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CatBoost-MOEAD的大直径泥水盾构施工多目标预测优化

为有效优化盾构施工参数,实现在大直径泥水盾构掘进过程中安全、高效和节能的目标,提出分类助推(CatBoost)和基于分解的多目标进化算法(MOEAD)相结合的混合智能算法;综合考虑盾构施工参数与地质条件,以主要的盾构施工参数为研究对象,选择地表沉降、贯入度和掘进比能为预测和控制目标;优化调控选择的盾构施工参数,并以武汉市轨道交通某号线为例,验证该混合算法的有效性。结果表明:采用CatBoost算法建立的预测模型在大直径泥水盾构上表现出来的预测性能良好,对3个控制目标的拟合精度(R 2)均达到0.9以上;预测模型的重要性排序表明:大直径泥水盾构的总推进力和推进速度对地表沉降、贯入度和掘进比能有显著影响;所提出的CatBoost-MOEAD混合智能算法对3个控制目标的优化效果明显,地表沉降、贯入度和掘进比能分别达到12.35%、7.47%和10.70%的优化幅度,并给出相应盾构施工参数的控制范围。

基于分解的多目标花朵授粉算法

在过去几十年里,许多多目标进化算法被广泛应用于解决多目标优化问题,其中一种比较流行的多目标进化算法是基于分解的多目标进化算法(MOEA/D)。花朵授粉算法是一种启发式优化算法,但迄今为止,花朵授粉算法在基于分解的多目标进化算法领域的研究还非常少。本文在基于分解的多目标进化算法的框架下,将花朵授粉算法拓展至多目标优化领域,提出一种基于分解的多目标花朵授粉算法(MOFPA/D)。此外,为了保证非支配解的多样性,本文提出一种基于网格的目标空间分割法,该方法从找到的Pareto最优解集中筛选出一定数量且分布均匀的Pareto最优解。实验结果表明,基于分解的多目标花朵授粉算法在收敛性与多样性方面均优于基于分解的多目标进化算法。

多目标混合流水车间调度问题求解算法

针对多目标不相关并行机混合流水车间调度问题,建立以最小化最大完工时间、机器总能耗和机器加工成本为目标的多目标数学模型。提出一种改进的基于分解的多目标进化算法(Improved multi-objective evolution algorithm based on decomposition,IMOEAD),采用均匀设计表生成初始权重向量,提高种群多样性,利用正态分布交叉并设计了自适应高斯变异来提高算法的全局搜索能力和局部搜索能力,在权重向量邻域中选择个体产生新解,运用非支配等级和拥挤距离更新外部档案。以反世代距离、世代距离和非支配解个数为性能指标,通过大量案例仿真,与非支配排序遗传算法Ⅱ和基于分解的多目标进化算法进行对比,结果验证了该算法的有效性。

基于改进MOEA/D分解算法的天线阵优化设计

针对天线阵列设计需要优化的目标数量多、耗时长且难以收敛的问题,提出一种新的根据拥挤度动态调节邻域大小的基于分解的多目标进化算法MOEA/D。该算法引入一个拥挤参数集合,根据种群拥挤度的排名区间为子问题选取集合中不同的拥挤参数值,根据搜索阶段计算每个子问题的选择邻域和替换邻域,并间隔50代重新进行拥挤度排名计算达到动态调节邻域的目的,以平衡种群的收敛性和多样性。在对比实验中,选取测试函数DTLZ、WFG和直线阵列优化设计问题,将改进算法与其他4种算法进行性能对比。实验结果表明,改进算法在测试函数和直线阵列优化设计问题上表现均优于对比算法,搜索得到的Pareto解集满足天线阵列的设计需求。

基于改进MOEA/D的模糊柔性作业车间调度算法

针对实际生产车间中加工时间的不确定性,将加工时间以模糊数的形式表示,建立以最小化模糊最大完工时间和模糊总材料消耗为优化目标的多目标模糊柔性作业车间调度问题数学模型,提出一种改进基于分解的多目标进化算法(IMOEA/D)进行求解。该算法基于机器和工序两层编码并采用混合的初始化策略提高初始种群的质量,利用插入式贪婪解码策略对机器的选择进行解码,缩短总加工时间;采用基于邻域和外部存档的选择操作结合改进的交叉变异算子进行种群更新,提高搜索效率;设置邻域搜索的启动条件,并基于4种邻域动作进行变邻域搜索,提高局部搜索能力;通过田口实验设计方法研究关键参数对算法性能的影响,同时得到算法的最优性能参数。在Xu 1~Xu 2、Lei 1~Lei 4和Remanu 1~Remanu 4测试集上将所提算法与其他算法进行对比,结果表明,IMOEA/D算法的解集数量和目标函数值均较优,在Lei 2算例获得的解集个数为对比算法的2倍以上。

基于改进MOEAD算法的CCHP系统运行优化

通过综合考虑冷热电联供(CCHP)系统中各类约束条件,基于夏冬两季典型日负荷需求曲线,构建了吸收式制冷机、燃气内燃机和燃气锅炉等主要机组设备模型。针对区域内系统经济性与环保性两者的协调优化问题,提出一种改进的基于分解的多目标进化算法(multi-objective optimization algorithm based on Decomposition, MOEA/D)对系统模型进行多目标优化求解。最后以某商业区能源站为实际算例,通过Matlab进行仿真。仿真结果显示所提出的系统优化方法,能使该能源站的运行更加经济与高效。

基于分解思想的导航星座多目标优化

导航星座多目标优化是寻找既能满足设计指标又能使代价最小的理想导航星座。首先,建立了一种由中轨道卫星(MEO)、地球静止轨道卫星(GEO)和倾斜同步轨道卫星(IGSO)组成的混合星座构型模型,并提出一种将星座性能和星座成本作为目标函数的多目标导航星座优化方法,其次,分析了优化目标函数加权几何精度因子WGDOP、可见星数目M和导航星座成本的选择及计算方法,并将基于分解思想的多目标优化算法(MOEA/D)引入导航星座优化中。最后,建立了导航星座多目标优化的数学模型,对基于北斗系统的混合星座进行优化,提出一种新的北斗系统的优化方案。

改进分解进化算法的飞行器动态火力分配

为解决飞行器在一次性投放火力有限的情况下,如何动态分配多波次火力问题。将目标价值、目标威胁与火力分配相联系,建立动态火力分配多目标优化模型(DWTA)。在DWTA模型下包括数个子火力分配模型(SWTA),下一波次的SWTA由上一波次SWTA的打击效果作为输入来进行更新。改进了混合共轭梯度法的多目标分解进化算法(MOEA/D),提出加入高斯扰动来生成初始搜索点集合,并运用共轭梯度法进行搜索。运用算法对模型进行求解,仿真实验表明,算法在保留MOEA/D算法优点的同时,相比传统MOEA/D算法求解模型用时22s,改进MOEA/D算法仅用14s,提高了算法的收敛速度,并完成了对多波次火力的动态分配。

MOQPSO/D算法求解不确定目标分配问题

为了增强不确定目标分配对战场态势变化的适应性,提出了一种基于分解的多目标量子行为粒子群算法(MOQPSO/D)的不确定目标分配方法。基于模糊多目标规划方法建立了不确定目标分配模型。以MOEA/D为算法框架,以QPSO算法为寻优手段提出了一种MOQPSO/D算法。通过粒子编码和非法粒子调整,将MOQPSO/D算法成功应用于求解目标分配模型。仿真结果表明:采用多目标优化方法能有效增强不确定目标分配对战场态势变化的适应性;MOQPSO/D算法在求解目标分配模型时要明显优于MOEA/D及MOEA/D-CD算法。

船舶操纵性优化的约束多目标进化算法

针对现有船舶操纵性优化算法收敛性不高的问题,将基于分解的多目标进化算法应用到船舶设计中,本文提出一种船舶操纵性设计的约束多目标进化算法。建立了以直线稳定性和相对回转直径为目标的优化模型,采用基于分解的多目标进化算法框架,结合优秀不可行解改进了差分算子;其次,充分利用优秀不可行解,设计了新的个体选择准则。将本文算法与另外3种船舶操纵性优化算法进行对比,该算法可以提供更多的设计方案,且设计方案收敛性更好。

一种求解多目标无约束0-1二次规划问题的文化基因算法

针对多目标无约束0-1二次规划问题,提出一种文化基因算法。该算法采用基于分解的多目标演化算法框架,能够获得分布均匀的非占优解;同时,采用一种简单、有效的禁忌搜索,能够利用更多问题相关的信息,获得质量更优的非占优解。该算法在优化的过程中能够动态地平衡多样性与收敛性。实验结果证明该算法能够很好地求解多目标无约束0-1二次规划问题,并且性能优于目前求解该问题较先进的算法。

超参数自适应的MOEA/D-DE算法在翼型气动隐身优化中的应用

MOEA/D-DE算法易于实现,被广泛应用于处理多目标优化问题,但其超参数对算法性能影响较大。基于MOEA/D-DE算法框架,利用Sobol全局灵敏度分析方法对差分进化算子中的交叉控制参数进行改进,使用莱维飞行机制控制比例因子,使算法中的超参数拥有自适应能力,得到超参数自适应的MOEA/D-DE算法——MOEA/D-DEAH算法;对MOEA/D-DEAH算法、不同超参数设置的MOEA/D-DE算法和NSGAⅡ算法进行函数测试和翼型气动隐身优化算例对比。结果表明:MOEA/D-DEAH算法性能良好,具有较强的鲁棒性,气动隐身优化效果也比其他算法更好。

基于进化多目标优化的微服务组合部署与调度策略

面向微服务实例在不同资源中心的组合部署与调度问题,构建微服务组合部署与调度最优化问题模型。以资源服务中心计算及存储资源利用率、负载均衡率和微服务实际使用率等为优化目标,以服务的完备性、资源与存储资源总量和微服务序列总量为约束条件,提出基于进化多目标优化算法(NSGA-Ⅲ,MOEA/D)求解方法,寻求微服务序列在不同资源中心的实例组合部署与调度策略。通过真实数据集实验对比,在全部满足用户服务请求的约束下,该策略比传统微服务组合调度策略的计算、存储资源平均空闲率和微服务实际空闲率要分别低13.21%、5.2%和16.67%。

高超声速试飞器系统的多目标优化设计

为了将高超飞行器可靠地运载至理想工作条件,满足"平坦"型试验弹道和入轨点的约束要求,在详细分析系统气动力特性、动力特性、结构特性、质量特性的基础上,以起飞质量、高超动力飞行段射程倒数为目标函数,建立了试飞器系统的多目标优化模型,并采用MOEA/D算法进行求解计算,在综合分析系统敏感稳健性的基础上,确定最终优化方案。结果表明:最终优化方案在满足约束要求的前提下,其起飞质量大幅度降低,高超声速动力飞行段射程(R2-R1)增加较多,验证了对试飞器系统进行多目标优化的必要性和合理性。

面向航天元器件检测订单的调度方法

针对航天元器件检测品种多、批量小,检测任务集中、试验流程差异大、数据复用难度大的特点,建立面向航天元器件检测的订单调度框架,对多品类双特性资源进行差异化调度处理。构建以订单平均耗时与检测总成本最小化为目标的多目标优化模型,并提出一种基于局部优化的改进MOEA/D算法。同时考虑了多段式实数编码解码方案,结合以解方案可行程度为基础的局部优化算子与自适应惩罚函数,保证了种群中个体的质量与多样性。最后,以某航天元器件检测单位实际业务为案例进行方法验证,对比了所提算法与改进NSGA-Ⅱ算法、经典MOEA/D算法、NSGA-Ⅲ算法的优化效果,验证了所提方案在解决此类问题上的优越性。

基于改进MOEA/D算法的WSN覆盖优化方法

为了优化无线传感器网络(WSN)的覆盖方法,针对MOEA/D中缺少对本代优质个体的保存和最优解集中个体极少的两个问题,提出了粒子群优化的基于分解的多目标进化算法(MOEA/D-PSO)。通过保留种群本代优质个体,改进本地优化解集在进化过程中的搜索方向和搜索进度,弥补了MOEA/D的不足。仿真实验证明,相对于MOEA/D和非支配排序遗传算法(NSGA-Ⅱ),MOEA/D-PSO所得非支配解更接近Pareto最优曲面,解集分布的均匀性和多样性表现更佳,WSN的覆盖范围更广,能量消耗更少。

一种基于新型邻域更新策略的MOEA/D算法

针对MOEA/D算法求解复杂优化问题时,邻域更新策略的无限制替换易造成种群多样性缺失的问题,提出了一种基于新型邻域更新策略的MOEA/D算法(MOEA/D-ENU)。该算法在进化过程中对解的信息进行充分挖掘,按照邻域更新能力对产生的新解进行分类,并针对不同类型的新解,自适应地采取不同的邻域更新策略,在保证种群收敛速度的同时,又兼顾了种群的多样性。实验中,选取ZDT,UF,CF等9个函数作为标准测试集,将改进后的算法MOEA/D-ENU与其他5种算法进行对比实验,并以IGD和HV为评估指标。实验结果表明新算法具有更好的收敛性和分布性。

一种基于新型差分进化模型的MOEA/D改进算法

针对MOEA/D算法中差分进化操作收敛精度不高且速度较慢的不足,提出了一种综合基于可控支配域的向量差生成策略和基于主成分的动态缩放因子的新型差分进化模型,均衡显性与隐性搜索引导;并实现了一种基于新型差分进化模型的MOEA/D改进算法(MOEA/D-iDE)。新型差分进化是借助基于可控支配域的非支配排序对邻域进行分层,根据分层信息生成与不同进化阶段相匹配的向量差,实现对种群收敛速度的显性引导;同时对决策空间进行主成分分析,动态调整差分进化缩放因子,实现对种群收敛精度的隐性引导。实验选取ZDT、DTLZ和WFG等为测试问题,以IGD+,ER作为评价指标,将MOEA/D-iDE算法与6个同类算法进行对比实验,结果表明新算法在保证多样性的同时具有更好的收敛速度与精度,从而验证了新型差分进化模型的有效性。

基于自适应邻域策略的改进型MOEA/D算法

为避免传统MOEA/D算法使用固定领域规模易造成种群进化效率降低的情况,提出一种基于自适应邻域策略的改进算法。设计一种能够反映子问题进化幅度和种群进化状态的判断机制。针对进化过程中的收敛性和分布性需求,提出基于进化状态判断的自适应邻域策略,从而根据种群和子问题的进化状态设定不同的邻域规模。使用WFG系列测试函数进行实验,结果表明,该算法能有效平衡进化过程中种群的收敛性与分布性,提高解集的整体性能。