QPSO算法求解无约束多目标优化问题

在分析了用基于目标加权的PSO算法(WAPSO)的基础上,研究了利用基于量子行为的微粒群优化算法(QPSO)来解决多目标优化问题。提出了基于目标加权的QPSO算法(WAQPSO),利用WAQPSO算法解决无约束的多目标优化问题,通过典型的多目标测试函数实验,验证了该算法解决无约束多目标问题的有效性。

无约束多目标优化问题的算法

本文就无约束多目标优化问题给出一种随机型搜索算法——模拟退火法，并在微机上进行了试算。

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。

约束多目标优化问题的一类内-外混合罚函数方法

该文提出一种内-外混合罚函数方法求解具有等式和不等式约束的多目标优化问题.其中罚函数由目标函数,内点罚函数和可行集外点罚函数构成.在适当的条件下,借助具有单调性的辅助函数,证明了算法所生成的迭代序列收敛于问题的Pareto最优解或弱Pareto最优解.同时给出了三个数值实验来验证算法的可行性.最后将算法应用于解决多指标交通网络最小费用流问题,并与线性加权法进行比较,结果表明该算法在时间成本上具有明显的优势.

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。

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。

基于代理模型估值不确定度的昂贵多目标优化问题研究

针对代理模型辅助的多目标优化算法中个体不确定度之间相互冲突的问题,本文提出个体每个目标估值不确定的填充准则,同时,为了减少训练模型消耗的计算资源,提出基于非支配排序的样本选择算法。为了验证该算法的可行性,采用DTLZ和WFG测试函数进行测试,得出结果与近些年发表5种具有代表性的同类型算法进行对比,结果说明该算法可以有效的解决昂贵高维高目标优化问题。

带隐藏约束昂贵黑箱问题的自适应代理优化方法

针对带隐藏约束的昂贵黑箱全局优化问题,提出采用自适应转换搜索策略的代理优化方法。在转换搜索子步中采用与已估值点个数相关的标准差在当前最优点附近通过随机扰动生成候选点,以更好地平衡局部搜索和全局搜索。为更好地近似真实黑箱目标函数,采用了自适应组合目标代理模型。在50个测试问题上进行了数值实验,计算结果说明了所提算法的有效性。

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.

解约束多目标优化问题的一种鲁棒的进化算法

将约束条件与目标函数融合在一起 ,对有约束的多目标优化问题 (MOP)建立了一种新的偏序关系 ,引入了约束占优的定义 ,并证明了在新的偏序关系意义下的Pareto最优集就是满足约束条件的Pareto最优集 ,从而在对种群中的个体进行评估或排序时 ,并不需要特别去关心个体是否可行 ,避免了罚函数选择参数的困难 尝试应用有限Markov链的有关理论证明了此进化算法的收敛性 用较复杂的Benchmark函数进行了大量的数值实验 ,测试结果表明新算法在解集分布的均匀性。

免疫克隆多目标优化算法求解约束优化问题

针对现有的约束处理技术的一些不足之处,提出一种用于求解约束优化问题的算法——免疫克隆多目标优化算法(immune clonal multi-objective optimization algorithm,简称ICMOA).算法的主要特点是通过将约束条件转化为一个目标,从而将问题转化为两个目标的多目标优化问题.引入多目标优化中的Pareto-支配的概念,每一个个体根据其被支配的程度进行克隆、变异及选择等操作.克隆操作实现了全局择优,有利于得到高质量的解;变异操作提高算法的局部搜索能力,有利于所得解的多样性;选择操作有利于算法向着最优搜索,而且加快了收敛速度.基于抗体群的随机状态转移过程,证明该算法具有全局收敛性.通过对13个标准测试问题的测试,并与已有算法进行比较。结果表明,该算法在收敛速度和求解精度上均具有一定的优势.

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。

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.

求解约束多目标区间优化问题的改进NSGA-Ⅱ

针对约束多目标区间非线性优化问题,利用泰勒一阶展开将非线性函数转化成线性形式,降低了计算量,提出一种改进的NSGA-II(INSGA-II)解决上述线性形式的优化问题.该算法基于可能度定义了P占优支配关系,依据此关系求出解的序值,进而根据序值对解进行排序.利用区间数距离公式,求出各序值中解的区间拥挤距离(ICD),并对各序值中的解进行进一步排序.此外引入约束锦标赛准则,通过计算约束违背度并与约束允许违背度比较选择出种群中相对满足约束条件的解.本文将传统的NSGA-II改进成可以解决约束多目标区间优化问题的INSGA-II.仿真结果表明该算法的有效性.

求解约束优化问题的引导多目标差分进化算法

将约束优化问题转化为带偏好的双目标优化问题,用差分进化算法求解转化问题。为了克服基于Pareto支配关系的多目标算法求解转化问题时没有考虑问题偏好、收敛慢等缺点,借助多目标α-支配关系的特点,提出了基于动态α-支配的新适应度函数。新适应度函数根据种群中可行解的比例动态平衡进化过程中对两个目标的偏好,引导算法不断向问题的偏好区域靠近,从而快速收敛到约束优化问题的最优解。对6个标准测试函数的数值实验结果表明:基于α-支配的动态引导多目标差分进化算法能快速收敛到问题的最优解。与3种经典高效算法的比较说明,所提出算法的鲁棒性强且效率高。

求解约束优化问题的偏好多目标进化算法

将约束优化问题转化为双目标优化问题,用进化算法求解转化的双目标问题.设计了新的混合交叉算子以提高算法在进化过程中的搜索能力,加快算法收敛;借鉴多目标优化加权度量法中成绩标量函数的特点,提出新的偏好适应度函数,进行个体比较和选择.新适应度以个体到参考点的加权距离衡量个体优劣,参考点和权向量体现选择的偏好.在进化过程中,自适应地选择参考点和权向量平衡进化的不同阶段对各个目标的偏好程度,增加种群多样性,避免算法早熟收敛.