一种基于协同演化的自适应约束多目标进化算法

约束多目标优化(CMOP)问题的求解旨在将有限的搜索资源合理地配置到约束条件的满足与目标函数的优化2个方面,但问题约束的日趋复杂给求解算法带来了巨大挑战。提出一种基于协同演化的自适应约束多目标进化算法,该算法同时进化2个功能互补的种群(主种群和存档种群),使算法在求解复杂约束问题时能够实现约束处理与目标优化之间的良好平衡。首先,主种群进行双重繁殖,首次繁殖过程通过动态适应度分配函数自适应地利用不可行解所携带的有价值信息,使种群在进化前期强调对目标函数的优化,后期强调可行性,二次繁殖则与存档种群进行合作,以提高种群收敛性并维护多样性。然后,提出一种基于角度的选择方案更新存档种群,在保证种群良好多样性的同时保持种群向Pareto前沿的搜索压力。最后,与5种先进的约束多目标进化算法在33个基准问题上进行对比实验,结果表明,所提出的算法在解决各类CMOP问题时与对比算法相比更具优势,其效率平均提高了约67%。

基于块分解和循环神经网络的海上升压站智能巡检目标时序配准算法

常规海上升压站智能巡检目标时序配准主要依托三角网格表示方法,缺少对图像块能量分布的分析,导致目标配准后离群点的比重较大,配准效果欠佳。为此,提出了基于块分解和循环神经网络的海上升压站智能巡检目标时序配准算法。通过对海上升压站巡检项的分析,采用块分解算法对巡检图像进行分解,检测巡检目标的特征点,并通过提取分解图像块中的高频分量获取图像的能量分布;结合目标特征点的主曲率,计算特征点的标量比例系数,将其与给定阈值相比较,以识别并剔除不稳定极值点;引入循环神经网络求取巡检目标点的质心与特征点之间像元的标准差,由此找出阵列的中心点进行配准。以某实际海上升压站项目为研究背景,对所提方法进行性能验证,结果表明,利用该算法对巡检目标进行时序配准后,得到离群点比重较小,配准效果更好。

基于分解的演化多目标优化算法综述

基于分解的演化多目标优化算法(MOEA/D)的基本思想是将一个多目标优化问题转化成一系列子问题(单目标或者多目标)来进行优化求解.自2007年提出以来, MOEA/D受到了国内外学者的广泛关注,已经成为最具代表性的演化多目标优化算法之一.总结过去13年中关于MOEA/D的一些研究进展,具体内容包括:(1)关于MOEA/D的算法改进;(2) MOEA/D在超多目标优化问题及约束优化问题上的研究;(3) MOEA/D在一些实际问题上的应用.然后,实验对比几个具有代表性的MOEA/D改进算法.最后,指出一些MOEA/D未来的研究方向.

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.

多目标优化的演化算法

近年来 ,多目标优化问题求解已成为演化计算的一个重要研究方向 ,而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点 .多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域 .该文在比较与分析多目标优化的演化算法发展的历史基础上 ,介绍基于Pareto最优概念的多目标演化算法中的一些主要技术与理论结果 ,并具体以多目标遗传算法为代表 ,详细介绍了基于偏好的个体排序、适应值赋值以及共享函数与小生境等技术 .此外 。

多目标演化算法的收敛性研究

基于群体搜索的演化算法求解多目标优化问题有独特的优势 ,多目标演化算法已有的研究大多为算法的设计和数值试验效果的比较 ,理论研究往往被忽视 .该文讨论了多目标演化算法的收敛性问题 ,针对一种网格化的简单易于实现的多目标演化算法模型定义了多目标演化算法强收敛和弱收敛等概念 ,给出了判断算法收敛性的一般性条件 ;在变异算子为高斯变异、目标函数连续的条件下 ,证明了提出的算法强收敛 .数值实验验证了算法的可行性和有效性 .

改进奇异值分解的海杂波抑制算法

针对强海杂波背景下海面运动目标回波信号难以检测的问题,提出了一种奇异值分解和双延迟线对消算法相结合的海杂波抑制算法。首先将脉冲压缩后的目标回波信号按周期重排成快慢时间维度矩阵,进行周期奇异值分解;然后构造出信号所对应奇异值的阈值和输入信杂噪比的关系,利用阈值对奇异值指数比进行判决,实现自适应区分海杂波和目标信号;最后对重构后的目标信号进行双延迟线对消,抑制杂波的同时确保目标信号的损失降到最低。采用实测数据对算法性能进行实验验证,相比于现有的海杂波抑制算法,所提方法能够适应目标回波序列信杂噪比的变化,在输入信杂噪比为-30 dB下仍能抑制大部分杂波并准确检测信号,由此验证了新算法具有更好的抑制效果和更优的检测性能。

多QoS约束网格作业调度问题的多目标演化算法

针对网格计算中的多QoS约束网格作业调度问题,以独立作业为研究对象,将其规约为多目标组合最优化问题.通过深入剖析多目标最优化理论及其演化算法,结合网格作业调度自然特征,提出了一种解决多QoS约束网格作业调度问题的多目标演化算法.该算法求解多个QoS维度效用函数指标的非劣解集,尝试解决多管理域间网格用户、资源管理者等网格实体的多目标协同问题.仿真结果表明,在时间维度、可靠性维度、安全性维度QoS效用值等用户级QoS指标,以及丢弃作业数等系统级指标方面该算法与QoS-Min-min和QoS-Sufferage等同类算法相比具有较好的综合性能.

基于正交设计的多目标演化算法

提出一种基于正交设计的多目标演化算法以求解多目标优化问题(MOPs).它的特点在于:(1)用基于正交数组的均匀搜索代替经典EA的随机性搜索,既保证了解分布的均匀性,又保证了收敛的快速性;(2)用统计优化方法繁殖后代,不仅提高了解的精度,而且加快了收敛速度;(3)实验结果表明,对于双目标的MOPs,新算法在解集分布的均匀性、多样性与解精确性及算法收敛速度等方面均优于SPEA;(4)用于求解一个带约束多目标优化工程设计问题,它得到了最好的结果———Pareto最优解,在此之前,此问题的Pareto最优解是未知的.

一种基于输运理论的多目标演化算法

提出了一种根据输运理论中的粒子输运方程、相空间能量定律和熵增法则构造的一种能够准确、高效地求解多目标优化问题的多目标演化算法(MOPEA).由于该算法使用了粒子系统从非平衡达到平衡的理论来定义求解多目标问题的Rank函数和Niche适应值函数,使得种群中的所有个体都有机会参与演化操作,以达到快速、均匀地求出多目标优化问题的Pareto最优解.数据实验显示,利用该算法求解多目标优化问题不仅能够使算法快速地收敛到全局Pareto前沿,同时由于该算法要求所有的粒子都要参与杂交和变异等演化操作,从而避免问题早熟现象的出现,并通过与传统演化算法的性能指标分析比较说明,使用该算法求解多目标优化问题具有明显的优越性.

一种新的多目标演化算法——稳态淘汰演化算法

提出一种新的多目标演化算法 :稳态淘汰演化算法 (SteadyEliminationEvolutionaryAlgorithm ) .该算法利用稳态淘汰策略 ,能够在不需要额外计算量和存储空间的情况下 ,自发地保存精英个体 (elitist) .

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。

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(μ+1)演化策略的多目标优化算法

使用(μ+1)演化策略求解多目标优化问题，利用群体中个体间的距离定义拥挤密度函数以衡量群体中个体的密集程度，个体适应值定义为个体的Pareto强度值和拥挤密度值之和。通过对测试函数的实验，验证了算法的可行性和有效性，该算法具有简单、稳健等特点。

多目标优化与决策问题的演化算法

近年来 ,多目标优化与决策问题求解已成为演化计算的一个重要研究方向。为使演化算法的种群解能尽快收敛并均匀分布于多目标问题的非劣最优域 ,多目标演化算法的研究热点集中在基于Pareto最优概念的种群个体的比较与排序、适应值赋值与小生境技术等方面。介绍了多目标优化与决策技术的发展历史与分类方法 ,分析了基于Pareto最优概念与不基于Pareto最优概念两大类的多目标演化算法 ,并详细比较与分析了几种典型多目标演化算法。其次 ,论述了与多目标演化算法研究紧密相关的一些问题 ,如多目标问题解的性质 ,测试函数集设计 ,算法性能评估技术 ,算法收敛性 ,并行实现以及实际多目标优化问题的处理等。

多目标分解随机粒子群优化算法及其在直线电机优化设计中的应用

本文提出了一种多目标分解随机粒子群优化算法(MDSPSO).该算法优化过程中,所有粒子按各自固定的权重向量,采用改进Tchebycheff分解方法,将求解多目标非支配解问题转化为求解多个单目标最优解问题;而后每个粒子在以自身位置、个体历史最优参考位置及群体最优参考位置的几何中心为中心,以中心到自身位置为半径的区域内,随机生成一个新的起始位置,并参考当前的速度更新下一时刻的位置.通过对测试函数多次计算得到的数据进行统计分析,表明MDSPSO的收敛性和多样性均优于另外3种对比算法.最后针对直线电机磁路复杂、有限元计算费时的问题,使用神经网络拟合直线电机结构参数与性能的关系作为优化设计的模型,应用MDSPSO算法,优化结构参数.实际测试结果表明,优化后的直线电机推力大、效率高,同时有效控制了其推力波动和生产成本.

基于多目标差异演化算法的并联机构结构优化

针对并联机构优化设计的复杂性,建立了多目标优化模型,并使用多目标差异演化算法(MODE)对模型进行了求解。在MODE中,使用改进的快速排序法构造外部种群,基于动态聚集距离对外部种群进行削减,使用随机排序法处理约束问题。以3-TPT并联机器人机构的工作空间和速度全域性能为目标建立了多目标优化模型,利用蒙特卡洛方法对两个目标进行了定量评价,并使用MODE实现了模型求解。多目标优化模型的建立对其他并联机构具有借鉴意义。实验结果也表明MODE是一种行之有效的多目标求解算法。

基于差异演化算法的动压滑动轴承多目标优化

为研究流体动压轴承的多目标优化问题,提出一种改进多目标差异演化算法。该算法在选择差分向量时,对产生差分向量的两个个体比较其优劣,用非支配解减去支配解,引导个体向非劣解进化,提高算法的收敛速度;其次提出了种群修剪策略,消除进化后期种群中相同个体引起的种群全局搜索能力下降的缺点,以提升算法的全局寻优能力。通过与其它算法的比较,发现该算法能有效避免'早熟'收敛,具有较好的收敛速度和多样性。工程实例求解结果表明了算法的工程可行性。