多目标遗传局部搜索算法的研究进展

在分析了由演化算法局部搜索能力差造成的多目标演化算法在收敛速度和求解精度上尚不能令人满意的局限性的基础上,详细地论述了融入局部优化方法的多目标混合演化算法能够有效地平衡算法的全局搜索与局部搜索能力、均衡搜索效率与效果,而且已成为求解多目标优化问题的一个非常重要而有前途的研究方向。其次,综述了多目标遗传局部搜索算法的研究进展与分类。最后,简单介绍了一些具有代表性的多目标遗传局部搜索算法,并提出了其有待进一步研究的若干方向和内容。

改进麻雀搜索算法求解多目标低碳冷链物流车辆路径问题

目的 在传统冷链物流的车辆路径问题模型基础上,考虑服务节点和车辆运输过程中产生的碳排放,并加入客户满意度,在有限资源情况下最小化路径成本和最大化客户满意度。方法 构建多目标低碳冷链物流车辆路径问题模型,将爬山算法局部搜索思想应用到麻雀搜索算法中,形成改进麻雀搜索算法,并用其对上海市某区域内的冷链物流配送路径优化问题算例进行求解。结果 通过与改进前及其他2种智能优化算法运行结果进行对比发现,改进后的麻雀搜索算法具有更快的寻优速度和更好的寻优能力,且改进后的算法对模型的碳排放效用性更高。结论 基于国家的低碳政策,设计出符合当下实情的低碳冷链物流运输模型,通过改进优化算法设计运输方案,验证了爬山算法局部搜索思想对麻雀搜索算法进行改进的有效性及所构建低碳冷链物流车辆路径模型的合理性。

基于多目标遗传算法的云服务系统资源调度失效局部最优感知方法

针对当前资源调度失效感知效果不佳,可靠性和感知灵敏度的问题,提出基于多目标遗传算法的云服务系统资源调度失效局部最优感知方法,结合多目标遗传算法,通过资源调度的失效特征规律识别,对资源调度的失效特征规律识别方法优化,抽取受信任的云计算资源,识别和筛查资源失效特征归类,并对局部调度失效资源进行定位,构建云服务系统资源调度失效局部最优感模型,求解云资源局部调度失效区域定位规则。实验结果表明,该方法具有较高的可靠性和感知灵敏度,保证云服务系统资源调度失效感知结果的有效性。

基于SIR粒子滤波和局部搜索算法的运动目标跟踪方案

针对视频处理中的显著运动目标跟踪问题,提出一种基于序列重要性重采样(SIR)粒子滤波和局部搜索算法的运动目标跟踪方案.首先,对视频序列进行SIR粒子滤波,获得粒子的似然分布,并对粒子进行加权;然后,构建粒子的动态模型和观测模型;最后,当检测到目标运动时,根据每个时间步上观测似然的反馈信息,利用局部搜索算法自适应更新粒子的动态模型,从而实现目标的动态跟踪.实验结果表明,该方案能够有效地跟踪运动目标,且对目标背景、大小、遮挡和光照等因素具有鲁棒性.

一种并行多目标遗传邻域搜索算法

现有的多目标遗传算法在解决大规模多目标生产调度问题时虽然有效,但往往非常耗时,难以应用于实际。为了提高求解效率,提出了一种并行多目标遗传邻域搜索算法来求解Pareto边界。该算法将多目标遗传算法的进化方向划分为若干范围,然后同时对每个进化方向的范围使用多目标遗传邻域搜索算法,并行地搜索各方向范围内的Pareto边界;在各进化方向范围内进化的子种群会定期交流各自进化成果。多目标遗传邻域搜索算法的并行化在不增加求解时间的前提下,提高了求解精度,加快了算法的收敛速度。仿真实验结果验证了算法的可行性与有效性。

接运公交网络设计的多目标优化模型及遗传变邻域搜索求解算法

为了使接运公交网络更好地为轨道交通车站集散客流服务,将其作为研究对象,提出了接运公交网络的优化方法.考虑接运公交网络服务的需求量与接运公交供给密切相关、接运公交发车时刻与轨道交通车辆到站时刻构成有序衔接,以接运公交服务的乘客量最大化、接运乘客平均成本最小化、运营成本最小化为优化目标,构建了接运公交网络的多目标优化模型.为求解模型,设计了利用产生式方法获得Pareto解集的遗传-变邻域搜索算法.将设计的遗传-变邻域搜索算法与遗传算法、精确算法分别进行比较,通过算例验证了模型与算法的有效性.

局部搜索算法在动态建立基准地价模型中的应用

传统基准地价评估中将地价样本检验剔除与回归模型建立分离 ,不能获取最优的基准地价评估模型。应用求解组合优化问题的局部搜索算法 ,将地价样本检验与模型建立有机结合 ,通过邻域搜索来实现地价样本组合和地价模型的动态优化。对算法的关键步骤进行了设计 ,通过合理的邻域函数和约束初始解设置 ,克服了算法在搜索过程中陷入局部最小的不足。试验结果表明 ,在样本置信水平相近的情况下 ,应用局部搜索算法计算的基准地价评估模型优于传统方法的建模结果。

一种基于麻雀搜索算法的空中目标意图预测方法

针对BP神经网络(BPNN)的分类性能和遗传算法(GA)的参数寻优能力难以满足空中目标意图预测需求的问题,提出了一种基于麻雀搜索算法(SSA)优化支持向量机(SVM)的空中目标意图预测方法。利用SVM和SSA分别取代BPNN和GA,构建了SSA-SVM空中目标意图预测模型,并对模型的预测性能进行了仿真检验。结果表明,SSA-SVM比GA-SVM具有更快的收敛速度和更高的适应度值,比BPNN具有更高的预测准确性和更稳定的预测结果。因此,SSA-SVM可以准确、稳定地预测空中目标意图,能够满足意图预测在准确性和稳定性上的需求,提升了预测性能。

基于遗传禁忌搜索算法的自动组卷问题研究

研究了自动组卷的多目标数学模型,采用权重系数法将多目标转化为单目标,解决了多目标的冲突问题。对该模型的各个约束条件进行了详细的讨论,将禁忌搜索算法引入到遗传算法中,设计了求解组卷问题的一种新的通用混合算法。

基于混合的多目标遗传算法的多目标流水车间逆调度问题求解方法

将逆优化理论与方法引入车间调度领域,探讨近年来车间调度领域出现的一种新方法"逆调度"。研究多目标流水车间逆调度问题,建立考虑调度效率和调度稳定性的数学模型,综合考虑了加工参数改变量、系统改变量以及完工时间和等目标。提出一种基于混合的多目标遗传算法(Hybrid multi-objective genetic algorithm,HMGA)的求解方法,将多种策略进行混合以提高算法性能,主要包括快速非支配排序遗传算法(Non-dominated sorting genetic algorithm II,NSGAII)中的快速非支配排序方法、两种多样性保持策略、混合的精英保留策略,以及改进的局部搜索策略等。通过实例测试与方差分析(Analysis of variance,ANOVA),验证了该算法的有效性。

具有禁忌算子的遗传算法目标优化分配

针对地面防空作战中的多通道目标优化分配问题,给出了一种具有禁忌算子的混合遗传算法。该算法结合禁忌搜索算法和遗传算法二者的优点,既克服了禁忌算法全局搜索能力的不足,又提高了遗传算法的爬山能力,还解决了遗传算法容易陷入局部最优的问题,并使搜索过程具有记忆功能。仿真结果表明,该算法可有效给出求解多通道目标优化分配问题的满意解。

基于局部围线积分双谱的空间目标识别算法

提出了基于局部围线积分双谱的空间目标识别算法,从空间目标距离像的双谱中提取出局部围线积分双谱特征。应用BP神经网络进行分类识别,为了避免网络权值陷入局部极值点,采用遗传算法来获取网络权值的初值。仿真实验表明,即使在较低的信噪比下,该算法仍然可以取得比较高的识别率。

一种用于多目标优化的混合遗传算法

将遗传算法与局部优化方法相结合,提出了一种用于多目标优化的混合Pareto遗传算法(HPGA)。针对遗传算法局部优化性能较差的缺点,引入直接搜索策略以增强算法的局部搜索能力。HPGA首先运行Pareto遗传算法,以得到近似的Pareto最优解;然后启动直接搜索对其进行进一步优化。仿真结果表明HPGA兼具有良好的全局优化性能和较强的局部搜索能力。与Pareto遗传算法相比,HPGA不仅提高了优化搜索的效率,而且能够保证收敛到多目标优化问题的Pareto最优前沿面。

一种新的求解多目标优化问题的混合遗传算法

分析了遗传算法和单纯形算法的特点,充分利用二者的优点,把单纯形算法作为一种局部搜索方法与变权系数遗传算法有机地结合起来,提出了一种求解多目标优化问题的混合遗传算法。数值实验表明该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。

用混合遗传算法求解多目标TSP问题

针对多目标TSP问题,提出了非群体迭代型多目标遗传算法与局部阶段搜索算法相结合的混合遗传算法。其中非群体迭代型多目标遗传算法通过个体的被优越数和种群的分布情况计算个体适应度,采用基于路径表示的编码方法进行编码,使用竞争选择策略、部分匹配交叉和变换变异进行遗传操作。最后使用该算法对两个实例进行实验计算并分析其程序运行结果。结果表明该算法是很有效的。

一种求解job shop问题的混合多目标遗传算法

提出一种基于操作编码、采用递进策略与非劣解局部搜索相结合的混合多目标遗传算法。通过将递进进化模式和非劣解局部搜索策略引入到算法结构,改善了算法对解空间的遍历性与算法的收敛性。采用改进算法对典型的jobshop算例进行三目标优化,所得结果验证了算法的有效性。

求解多目标组合优化的改进Pareto适应度遗传算法

将Pareto适应度遗传算法(PFGA)与局部搜索相结合,提出了一种用于求解多目标组合优化问题的改进算法IPFGA,该算法基于Pareto支配关系对遗传操作产生的每一个个体进行局部搜索,并采取在外部群体中引入拥挤距离的精英选择策略。实验结果表明,与PFGA相比,IPFGA有更快的收敛速度。

基于混合并行遗传算法的多目标约束优化技术研究

多目标约束优化问题属于NP问题。并行遗传算法是解决该类问题的常用算法,它具有较强的全局搜索能力和并行性,但局部搜索能力差,禁忌搜索算法则比较适合于局部搜索。提出了一种基于混合并行遗传算法的多目标约束优化方法,该方法综合了并行遗传算法和禁忌搜索算法的优势,改进了并行遗传算法的性能,能有效避免局部最优解。

多目标规划的一种混合遗传算法

本文利用遗传算法的全局搜索内能力及直接搜索算法的局部优化能力,提出了一种用于多目标规划的混合遗传算法.与Pareto遗传算法相比,本文提出的算法能提高多目标遗传算法优化搜索效率,并保证了能得到适合决策者要求的Pareto最优解.最后,理论与实践证明其有有效性.

求解多目标优化问题的随机梯度遗传算法

遗传算法的收敛速度很慢 ,为此引入另一种解决优化问题的工具 ,即 Simultaneous Perturbation Stochastic Approximation(SPSA)算法 ,该算法是一种简单、易实现、高效率的随机逼近算法。本文将 SPSA算法作为一种快速局部优化方法并将其和遗传算法的整体搜索策略结合起来 ,提出一种解决多目标优化问题的随机梯度遗传算法 ,对新算法的执行策略进行了认真的设计。大量的数值实验表明 :随机梯度遗传算法不仅提高了多目标遗传算法的收敛速度 ,且得到了大量的分布较均匀的