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。

Q学习差分进化算法求解热电动态经济排放调度

热电联产动态经济排放调度同时考虑了燃料成本花费和污染气体排放两个目标值,且下一时间段的热电产量受当前时间段热电产量的影响,这是近年来电力系统运行中的一个重要问题。文中提出一种基于Q学习强化多目标差分进化(Q Learning Multi-Objective Differential Evolution,QLMODE)算法,以此求解热电联产动态经济排放调度(Combined Heat and Power Dynamic Economic Emission Dispatch,CHPDEED)问题。在QLMODE中,采用Q学习技术调整算法的比例因子参数,即在迭代过程中利用子代解和父代解之间的支配关系确定动作奖励和惩罚,并通过Q学习调整参数值,以获得最适合环境模型的算法参数。文中将所提QLMODE用于求解11机组和33机组的热电联产动态经济排放调度问题。仿真结果表明,与4种成熟的多目标优化算法相比,QLMODE算法燃料成本最小,污染气体排放最少,收敛性和多样性指标优于其他4种算法,且QLMODE在两组问题上都获得了更好的Pareto最优前沿。

基于改进NSGA-Ⅲ的多目标联邦学习进化算法

联邦学习技术能在一定程度上解决数据孤岛和隐私泄露的问题,但存在通信成本高、通信不稳定、参与者性能分布不均衡等缺点。为了改进这些缺点并实现模型有效性、公平性和通信成本的均衡,提出了一种面向联邦学习多目标优化的改进NSGA-Ⅲ算法。首先构建联邦学习多目标优化模型,以最大化全局模型准确率、最小化全局模型准确率分布方差和通信成本为目标,提出了基于快速贪婪初始化的改进NSGA-Ⅲ算法,提高了NSGA-Ⅲ对于联邦学习多目标优化的效率。实验结果表明,相比经典多目标进化算法,提出的优化方法能得到较优Pareto解;与标准的联邦模型相比,优化的模型能在保证全局模型准确率的情况下,有效降低通信成本和全局模型准确率分布方差。

学习驱动的分布式异构混合流水车间批量流能效调度优化

本文研究了分布式异构混合流水车间批量流能效调度问题,其中每个工厂的加工效率不同,工件可以分割成若干子批进入加工系统.以最大完成时间和总能耗为优化目标,建立了混合整数规划模型.本文提出了一种学习驱动的多目标进化算法,包括学习驱动的全局搜索和局部搜索.引入Q学习作为学习引擎,以种群和非支配解集的评价作为环境反馈信号,通过不断的学习来动态指导搜索操作的选择;基于问题特征,设计了算法的状态集、动作集和奖励机制.Q学习的引入能够及时感知当前搜索的状态,减少搜索操作的盲目性,提高搜索的效率.通过对仿真数据集的测试,表明所提出算法能够有效地求解分布式异构混合流水车间批量流能效调度问题.

应用档案精英学习和反向学习的多目标进化算法

现实中的多目标优化问题日益复杂,对多目标优化算法提出了新的挑战.受混合多目标优化算法的启发,该文提出了一种应用档案精英学习和反向学习的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Archive-Elite Learning and Opposition-based Learning,AOL-MOEA)以解决困难的多目标优化问题.AOLMOEA算法利用档案精英学习算子增强算法全局搜索能力,促进算法较快收敛;运用动态一般反向学习机制代替变异算子以增加种群逃逸局部极值的机会;使用3-点最短路径方法维持解群的多样性.AOL-MOEA算法与另外5种代表性多目标优化算法在12个基准多目标测试函数上进行性能比较,实验结果表明:AOL-MOEA算法在收敛性、多样性和稳定性等方面均优于或部分优于其他的对比算法.

基于子空间对齐和反向学习的进化多任务优化算法

与传统的单任务进化算法不同,进化多任务优化(EMT)利用任务之间的信息共享,同时对多个任务实施进化搜索,进而提升多个任务的收敛性能,但这些任务可能拥有不同的特征。为实现任务之间信息的有效传递,提出了一种基于子空间对齐和反向学习的进化多任务优化算法(EMT-SOL)。该算法首先通过历史支配关系选择合适的迁移个体;然后,通过迁移学习中的子空间对齐学习策略,建立任务之间的映射关系,利用映射关系减小迁移个体与目标任务种群个体之间的差异;同时,利用目标任务的个体对映射后的迁移个体进行反向学习,提高目标任务种群的多样性;最后,通过9个标准测试函数对该算法进行测试,并与6个现有算法对比分析。研究结果表明,本文所提出的算法在收敛性能和个体正迁移比例方面均优于对比算法。

应用精英档案和反向学习的多目标差分进化算法

针对多目标优化问题日渐复杂的情况,受集成算法思想的启发,提出一种应用精英档案和反向学习的多目标差分进化算法。该算法通过建立一个外部档案来保存种群进化过程中的非支配解,提高算法收敛速度。在进化过程中根据反向学习代跳跃概率,使用反向学习生成反向解,扩大搜索范围,提高种群多样性。利用网格系统确定解的坐标,并根据一定的约束生成交叉池,在交叉池中选择父代个体,利用差分进化算法产生新个体,通过网格约束分解排序算法选择下一代种群。将此算法与其他算法在UF测试函数上进行实验,结果表明:所提出的算法在解决无约束多目标优化问题上得到Pareto前沿形状有较强的鲁棒性。

融合指标分组的高维混合多目标进化优化

高维混合多目标优化问题因包含多个不同类型指标,目前尚缺乏有效求解该问题的进化优化方法。提出一种基于目标分组的高维混合多目标并行进化优化方法。采用深度学习神经网络预测种群隐式性能指标;基于指标相关性,将高维混合多目标优化问题分解为若干子优化问题;采用多种群并行进化算法,求解分解后的每一子优化问题,并基于各子种群的非被占优解构建外部保存集;采用聚合函数对外部保存集个体进一步优化,得到Pareto最优解集。在室内布局优化问题中验证所提方法,实验结果表明,所提方法的Pareto最优解在收敛性、分布性以及延展性等方面均优于对比方法。

基于种群自适应调整的多目标差分进化算法

为提高已有多目标进化算法在求解复杂多目标优化问题上的收敛性和解集分布性,提出一种基于种群自适应调整的多目标差分进化算法。该算法设计一个种群扩增策略,它在决策空间生成一些新个体帮助搜索更优的非支配解;设计了一个种群收缩策略,它依据对非支配解集的贡献程度淘汰较差的个体以减少计算负荷,并预留一些空间给新的带有种群多样性的扰动个体;引入精英学习策略,防止算法陷入局部收敛。通过典型的多目标优化函数对算法进行测试验证,结果表明所提算法相对于其他算法具有明显的优势,其性能优越,能够在保证良好收敛性的同时,使获得的Pareto最优解集具有更均匀的分布性和更广的覆盖范围,尤其适合于高维复杂多目标优化问题的求解。

网络化控制多目标无功优化的进化算法

针对网络化控制无功优化系统中节点为时间驱动的传输模式,提出一种多目标优化的改进进化算法。首先,分析网络化控制系统中节点的时间驱动和事件驱动2种传输模式,并对于时间驱动模式下数据丢包现象,建立网络化控制多目标无功优化系统的数学模型,进而引入去冗-保持处理方法。其次,给出一种基于双群体搜索机制的改进差分进化算法,通过对约束条件的可行和不可行双群体处理,解决多目标优化过程中陷入局部最优的问题,并改进变异和交叉操作以提高优化速度与性能。最后,利用IEEE 30节点系统进行仿真计算及分析。研究结果表明:该算法不仅能保证系统达到次优状态,而且收敛速度、均匀性及逼近性等方面均有较大提高。

面向多目标柔性作业车间调度的强化学习NSGA-II算法

针对非支配排序遗传算法(NSGA-II,non-dominated sorting genetic algorithm II)在求解柔性作业车间多目标优化调度问题中多样性不足、易于早熟与局部收敛的缺点,提出一种基于强化学习的改进NSGA-II算法(RLNSGA-II,reinforcement learning non-dominated sorting genetic algorithm II)。为避免NSGA-II陷入局部收敛问题引入双种群进化策略,利用性别判定法将种群拆分为两个种群,并在进化过程中采用不同的交叉变异算子,增加算法的局部和全局搜索能力;为解决NSGA-II精英策略造成多样性不足的问题,融合多个多样性度量指标,利用强化学习动态优化种群迭代过程中的拆分比例参数以保持多样性,改善算法收敛性能。最后通过Kacem标准算例进行了仿真实验与性能分析,验证了RLNSGA-II的有效性与优越性。

面向大规模特征选择的自监督数据驱动粒子群优化算法

大规模特征选择问题的求解通常面临两大挑战:一是真实标签不足,难以引导算法进行特征选择;二是搜索空间规模大,难以搜索到满意的高质量解。为此,提出了新型的面向大规模特征选择的自监督数据驱动粒子群优化算法。第一,提出了自监督数据驱动特征选择的新型算法框架,可不依赖于真实标签进行特征选择。第二,提出了基于离散区域编码的搜索策略,帮助算法在大规模搜索空间中找到更优解。第三,基于上述的框架和方法,提出了自监督数据驱动粒子群优化算法,实现对问题的求解。在大规模特征数据集上的实验结果显示,提出的算法与主流有监督算法表现相当,并比前沿无监督算法具有更高的特征选择效率。

基于NSGA-Ⅱ的进化算法学习研究

多目标优化问题又称多标准优化问题,进化算法作为解决多目标问题被广泛的应用,在实际应用中经常会遇到众多多目标问题如车间调度,轮船调度等。为使踏入进化计算领域的初学者提供一个简要的学习样例,降低学习的难度。简要介绍多目标进化算法NSGA-II、叙述其改进并对进化算法在多目标优化中应用的几个测试问题结果进行分析。使研究人员对NGSA-II以及其他进化算法有一定理解。在进一步的深度算法学习,解决现实问题上埋下理论基础。

约束多目标进化算法修补算子的研究

为了避免约束多目标进化算法陷入局部最优,提出了一种新的边界修补算子.该边界修复算子受到反向学习的启发,把违法盒型约束的解修复到其对应的反向可行边界,以增强约束多目标进化算法的多样性.为了验证所提的修补算子的有效性,在经典的约束多目标基准测试问题CTP2-CTP8上进行了实验仿真,仿真的结果表明所提出的新型的修补算子在多样性和收敛性上均优于现有的边界修补算子.为了进一步验证所提出的新型修补算子,设计了一组约束多目标优化问题MCOP1-MCOP7,作为CTP测试问题的有效补充.在MCOP1-MCOP7上的仿真结果同样表明,所提出的新型边界修补算子同时在收敛性和多样性上要优于现有的修补算子.

基于两点模型选择的离线数据驱动进化优化算法

基于两点模型选择的离线数据驱动进化优化算法主要用于解决目标计算复杂度高的离线优化问题.在模型建立过程中,建立多个代理模型,而后运用模型选择策略,从中选择部分代理模型,组成集成模型.同时,模型选择策略概率被采用,用来提高算法通用性和减少时间复杂度.该算法在常见的基准测试函数上进行了数值实验,与其他先进的算法进行了比较,实验结果表明,新算法更具有优势.

基于稀疏表示模型的SAR图像目标检测算法

针对合成孔径雷达(synthetic aperture radar,SAR)图像可视性差、目标区域小以及特征不明显等特性对目标检测造成的困难,将稀疏表示模型应用于SAR图像目标检测,提出一种基于稀疏表示模型的SAR图像目标检测算法。首先,利用KSVD算法训练样本提取对样本最具描述能力的SIFT特征形成字典;其次,通过将进化机制和稀疏表示结合,逐步提取整幅图像中含有目标的图像块;最后,输出稀疏表示误差小于阈值的图像块的位置作为目标检测的结果。实验结果表明,与传统目标检测算法相比,该算法在检测率和运行效率方面均有一定的提高,取得了较好的效果。

基于自适应进化策略的MOEA/D算法

针对MOEA/D算法单纯使用差分进化策略造成局部搜索能力弱、寻优精度低等问题,提出一种基于自适应进化策略的MOEA/D算法(MOEA/D-EA)。利用种群邻域更新信息构造进化状态判断机制,判断子问题的进化潜能和种群的进化状态;将子问题的进化潜能正反馈到反向学习模型,形成自适应的反向学习策略(AOBL);根据种群的进化状态选择不同的进化策略,以均衡算法的全局搜索与局部寻优能力。实验结果表明,该算法在收敛性、分布性和稳定性等方面均优于或部分优于其它对比算法。

基于三方竞争机制的反向多目标粒子群优化算法

针对传统多目标粒子群优化算法容易早熟的问题,提出一种基于三方竞争机制的反向多目标粒子群优化算法(MOPSO-TCOL).该算法利用当前种群在每一代中选择的三方竞争者来引导种群进化,这能够有效减少维护外部存档时的计算成本.在每次竞争中,MOPSO-TCOL从种群中随机挑选3个粒子进行比较,并基于不同的策略分别进行更新,这有利于保持种群的多样性.提出了一种基于反向学习策略的渐进式粒子更新方式,部分粒子进行反向学习以避免算法陷入局部最优,其他粒子通过向指定的更优粒子学习进行更新以加强收敛性.将所提出算法与8个多目标优化算法在14个标准测试函数上进行了性能比较试验.结果表明MOPSO-TCOL算法在多样性和收敛性上具有显著优势,且具有更快的收敛速度.

通过网格改进的基于指标的进化算法

设计一种高效的演化多目标优化算法,使其能获得一组同时具有优异的收敛性和多样性的解集是一项很困难的任务。为了能高效求解多目标优化问题,在基于指标的进化算法(IBEA)的基础上:1)引入基于目标空间网格的多样性保持策略,保证算法近似前沿具有优异的分布性;2)引入反向学习机制,同时评估当前解和当前解的反向解,期望能找到一组较优的解从而加快算法收敛。通过6个标准测试函数对改进算法进行测试,其结果表明改进算法可以有效逼近真实Pareto前沿并且分布均匀。

基于协方差矩阵调整的多目标多任务优化算法

多任务进化(EMT)是进化计算领域的一个新兴研究方向,区别于传统的单任务搜索算法,EMT通过在任务间传递有用知识,对多个任务同时实施进化搜索,以提升多个任务的收敛性能。目前,大多数进化算法只考虑了知识迁移而忽略了任务间的联系。提出一种多目标多任务优化算法,结合迁移学习的思想,采用任务间种群的协方差矩阵差异表示任务间种群分布特征差异,使用任务间种群均值的距离表示任务间种群的分布距离,并通过任务间种群的分布特征差异和分布距离表示任务间的相似度。对于某个目标任务,将其最相似任务中的解集实施K最近邻分类,以筛选出对目标任务有价值的解,并使其迁移到目标任务中。实验结果表明,与EMTSD、MaTEA、MO-MFEA-II等多目标多任务优化算法相比,所提算法具有较佳的收敛性能,平均运行效率约提高了66.62%。