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。

基于大规模多目标优化的跳频序列设计方法

针对跳频序列设计中存在的规模小和难以兼顾多指标的问题,提出一种基于大规模多目标优化的跳频序列设计方法。首先,综合考虑跳频序列的多项性能指标,建立跳频序列多目标优化模型;然后,引入大规模多目标优化方法,并提出决策变量洗牌策略和反向差分进化,通过重新分配决策变量位置以形成具有多样性的非支配集,并通过使反向个体参与差分进化来为后续进化持续提供有效的方向;最后,通过提出算法对模型进行优化得到跳频序列集。实验结果表明,所提方法相较于其他多目标优化方法具有更强的寻优能力,得到跳频序列集的性能指标具有明显优势;所提方法在不同干扰环境中相较于其他方法具有更低的误码率,验证了提出方法的有效性和优越性。

基于解空间降维的大规模约束多目标进化算法

针对大规模约束多目标优化问题呈现的高维度和约束限制的解空间,提出一种基于自编码器的解空间降维方法,用以提升进化算法搜索效率.首先,设计一种可行性标签配对策略训练自编码器,通过同时利用解的可行与不可行两类标签信息,构建包含可行域拓扑信息的降维子空间;其次,在降维后的子空间中进行遗传操作,通过解码器得到重构输出返回原始空间,快速定位潜在的可行区域;最后,设计一种子代自适应生成策略,通过结合在降维空间和原始空间生成的子代优势,防止模型坍塌同时提高搜索效率.在基准测试问题集上与五种先进算法进行对比,实验结果表明所提方法能获得更快的收敛速度和更好的解集质量.

自适应两阶段大规模约束多目标进化算法

针对求解大规模约束多目标优化问题时遇到的收敛速度慢和可行解难以找到的困难,提出了一种自适应两阶段大规模约束多目标进化算法。首先,算法在第一阶段根据决策变量的性质,自适应地选择部分变量进行优化,且不考虑任何约束使种群快速跨过不可行区域,逼近无约束帕累托前沿。其次,算法在第二阶段考虑全部的约束,利用ε约束处理技术对变量进行整体优化;同时,利用存档将进化过程中获得的可行且非支配的解保存并更新,以不断地提高种群的收敛性与多样性。最后,将所提算法与其他6种算法在37个测试函数上进行实验对比,结果表明:所提算法在25个函数上取得了最佳结果,且分别至少在31个函数上优于对比算法;所提算法在90%以上函数中的可行率都能达到100%,可以有效地解决大规模约束多目标优化问题。

基于在线学习稀疏特征的大规模多目标进化算法

大规模稀疏多目标优化问题(Sparse Multiobjective Optimization Problems,SMOPs)广泛存在于现实世界。为大规模SMOPs提出通用的解决方法,对于进化计算、控制论和机器学习等领域中的问题解决都具有推动作用。由于SMOPs具有高维决策空间和Pareto最优解稀疏的特性,现有的进化算法在解决SMOPs时,很容易陷入维数灾难的困境。针对这个问题,以稀疏分布的学习为切入点,提出了一种基于在线学习稀疏特征的大规模多目标进化算法(Large-scale Multiobjective Evolutio-nary Algorithm Based on Online Learning of Sparse Features,MOEA/OLSF)。具体地,首先设计了一种在线学习稀疏特征的方法来挖掘非零变量;然后提出了一种稀疏遗传算子,用于非零变量的进一步搜索和子代解的生成,在非零变量搜索过程中,其二进制交叉和变异算子也用于控制解的稀疏性和多样性。与最新的优秀算法在不同规模的测试问题上的对比结果表明,所提算法在收敛速度和性能方面均更优。

一种采用混合策略的大规模多目标进化算法

现实中存在大量的大规模多目标优化问题,这些问题所固有的目标函数间冲突性、巨大的搜索空间以及决策变量可能存在的交互等特征对传统的多目标进化算法构成了巨大的挑战.研究者根据此类问题的特点基于不同的视角提出了多种大规模多目标进化算法,但它们在解题的质量和效率方面尚存较大的提升空间.基于此,提出一种采用混合策略的大规模多目标进化算法LSMOEA/HS.该算法提出的一种黄金分层分组方法将大规模决策变量分成收敛性组和多样性组,然后对收敛性变量组执行基于变量组的相关性检测操作,将收敛性变量组划分成若干更小规模的子组,最后算法采用不同的优化策略分别优化收敛性变量组和多样性变量组以获得最终的解题结果.为验证LSMOEA/HS的有效性,将其与五种新近提出的高效的大规模多目标进化算法一同在决策变量维度为200、500、1000、2000和5000的2-目标和3-目标的LSMOP系列测试实例上进行IGD和HV性能测试,实验结果表明LSMOEA/HS具有显著较优的收敛性和多样性.由此表明,LSMOEA/HS是一种颇具前景的大规模多目标进化算法.

面向大规模目标跟踪的相控阵雷达资源分配方法

相比于传统雷达,相控阵雷达能够同时生成多个波束并灵活改变波束指向,被广泛应用于多目标跟踪领域。在大规模集群目标协同探测场景中,为支持后续节点对敌方目标进行火力拦截与打击的任务需求,相控阵雷达需要在规定时间内将空域内优先级更高的目标更快地跟踪至火控精度,然而若空域内目标数量过多,雷达探测资源有限,难以完成指定跟踪任务。为了解决这一问题,本文提出了一种面向大规模目标跟踪的相控阵雷达目标分配与功率联合优化算法。首先,推导出包含目标分配和功率优化的预测条件克拉美罗下界,并将其作为目标跟踪性能的衡量指标;随后,本文同时考虑跟踪容量和跟踪精度,以最大化满足跟踪精度的目标数量和最小化多目标优先级加权平均跟踪误差为优化目标,结合相控阵雷达系统资源,建立了大规模目标跟踪下的目标分配和功率联合优化模型,对目标分配变量和发射功率变量进行自适应联合优化配置。针对上述优化问题,本文采用两步分解法,将其分解为目标分配子问题和功率优化子问题,并结合激活函数对非平滑非凸的目标函数进行平滑近似。然后,利用谱投影梯度法进行求解。仿真实验验证了所提算法相较于传统算法在多个场景下均能在指定时间内更快速地将更多目标跟踪至指定精度。

概率语言移情网络下的机会约束鲁棒大规模群体共识决策

本文旨在面向概率语言移情网络建立大规模群体共识决策方法,利用机会约束鲁棒优化方法处理单位调整成本的不确定性。首先,建立概率语言移情网络评估决策者间的移情关系。其次,利用模糊C-均值聚类对决策者分类,并基于聚类的规模、内聚度和总体移情度确定聚类权重。在反馈调整过程中,利用置信水平控制不确定参数的波动范围,建立机会约束鲁棒成本共识模型为决策者调整意见提供参考。最后,通过疫情防控方案选择的应用和对比分析,证明考虑移情关系能促进共识达成,且机会约束鲁棒共识模型能更好的平衡经济性和保守性。

基于双重方向向量的大规模多目标进化算法

大规模多目标优化问题的决策空间维度高达数百维,在巨大的搜索空间中实现快速收敛同时高效保持种群多样性极具挑战。针对上述问题,文中提出了一种基于双重方向向量的大规模多目标进化算法(DDLE),该算法的主要思想是利用两类不同的方向向量引导种群进化,提高算法的搜索效率。首先,设计了一种收敛性方向向量生成策略提升算法的收敛速度;其次,推出了一种多样性方向向量生成策略增强种群的多样性;最后,提出了一种基于自适应的环境选择算子动态平衡种群进化过程中的收敛性与多样性。为验证DDLE的性能,将其与5种先进的算法在72个大规模基准测试问题上进行了对比实验。实验结果表明,DDLE在求解大规模多目标优化问题上相较于其它对比算法具有显著优势。

计及多目标约束的成品卷烟销售订单配送调度优化

针对制造业供应链中的跨地域多运输中心大数据订单物流调度问题,对涉及多约束条件和多目标的异构运输车辆调度问题展开研究。根据烟草制造工业的实际运输任务需求,考虑制造订单安排、车辆准运证限制、运输车辆物理限制、运输时间窗、排产出库时间等实际约束,搭建了以包括车辆等待卷烟出库的最短运输时间,最低运输费用及最高车辆利用率为优化目标的成品烟物流车辆跨地域调度优化模型。设计了基于差分进化的混合多元宇宙算法(DE-MVO)用以解决该模型。最后基于某烟草工业企业的实际生产订单数据进行实验,将所设计的算法分别与粒子群(PSO)算法、差分进化(DE)算法、鲸鱼优化(WOA)算法、遗传优化(GA)算法、乌鸦搜索(CSA)算法、天鹰座优化器(AO)、多元宇宙(MVO)等前沿算法进行横向对比,对比结果表明所设计的算法在全局搜索能力、寻优精度等方面更优于其他算法,进一步表明所建立的模型在求解制造业供应链运输车辆调度问题中具有可行性。

两层优化辅助的大规模高维多目标优化算法

为了提高大规模高维多目标优化算法的搜索效率,提出了两层优化策略实现最优解集的搜索。该方法中首先利用社会学习微粒群算法的种群多样性增加算法的探索能力以防止局部收敛,产生的新种群用于更新非支配解集增加非支配解集的多样性。然而,由于种群多样性的增加会降低算法的收敛速度,为此,在第二层优化操作中选择当前非支配解集的若干解进行遗传操作以增加算法的开采能力,产生的新种群进一步更新非支配解集,以期加快对大规模高维多目标问题最优解集的搜索。在500维MaF测试函数上进行了测试,目标空间维度分别为3,5,8,10,并且与近些年提出的相关算法对比。通过实验说明了两层优化策略在解决大规模高维多目标优化问题时是有效的。

基于帕累托前沿关系求解约束多目标优化问题

为解决约束多目标优化问题中的平衡约束满足与目标函数优化以及可行域复杂等挑战,提出了基于不同帕累托前沿关系的分类搜索方法。提出一种双种群双阶段框架:进化一个辅助种群Pa和一个主种群Pm,并将进化过程分为学习阶段和搜索阶段。学习阶段,种群Pa向UPF(unconstrained Pareto front)进行搜索,而种群Pm向CPF(constrained Pareto front)进行搜索,旨在探索UPF与CPF之间的关系;完成学习后,对不同问题的UPF与CPF关系进行分类,以指导后续搜索策略;在搜索阶段,根据不同的分类关系,调整种群Pa的搜索策略,旨在使种群Pa为种群Pm提供更有效的辅助信息。基于此算法框架,对不同类型约束多目标优化问题的帕累托前沿关系进行了分类,实现了对CPF更有效的搜索。实验结果表明:所提算法与其他7种先进的约束多目标优化算法相比具有更显著的性能优势。通过学习与利用UPF与CPF的关系,能够选择更合适的搜索策略去应对具有不同特性的约束多目标优化问题,以获得更具优势的最终解集。

基于社会学习粒子群的大规模多目标优化算法

现实世界中存在大量多目标优化问题,其中大规模多目标优化问题是目前研究的热点,然而现有多目标进化算法缺少有效进化算子来处理大规模优化问题。因此,本文提出了一种基于社会学习粒子群的大规模多目标优化算法(A largescale multi-objective algorithm based on a social learning particle swarm optimization algorithm,LMOSLPSO)。LMOSLPSO首先采用转换的密度估计策略求解每个粒子的适应值;然后基于社会学习粒子群思想,设计了一种有效的粒子进化的方法;最后执行多目标优化算法RVEA(a reference vector guided evolutionary algorithm)的环境选择操作来选择下一代个体。其中,转换的密度估计策略有利于平衡算法种群收敛性和多样性,新设计的粒子进化的方法有利于提高算法的搜索能力。在9个标准的大规模优化测试问题上,与多个近期提出的多目标优化算法进行对比。实验结果表明,该文所提出的LMOSLPSO算法具有较好的收敛性及分布多样性。

面向约束多目标优化的进化计算与梯度下降联合优化算法

约束多目标进化算法(CMOEA)是一类专门为解决约束多目标优化问题而设计的元启发式算法。这类算法利用基于种群的黑盒随机搜索模式,可以在不同优化问题上达到目标与约束之间的有效平衡;然而它们未有效利用函数的梯度信息,在复杂问题上收敛过慢。但引入梯度信息不是一个简单的过程,同时计算所有目标和约束的梯度会消耗大量的计算资源,且目标和约束之间的矛盾会使梯度方向难以确定。为此,提出一种进化计算和梯度下降(GD)的联合优化算法——基于梯度辅助的多阶段约束多目标进化算法(CMOEA-MSG)。该算法包括两个阶段:在第一阶段,算法通过构建辅助问题并有选择性地计算目标或约束的梯度更新解,使种群快速收敛至可行区域;在第二阶段,算法采用约束优先原则求解原问题,保证种群的可行性和多样性。与现有同类算法在LIR-CMOP、MW和DASCMOP三个测试集上的对比结果表明,CMOEA-MSG可以更有效地解决约束多目标优化问题。

赋形反射面天线的约束多目标优化设计研究

赋形反射面天线通常使用单目标优化算法进行设计,当期望波束特性具有多个相互冲突的目标和约束限制时,将无法确保输出最优解.为此,提出了该类天线的约束多目标优化方法 .基于有希望区域优化和自适应约束位移密度估计的思想,设计一种新型双种群协同进化约束多目标优化算法DPBE,在基准测试套件与其他3种主流算法的对比表明,该算法具备更强的全局寻优性与稳定性.将该算法应用于19~21 GHz单偏置抛物反射面天线的平顶波束赋形中,并与单目标优化算法IWO和多目标优化算法NSGA-II-DE在同型初始天线的不同优化模型下进行了性能对比,发现所提方法能在单次运行中满足所有约束条件并取得最佳结果 .

计及新能源机会约束与虚拟储能的电-热系统分布式多目标优化调度

为提升综合能源系统消纳新能源的能力,探究不同优化目标之间的联系,该文将含虚拟储能的电-热系统调度问题分解为备用制定问题与计及机会约束的新能源消纳最优运行问题,构建了兼顾经济性、低碳性与综合能效提升的电-热综合能源系统多目标优化模型。通过引入多场景与场景指示变量近似机会约束,提出一种双线性Benders分布式计算框架以提升求解效率,将原问题分解为主问题和若干子问题迭代求解,采用法线边界交叉法得到Pareto前沿面。算例分析表明,所提算法相较于集中式算法的求解速度有明显提升,考虑新能源消纳机会约束的模型可在调度中通过调整置信度平衡运行的经济性与鲁棒性,同时虚拟储能可以根据新能源处出力情况调节热网充放功率,进一步提升新能源消纳能力,降低运行成本。最后,通过求解得到的Pareto前沿面分析了经济、低碳、能效不同优化目标之间的影响。

基于资源约束多目标优化的物联网边缘计算资源分配

随着物联网应用的快速发展,资源分配问题成为边缘计算研究的重点。在综合考虑计算时延和资源调度能耗等因素的条件下,对于如何有效地进行资源配置的问题,提出一种物联网边缘资源配置方法。首先,考虑了物联网边缘资源配置的资源约束条件,并构建了多目标优化模型,以综合考虑计算时延和资源调度能耗作为优化计算目标。考虑时延和能耗的相互作用,为避免次优解的产生,将多目标优化模型转换成效用指标优化模型,并将效用函数和系统开销作为优化目标。其次,为了减少变量间的耦合性,使用模拟退火算法计算出合适的发射功率,并提出一种优化算法RA‐NSGAⅢ(Resources Allocation Nondominated Sorting Genetic AlgorithmⅢ),该算法使用模拟退火算法算出的发射功率作为初始条件构造良好的参考点,计算所得解与理想点的距离。最后,通过仿真测试RA‐NSGAⅢ算法与D‐CoMOLS、C‐PSO和CM‐PSO三种算法,结果显示所提算法具有良好的效用值,与CM‐PSO算法相比,其减少了0.09 s的平均响应时间,能耗降低了14.8%,证明了该方法的有效性和可行性。

基于约束多目标优化的多区域无人机路径规划

无人机路径规划常以约束多目标优化问题形式建立数学模型,且这些模型几乎只考虑三维建模空间中两点之间的路径规划;然而缺少无人机从起点出发,经过指定的多个作业区域并到达终点的路径规划问题研究。针对上述问题,基于不可行解引导种群进化提出带有地理信息指导搜索策略的约束多目标进化算法(DW-LS)。首先,根据无人机飞行所受环境约束、性能约束和访问多区域任务建立新的约束多目标优化模型;其次,基于不可行解利用机制,设计地理信息指导搜索策略优化不可行解以进一步协助种群搜索最优进化方向;最后,通过仿真对比了DW-LS与具有代表性的三个约束多目标进化算法,实验结果表明DW-LS所得可行解具有更好的收敛性和多样性。

基于动态ε约束处理机制的双种群约束多目标优化算法

约束多目标优化问题(CMOPs)除了需要解决多个相互冲突的目标之外,还需要满足一定的约束条件。针对约束造成CMOPs的Pareto前沿被分为多个部分,同时不可行区域的扩张进一步阻碍种群的探索,使种群陷入局部最优及其多样性急剧下降等问题,提出了一种基于动态ε约束处理机制的双种群约束多目标优化算法。该算法使用双种群协同进化策略,主种群考虑约束,通过改进的动态ε约束处理机制,充分利用不可行解提供的有效信息;而辅助种群不考虑约束,在平衡多样性的基础上向无约束Pareto前沿(UPF)快速收敛,并及时向主种群提供可行域外的有效信息,指导主种群的探索方向。实验结果表明所提出的算法在MW测试问题上相比其他算法更具竞争力。

生产工序约束下物流资源多矛盾目标优化调度

在车间生产工序约束下,为了实现物流资源的多矛盾目标优化调度,提出了密度自适应MOEA/D算法的调度方法。对智能车间中生产工序约束下的物流调度问题进行了分析,并建立了最小化完工时间、物流车数量和惩罚成本等多矛盾目标的优化调度模型。以MOEA/D算法为基础,设计了随邻域中染色体密度自适应变化的惩罚因子,调节了染色体多样性和算法收敛性,有效提高了算法的解集质量。将密度自适应MOEA/D算法应用于物流资源调度中并进行实验验证,结果表明:与MOEA/D算法、改进NSGA-II算法相比,密度自适应MOEA/D算法的解集质量更高、分布多样性更好。以3台物流车为例,密度自适应MOEA/D调度方案的完工时间最短,为749 min。实验结果证明了文章方法在物流资源多矛盾目标优化调度中的优越性。