多目标约束向量优化问题的类拉格朗日乘数法

文献[21]给出了实希尔伯特空间中含有一个约束条件的向量优化问题的有关帕雷托解的拉格朗日乘数法.该文把文献[21]中的主要结果推广到了含有任意m个约束条件的多目标向量优化问题中,给出了实希尔伯特空间中,以proximal法锥和目标函数的coderivative刻画的多目标约束向量优化问题的类拉格朗日乘数法.

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。

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]。

基于两阶段搜索与动态资源分配的约束多目标进化算法

解决约束多目标优化问题(CMOP)的难点在于平衡目标优化和约束满足的同时兼顾解集的收敛性和多样性。为解决具有大型不可行区域和较小可行区域的复杂约束多目标优化问题,提出一种基于两阶段搜索与动态资源分配的约束多目标进化算法(TSDRA)。该算法在第一阶段通过忽略约束跨越不可行区域;然后在第二阶段通过动态分配两种计算资源协调局部开发和全局探索,兼顾算法的收敛性和多样性。在LIRCMOP和MW系列测试问题上进行的仿真实验结果表明,与四个代表性的算法CMOEA-MS(Constrained Multi-Objective Evolutionary Algorithm with Multiple Stages)、ToP(Two-phase)、PPS(Push and Pull Search)和MSCMO(Multi Stage Constrained Multi-Objective evolutionary algorithm)相比,所提算法在反转世代距离(IGD)和超体积(HV)上得到了更优异的结果。在LIRCMOP系列测试问题上,TSDRA获得了10个最佳的IGD值和9个最佳的HV值;在MW系列测试问题上,TSDRA获得了9个最佳的IGD值和10个最佳的HV值,表明所提算法可以更有效地解决具有大型不可行区域和较小可行区域的问题。

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.

用多目标演化优化算法解决约束选址问题

约束选址问题是一个多目标约束优化问题,传统算法(加权法)一次只能得到一个候选解,用多目标演化优化算法对其进行求解,可以一次得到多个候选解,给决策者提供更多的选择余地,以期获得更大的利益。数字试验表明,该方法优于传统多目标优化方法。

解约束最优化问题的一个新的多目标进化算法

把约束函数作为目标函数,将约束优化问题转化为多目标规划问题。对这个多目标规划,根据带权极小极大策略构造了一个同进化代数有关的变适应值函数。利用广义球面坐标变换和均匀设计法来选择权重,使得由此权重确定的适应值函数能使种群中的容许解逐渐增加并且保持其多样性。用均匀设计法构造的带有自适应性的变异算子增强了算法的局部搜索能力。该方法能有效处理约束,特别是紧约束。计算机仿真显示了该方法是有效的。

一种多目标多约束问题的优化算法研究

针对优化设计中常见的多目标多约束优化问题,提出了一种求解新方法:利用KS函数的凝聚特性,将优化问题中的全部或部分约束凝聚为一个近似的、逼近精度仅由一个参数控制的约束,然后,再对约束压缩后的优化问题选用适当的约束优化方法求解。仿真结果表明,由于压缩了求解规模,此法收敛稳定且速度快,用于求解一类多目标多约束优化问题具有很好的效果。

带约束多目标最优化问题的一种新的进化算法

1引言 多目标最优化问题在科学技术、经济管理等领域大量存在,进化算法一次运算可望求出多目标最优化的许多有效解的特性,引起众多学者的研究兴趣.目前,仅在网址:www.1ania.mx/～ccoello//emoo/emoobib.html上就可查到近千篇多目标进化算法方面的文献.

基于分布式约束优化的武器目标分配问题研究

为解决舰艇编队协同防空中的武器目标分配(WTA)问题,提出一种将WTA问题建模为分布式约束优化问题的方法。介绍求解分布式约束优化问题的2个典型算法ADOPT和DPOP。通过Frodo软件平台对舰艇拦截多批反舰导弹过程进行仿真,比较2个算法在仿真时间、通信量等方面的性能,结果证明了该方法求解WTA问题的可行性。

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。

一种约束多目标优化问题的改进蚁群遗传算法

该文针对多目标蚁群遗传算法(MOAGA)解集边界分布不均的问题,提出改进算法,解决了连续空间中带约束条件多目标优化问题。改进算法在基本MOAGA算法的基础上,在选择中引入一定比例的边界决策、单目标最优决策,并提高边界决策的交叉率。实验证明,改进算法解决了基本算法解集分布边界疏中间密的问题,并且能更快的获得散布性较好的Pareto最优解集。

带多面体控制锥的锥约束凸向量优化问题的有效解集的非空有界性的刻画(英文)

本文刻画了控制锥为多面凸锥的锥约束凸向量优化问题有效解集的非空有界性.然后将其中的一个重要条件应用于一类罚函数方法收敛性的研究.

约束向量优化问题的像空间分析

利用一类非线性标量化函数得到一个非线性弱分离函数和一个非线性正则弱分离函数,并应用像空间分析方法讨论了约束向量优化问题的最优性条件.

遗传算法在求解多目标约束优化问题的编程实现

SGA是一种随机全局搜索的优化方法,基于通常的最优化问题都含有多个目标和约束条件,本文论述了处理这两个问题的方法并编程实现了求解多目标约束优化的遗传算法。

Pareto强度值演化算法求解约束优化问题

提出了一种求解约束函数优化问题的方法.它不使用传统的惩罚函数,也不区分可行解和不可行解.新的演化算法将约束优化问题转换成两个目标优化问题,其中一个为原问题的目标函数,另一个为违反约束条件的程度函数.利用多目标优化问题中的Pareto优于关系,定义个体Pareto强度值指标以便对个体进行排序选优,根据Pareto强度值排序和最小代数代沟模型设计出新的实数编码遗传算法.对常见测试函数的数值实验证实了新方法的有效性、通用性和稳健性,其性能优于现有的一些演化算法.特别是对于一些既有等式约束又有不等式约束的复杂非线性规划问题,该算法获得了更高精度的解.

基于向量评价遗传算法的化工园区无约束双目标安全规划

应用多目标优化的理论建立了一个适用于化工园区的无约束双目标安全规划模型,两个目标分别为潜在死亡人数最小化和总收益最大化,并基于向量评价遗传算法(VEGA)设计和实现了模型的优化过程。研究得出的结论为:(1)提出的模型和优化方法是可行的,能够搜索出部分Pareto最优解,它们对化工园区安全规划具有很好的参考价值。(2)使用的编解码方法简便直观,避免了计算染色体函数值时二进制和实数之间的转换问题,有利于算法的设计和实现。(3)在VEGA算法末尾引入的非劣剔除算子有助于从最终解中快速剥离出Pareto最优解。(4)VEGA算法搜索能力尚显不足,有必要研究性能更好的算法。

改进的约束优化多目标遗传算法及工程应用

利用多目标法处理约束条件,提出一种改进的基于多目标优化的遗传算法用于求解约束优化问题。该算法将约束优化问题转化为两个目标的多目标优化问题;利用庄家法构造非劣个体,将种群分为支配子种群和非支配子种群,以一定概率分别从支配子种群和非支配子种群中选择个体进行算术交叉操作,引导个体逐步向极值点靠近,增强算法的局部搜索能力,对非支配子种群进行多样性变异操作。8个标准测试函数和3个工程应用的仿真实验结果表明了该算法的有效性。

动态选择与替换策略的多目标约束优化进化算法

提出一种基于动态选择与替换策略的多目标优化进化算法用于求解约束优化问题.新算法首先将约束优化问题转化为两个目标的多目标优化问题,基于Parto支配关系,把初始种群分为Pareto子集和Non-Pareto子集,引入一种非劣个体保护偏好策略,动态选取一定比例的最优非劣个体直接进入下一代群体,剩下的非劣个体随机替代Pareto子集中的个体.Pareto子集和Non-Pareto子集分别进行单形交叉和多样性变异操作产生新的子种群.对13个标准测试问题的数值实验结果表明新算法的有效性.

一种新的遗传算法求解约束优化问题

采用十进制编码的遗传算法,在进化计算中提出用排序、保留优秀个体、智能变异和随机变异代替以前遗传算法中的选择、交叉和变异。此算法具有简单的计算原理,简化了遗传算法的编程;利用变换后的目标函数构造适配值,能较快的找到最优解。数值实验表明该算法在求解有约束优化问题上表现良好。