumD).实验表明MOEA/PmD算法比MOEA/NumD算法和MOEA/D-M2M算法具有更好的性能.

基于空间收缩技术的约束多目标进化算法

约束多目标进化算法在求解不可行域较大的优化问题时对不可行域的合理探索不仅有助于种群快速收敛于可行区域内的最优解,还能减少无潜力不可行域对算法性能的影响。因此,提出一种基于空间收缩技术的约束多目标进化算法(CMOEA-SST)。首先,提出自适应精英保留策略对PPS算法的Pull阶段初始种群进行改进,增加Pull阶段初始种群的多样性和可行性;其次,在进化过程中采用空间收缩技术逐渐缩小搜索空间,减少无潜力不可行域对算法性能的影响,使算法在兼顾收敛性和多样性的同时提高收敛精度。为验证所提算法性能,将该算法与四个代表性算法C-MOEA/D、ToP、C-TAEA、PPS在LIRCMOP系列测试问题上进行仿真对比。实验结果表明,CMOEA-SST在处理不可行域较大约束优化问题时具有更好的收敛性和多样性。

基于最小距离和聚合策略的分解多目标进化算法

针对基于帕累托(Pareto)支配的多目标进化算法在解决高维问题时选择压力降低,以及基于分解的多目标进化算法在提高收敛性和分布性的同时降低了种群多样性的问题,提出了一种基于最小距离和聚合策略的分解多目标进化算法。首先,使用基于角度分解的技术将目标空间分解为指定个数的子空间来提高种群的多样性;然后,在生成新解的过程中加入基于聚合的交叉邻域方法,使生成的新解更接近于父代解;最后,分两阶段在每个子空间内基于最小距离和聚合策略来选择解以提高收敛性和分布性。为了验证所提算法的可行性,采用标准测试函数ZDT和DTLZ进行仿真实验,结果表明所提算法的总体性能均优于经典的基于分解的多目标进化算法(MOEA/D)、MOEA/DDE、NSGA-Ⅲ和GrEA。可见,所提算法在提高多样性的同时可以有效平衡收敛性和多样性。

混合分解和强度帕累托多目标进化算法

在多目标进化优化中,使用分解策略的基于分解的多目标进化算法(MOEA/D)时间复杂度低,使用强度帕累托进化算法-2(SPEA2)能得到分布均匀的解集。结合这两种策略,提出一种新的多目标进化算法用于求解具有复杂、不连续的帕累托前沿的多目标优化问题(MOP)。首先,利用分解策略快速逼近帕累托前沿;然后,利用强度帕累托策略使解集均匀分布在帕累托前沿,利用解集重置分解策略中的权重向量集,使其适配于特定的帕累托前沿;最后,利用分解策略进一步逼近帕累托前沿。使用的反向世代距离(IGD)作为度量标准,将新算法与MOEA/D、SPEA2和paλ-MOEA/D在12个基准问题上进行性能对比。实验结果表明该算法性能在7个基准问题上最优,在5个基准问题上接近于最优,且无论MOP的帕累托前沿是简单或复杂、连续或不连续的,该算法均能生成分布均匀的解集。

基于多目标进化算法的本体匹配技术

结合多目标进化算法对本体匹配技术方案进行研究,认识到本体匹配技术中存在的限制性问题,旨在通过多元目标算法的构建,进行匹配技术方案的完善,充分展现本体匹配技术的价值性,实现核算技术的有效性。

融合情境信息的非支配排序多目标进化推荐算法

为了解决传统的推荐技术存在的推荐列表精确度和多样性冲突等问题,提出了一种融合情境信息的基于非支配排序多目标进化算法求解方法.使用K-means++聚类技术对用户进行聚类操作,按照类间用户差异性最大、类内用户相似性最大原理划分族群.结合协同过滤算法融入时间情境信息追踪用户偏好漂移,并通过非支配排序进化算法NSGA-II平衡推荐列表的准确度和多样性两个指标.在公共数据集Movielens-1M上将提出的非支配排序多目标进化情境推荐算法与现有算法进行对比,实验结果表明,该算法减少了预测评分时的平均绝对误差值,在准确度和多样性两个评价指标上均有提高.

基于分布估计的分解多目标进化算法

分解多目标进化算法具有较好的分布性,但群体数量会随着目标数的增加而急剧增加,严重影响算法效率。提出一种基于分布估计的分解多目标进化算法,基本思想:首先将多目标分解为若干单目标,然后根据分布估计的思想对各个单目标建立概率模型,通过采样产生解。数值分析和实验表明,新算法的解不仅具有较好的多样性和均匀性,而且算法的计算复杂度明显低于分解多目标进化算法,尤其是对于三目标优化问题。

一种基于分解和协同的高维多目标进化算法

现实中大量存在的高维多目标优化问题对以往高效的多目标进化算法提出了严峻的挑战.通过将分解策略和协同策略相结合提出一种高维多目标进化算法MaOEA/DCE.该算法利用混合水平正交实验方法在聚合系数空间产生一组均匀分布的权重向量以改善初始种群的分布性;其次,算法将差分进化算子和自适应SBX算子进行协同进化,以产生高质量的子代个体,并改善算法的收敛性.该算法与另外5种高性能的多目标进化算法在基准测试函数集DTLZ{1,2,4,5}上进行对比实验,利用改进的反转世代距离指标IGD+评估各算法的性能.实验结果表明,Ma OEA/DCE算法与其他对比算法相比,在总体上具有较为显著的收敛性和分布性优势.

基于记忆策略的动态分解约束多目标进化算法

针对现有面向多目标优化问题的约束处理方法存在求解效率不足,基于分解策略的多目标进化算法受到约束限制导致求解性能低的问题,提出一种基于记忆策略的动态分解约束多目标进化算法.本文首先引入具有记忆功能的归档集,改进基于短暂忽略非容许解的约束处理方法,提高算法的求解鲁棒性.然后结合基于分解的多目标进化算法,设计一种动态分配搜索资源的策略,提高算法的寻优能力.最后将设计的算法用于求解约束多目标基准测试集和1个工程问题,仿真结果表明,本文所提出算法的性能优于对比算法.算法具有有效性和可行性,求解约束多目标优化问题具有较好的性能.

基于权重迭代的偏好多目标分解算法解决参考点对算法影响的研究

在传统偏好多目标进化算法中,参考点是表达决策者的偏好信息最常用的方式,但是参考点所处位置信息有时严重影响算法的性能.针对以上问题,本文提出了一种基于权重迭代的偏好多目标分解算法(MOEA/DPRE),主要利用权重迭代方法获取一组均匀的权重向量,并对偏好区域进行映射,使得算法在进化过程中,不用考虑参考点所处位置信息对算法性能的影响,另外提出了一种稳定可控的偏好区域模型,能响应决策者设置任意大小的偏好区域.通过对比实验表明该算法具有较好的收敛性和分布性,同时给出了满足决策者不同要求的算法模型,并且能够很好的解决参考点的位置信息对算法的影响.

基于分解机制的多目标蝙蝠算法

在分析蝙蝠算法性能基础上,将蝙蝠算法融入分解机制,提出了一种基于分解机制的多目标蝙蝠算法。为了进一步提高算法的多样性,将差分进化策略引入算法中。对14个具有复杂Pareto前沿的多目标优化问题(LZ-09系列和ZDT系列)测试不同邻域规模对算法性能的影响,结果表明新算法的邻域规模为20时性能最优;将其与MOEA/D-DE和NSGA-II算法进行对比分析,结果显示该算法的分布性、收敛性和多样性均优于另外两种算法。为了验证其求解含有约束问题的性能,将其应用于滑动轴承多目标优化设计问题中,获得的Pareto前沿分布均匀,表明算法具有工程实用性,是求解复杂高维多目标问题的有效方法。