基于代理模型估值不确定度的昂贵多目标优化问题研究

针对代理模型辅助的多目标优化算法中个体不确定度之间相互冲突的问题,本文提出个体每个目标估值不确定的填充准则,同时,为了减少训练模型消耗的计算资源,提出基于非支配排序的样本选择算法。为了验证该算法的可行性,采用DTLZ和WFG测试函数进行测试,得出结果与近些年发表5种具有代表性的同类型算法进行对比,结果说明该算法可以有效的解决昂贵高维高目标优化问题。

具有紧时、高能耗特征的混合流水车间多目标调度优化问题

针对具有紧时、高能耗工序特征的混合流水车间调度问题,以优化产品暴露时间、最大完工时间和能源消耗为目标,建立混合流水车间调度模型,并提出一种改进的多目标粒子群算法进行有效求解。首先构建了基于ISDE指标的档案维护策略及局部邻域搜索策略,辅助算法跃出局部极值及减少生产阻塞。之后,提出一种基于模糊理论的决策分析方法选取最优调度方案。最后,通过仿真实验验证提出的多目标调度模型与算法的可行性和优越性。

约束多目标优化问题的一类内-外混合罚函数方法

该文提出一种内-外混合罚函数方法求解具有等式和不等式约束的多目标优化问题.其中罚函数由目标函数,内点罚函数和可行集外点罚函数构成.在适当的条件下,借助具有单调性的辅助函数,证明了算法所生成的迭代序列收敛于问题的Pareto最优解或弱Pareto最优解.同时给出了三个数值实验来验证算法的可行性.最后将算法应用于解决多指标交通网络最小费用流问题,并与线性加权法进行比较,结果表明该算法在时间成本上具有明显的优势.

“双碳”目标下国土空间优化的挑战与应对

国土空间优化与调控始终是现代化建设面临的重大理论和实践问题。现有的国土空间规划研究多聚焦于对低碳空间治理思路、框架、工具的整体性把握,尚缺乏明确的碳约束目标及行动指南,亟待将“双碳”目标全面融入国土空间规划的目标体系、决策体系和保障体系,发挥规划在空间治理上的统筹引领作用。首先,国土空间优化光论“地”不谈“天”不行,也不能“就土论土、就地论地”;其次,低碳和“双碳”目标并不完全等同,要避免“双碳”研究中忽视国土,也要在研究国土问题中厘清“双碳”;再次,空间优化是个复杂动态过程,需要高度重视深度不确定性。因此,未来有必要建立国土空间抗解性识别分析范式和方法,开发应对深度不确定性的国土空间协同演化集成模型,构建国土空间多目标优化调控理论体系,并沿着科学认知、信息技术、智能规划、创新制度四个主轴展开深入研究和理论构建。

混合多目标灰狼算法求解多目标VRPTW问题

针对带时间窗的多目标车辆路径规划问题,建立了最小化总成本和均衡度的多目标车辆路径优化模型,并提出了一种混合多目标灰狼算法进行求解。主要设计3点策略:(1)设计新的编码解码方式实现连续灰狼位置向量向离散客户序列的转化。(2)采用收敛性指标和分布性指标来进行决策个体的选择。(3)设计了多种删除、插入算子实施局部路径优化。为说明算法的有效性,以Solomon中的部分算例为例,将该算法与MOIGA和改进的ACO算法进行实验对比。实验结果表明,所提出的混合多目标灰狼算法能找到更好的Pareto解,并且性能优于其他进化算法。

改进多目标鮣鱼优化算法求解多容量养老院选址分配问题

为应对未来老龄化时代的到来,完善养老服务体系,针对养老院的选址分配问题,在考虑用户满意度和覆盖率的情况下,构建多目标优化模型。首先,考虑老人对养老院的满意度、养老院相对于社区位置满意度以及养老院相对于大型医院位置满意度,构建了最大化平均满意度和覆盖率以及最小化建设成本的多目标选址分配模型。其次,针对模型的特点,融入两阶段思想,设计了一种改进鮣鱼优化算法对模型进行求解。实验结果表明,该算法能够快速且有效地获得一簇Pareto解,可权衡实际需求和对不同目标的偏好,考虑满意度或成本,在Pareto解中可选择恰当的养老院选址分配方案。最后,通过与其他三种算法的对比分析,验证了模型的可行性和算法的优越性。

基于遗传算法的混合技术用于解决多目标优化问题

随着新兴的通信技术,如移动边缘计算、物联网(IoT)和第五代(5G)宽带蜂窝网络等的发展,出现了许多与上述技术相关的多目标优化问题,例如能源消耗、具有成本效益的边缘用户分配和高效调度等。基于此,文中提出了一种基于遗传算法的改进技术,考虑通过模糊关系方程将这些问题公式化,作为实现优化解决方案的有效方法,用于求解由s范数模糊关系约束构成的多目标优化问题。在提出的方法中,缩小问题的规模,从而使简化后的问题易于求解。将所提出的基于遗传算法的技术应用于求解简化问题,这种方法最重要的优点是可以解决物联网、电子商务和5G领域的各种多目标优化问题。此外,通过数值实验证明了该方法的有效性,该方法不仅克服了传统方法在非凸可行域的局限性,而且对复杂系统的建模也有一定的应用价值。

基于自变量简约的大规模稀疏多目标优化

现有的大多数进化算法在求解大规模优化问题时性能会随决策变量维数的增长而下降。通常,多目标优化的Pareto有效解集是自变量空间的一个低维流形,该流形的维度远小于自变量空间的维度。鉴于此,提出一种基于自变量简约的多目标进化算法求解大规模稀疏多目标优化问题。该算法通过引入局部保持投影降维,保留原始自变量空间中的局部近邻关系,并设计一个归档集,将寻找到的非劣解存入其中进行训练,以提高投影的准确性。将该算法与四种流行的多目标进化算法在一系列测试问题和实际应用问题上进行了比较。实验结果表明,所提算法在解决稀疏多目标问题上具有较好的效果。因此,通过自变量简约能降低问题的求解难度,提高算法的搜索效率,在解决大规模稀疏多目标问题方面具有显著的优势。

水下无人航行器多目标优化设计研究进展

水下无人航行器设计具有参数多、目标性能相互耦合的特点,传统设计方法在平衡各个设计目标过程中占用过多时间和计算资源,影响设计进程。多目标优化方法通过多性能的参数化建模给水下无人航行器的优化设计提供了简洁有效的解决方案,提升了设计效率与质量。本文对多目标优化方法在水下无人航行器设计上的研究进行整理与总结,首先概述多目标优化方法的优化机理,强调水下无人航行器多目标优化设计的优势性;其次围绕外形、结构、动力推进等几个设计方向上的多目标问题,总结归纳了当前的研究进展;最后结合未来发展趋势,提出水下无人航行器多目标优化设计的发展设想,旨在为相关技术研究提供有益借鉴与参考。

融合分解和自适应邻域的多目标离散组合优化算法

为了高效获取现实中大规模多目标优化问题解决方案,实现收敛性、多样性和均匀性的平衡逐渐发展为多目标优化的重要目标之一。针对复杂多目标离散组合优化问题,提出了融合分解和自适应邻域的多目标离散组合优化算法(MOALNS)。该算法在问题分解的基础上为各子问题的寻优进程引入大邻域搜索策略与自适应调整机制,形成一套新型的收敛指导准则突破寻优阻力,进而使各子问题在搜索多维解空间的过程中达到全局搜索与局部搜索的平衡。同时,提出为各子问题配置独立算子积分库可有效地调整各子问题的寻优方向,解决由于目标权重不同而造成的求解方向偏差问题,以此实现更为高效、稳定的多目标优化进程。数值实验表明,提出的新型多目标离散组合优化算法在多组标准测试算例与真实案例中均展现出了在收敛性、多样性、均匀性和延展性等方面的良好性能,相较于其他经典多目标优化算法而言更具优势。

多目标优化非单调线性加权牛顿算法

本文提出了一种求解多目标优化问题的非单调线性加权牛顿算法。在目标函数有下界且梯度Lipschitz连续的条件下证明了算法的全局收敛性。在目标函数满足二次连续可微且局部强凸的条件下,证明了该算法具有局部超线性收敛速度。数值实验结果表明,相比于单调线性加权牛顿算法,该算法能够更加高效地求解多目标优化问题。

基于GA-ABC算法的多目标优化约束应用研究

引言.近年来,多目标优化约束问题在多个领域受到广泛关注,因其涉及多个冲突目标的最优化及约束条件。传统优化算法在解决这类问题时存在诸多局限。因此,本文采用基于遗传算法(Genetic Algorithm,GA)和人工蜂群算法(Artificial Bee Colony,ABC)的混合优化算法--GA-ABC解决多目标优化约束问题[1-2]。GA模拟自然进化,ABC模拟蜜蜂觅食行为,两者结合可提升求解效率和精度[3]。

在模糊条件下对多目标运输问题的决策

本文对于经典运输问题(TP)这一类特殊的线性规划问题用一种模糊规划方法来确定多目标运输问题(MOTP)的最优调和解,并定义它的模糊隶属度函数,通过使用一系列的距离函数测量调和解与理想解的贴近度来测试该方法的性能。此外,本文运用实例研究表明,当目标函数和约束条件的数量增加时模糊方法优于交互式算法。

35kV断路器调度遥控问题的改进粒子群优化算法求解

35kV断路器调度遥控问题在电力系统中具有重要价值和意义,但传统优化方法存在效率低、质量差等问题。针对35kV断路器调度遥控问题在电力系统中存在的复杂性、不确定性、多目标性等问题,本文提出了一种基于改进粒子群优化算法的求解方法。

基于模糊多目标决策理论的拦截优化问题

针对未来防空作战形势的发展趋势,结合国内外效能评估模式发展现状,贴合作战实际的多个火力单元对多个目标拦截问题进行深入研究。建立科学合理的评价指标体系,采用定性分析和定量计算相结合的方法,基于模糊多目标决策理论对作战方案进行排序分析,确定最佳作战方案。实例结果表明,该方法是有效的。

城市更新项目引入社会资本参与的多目标优化问题

社会资本参与城市更新决策过程中涉及众多因素,需要从效率与公平的角度通盘考虑不同因素、权衡利弊,并提出最优方案,是典型的多目标优化问题。将社会资本参与城市更新中的风险预估、决策商议、程序不清等不可控因素引入到“交易成本”概念中,构建基于遗传算法的“成本-交易成本-质量-收益”多目标优化模型。

基于改进多种群遗传算法的多目标资源受限项目调度问题研究

多目标资源受限项目调度问题普遍存在于生产经营活动中,具有较高的实用价值。本文提出了一种改进的多种群遗传算法以解决多目标资源受限项目调度问题,为改变现有算法计算步骤理解困难、不易推广的特点,巧妙地通过平移工作解决此类问题,算法首先对工作的优先级进行随机编码,然后根据工序约束进行解码,并根据解码结果安排工作调度,同时为防止无效迭代,融合了禁忌搜索的思想。最后,通过PSPLIB标准算例库中算例进行实验,实验结果表明该算法在具备较高精度的同时,兼顾了快捷性和简洁性。

用于约束多目标优化问题的双群体差分进化算法

首先给出一种改进的差分进化算法,然后提出一种基于双群体搜索机制的求解约束多目标优化问题的差分进化算法.该算法同时使用两个群体,其中一个用于保存搜索过程中找到的可行解,另一个用于记录在搜索过程中得到的部分具有某些优良特性的不可行解,避免了构造罚函数和直接删除不可行解.此外,文中算法、NSGA-Ⅱ和SPEA的时间复杂度的比较表明,NSGA-Ⅱ最优,文中算法与SPEA相当.对经典测试函数的仿真结果表明,与NSGA-Ⅱ相比较,文中算法在均匀性及逼近性方面均具有一定的优势.

多目标车辆路径问题的粒子群优化算法研究

针对粒子群算法(PSO)及其变种在约束多目标等复杂问题优化过程中所遇到的易陷入局部最优和收敛性问题,提出了一种基于动态学习和突变因子的粒子群算法(DSPSO)。首先,通过分析粒子群群体的学习机制,采用动态的学习策略,使粒子自适应动态调整认知成分和社会成分在迭代更新中的权重,以引导自身向最优解的方向探索,有效改善了群体的收敛速度;其次,通过引入阶梯突变因子的概念,使粒子在陷入局部最优时进行试探跳跃,阶梯突变赋予粒子突破更新步长限制的能力,使粒子在当前位置速度矢量方向上的二维空间邻域内进行试探寻优,当发现更优解时则跳出当前局部最优;最后,通过在BenchMark基准函数测试集中典型函数上的实验,证明了DSPSO的求解精度和收敛速度均优于对比算法。在多目标车辆路径问题实例优化中,解的可接受率和成功率分别为0.91和0.66,远优于对比算法中最优解的0.16和0.11,体现了所提改进算法在车辆路径问题中的优越性。

基于Pareto优化的离散自由搜索算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题搜索空间的离散性和求解算法的收敛性,提出一种基于Pareto优化的离散自由搜索算法来求解多目标柔性作业车间调度问题。在建立基于Markov链数学模型的基础上,证明了算法以概率1收敛;引入首达最优解期望时间来分析算法收敛速度,并分析了算法时间复杂度。采用基于工序排序和机器分配的个体表达方式,在多目标柔性作业车间离散域,利用自由搜索算法在邻域小步幅精确搜索和在全局空间大步幅勘测进行寻优;通过自由搜索算法自适应赋予个体各异辨别能力和Pareto优化概念来比较个体优劣性,不仅保留优化个体,而且使个体寻优方向沿多目标柔性作业车间调度问题Pareto前沿逼近。通过对搜索过程中产生的伪调度方案进行可行性判定,以确保调度方案可行。采用10×10FJSP和8×8FJSP问题的实例进行寻优测试,验证了所提算法的可行性和有效性。