水文模型参数多目标率定及最优非劣解优选

针对概念性水文模型参数众多、相互制约,且多目标参数优化率定最优参数求解困难、易受决策者主观因素影响的问题,采用多目标优化算法对水文模型参数进行率定,得到模型参数最优非劣解集,在此基础上,引入最小最大后悔值决策理论,并结合Pareto支配基本理论,提出了一种多目标最优非劣解选取准则。以柘溪流域为研究对象,采用三目标MOSCDE优化率定新安江模型的参数,并与单目标SCE-UA优化结果进行对比分析。结果表明,提出的非劣解选取方法可以有效从大规模非劣解集中筛选出最优非劣解,大大缩短参数率定耗时。

基于非劣最优理论的PSO多目标设计的应用

介绍基于非劣最优理论的粒子群优化算法所进行的多目标优化设计,以斜齿轮体积和传动平稳可靠性为目标函数,建立斜齿圆柱齿轮传动的多目标设计数学模型。为高速运转状态下,斜齿轮设计提供一种快速、优化的好方案。

高效求解Pareto最优前沿的多目标进化算法

设计了一种新的求解均匀分布的Pareto最优解集的多目标进化算法(MOEA),其主要的特点是使用了一种新的个体适应值的计算方式,方法是通过群体中某一个体与群体的最优非劣解集的最小距离来刻画个体的适应值的。算法还结合了遗传算法中的精英策略以及NSGA-Ⅱ中的拥挤距离[12],提高了非劣解向Pareto最优前沿收敛的速度,并且保证了Pareto最优解集的多样性。仿真结果表明,算法不仅能够获得分布良好的Pareto最优前沿,而且能够极大地简化计算,减少了算法的运行时间,其计算复杂度为ο(mn2)(m表示的是目标函数的个数,n是种群的规模)。

基于粒子群算法求解多目标优化问题

粒子群优化算法自提出以来 ,由于其容易理解、易于实现 ,所以发展很快 ,在很多领域得到了应用 通过对粒子群算法全局极值和个体极值选取方式的改进 ,提出了一种用于求解多目标优化问题的算法 ,实现了对多目标优化问题的非劣最优解集的搜索 。

求解多目标优化问题的一种多子群体进化算法

提出一种新的多目标粒子群优化(MOPSO)算法.根据多目标优化问题(MOP)的特点,将一个进化群体分成若干个子群体,利用非劣支配的概念构造全局最优区域,用以指导整个粒子群的进化.通过子群体间的信息交换,使整个群体分布更均匀,并且避免了局部最优,保证了解的多样性,通过很少的迭代次数便可得到分布均匀的Pareto有效解集.数值实验表明了该算法的有效性.

解决多目标优化问题的遗传算法研究

近年来,多目标优化问题求解已成为进化计算的一个重要研究方向。本文简要分析了多目标进化算法的研究现状,给出了一种基于非群体迭代型的小生境多目标优化遗传算法。算例测试结果表明该算法结合错位交叉算子具有较好的性能,能够使算法收敛到Pareto概念下的比较均匀的一组非劣最优解。

一种新的求解多目标问题的分组粒子群优化算法

用粒子群优化算法求解多目标问题容易陷入局部最优,为此本文提出了一种分组粒子群多目标优化算法。该算法将决策空间分成Q个子空间,每个子空间随机的分配N个粒子,这Q个粒子群分别在各自的空间进行独立搜索。为保证每个种群的搜索多样性和遍历性,用混沌序列对各组粒子位置进行初始化,同时对各组进行基于聚集距离的粒子择优进化。由典型多目标函数的优化实验结果表明,经过适当的分组,该算法能迅速逼近非劣最优解集,效果令人满意。

一种求解多目标优化问题的粒子群算法的研究

为改善多目标粒子群算法的收敛性和多样性,通过对粒子群算法全局极值和个体极值选取方式的研究,采用随机选取和评估选取相结合的方法选取全局极值和个体极值,提出了一种可用于解决多目标优化问题的粒子群优化算法,从而实现了对多目标优化问题的非劣最优解集的搜索,仿真实验结果证明算法是有效的。

求解多目标最小生成树问题的改进算法

多目标最小生成树问题是典型的NP问题,Zhou和Gen提出了一种用于计数多目标最小生成树问题的所有非劣最优最小生成树的算法,但该算法无法保证能够找到所有非劣最优最小生成树.针对此问题,提出一种改进的计数算法,并定性说明改进算法能够找到问题的所有非劣最优最小生成树.改进算法在进行子树剔除时增加了一些条件.模拟实验结果表明,改进后的计数算法能够找到所有的非劣最优解.这也说明该算法具有应用的潜力.

求多目标优化问题的粒子群优化算法

将粒子群优化算法应用于求解多目标优化问题,提出一种双向搜索机制,指导粒子向着搜索空间中非劣目标区域以及粒子分布最为稀疏的区域这两个方向进行寻优,进而提出了求解多目标优化问题的基于粒子群优化算法的双向搜索法,该算法对粒子全局最优经验的选择策略以及粒子群的状态更新机制进行了改进。实验研究表明,该算法不仅能快速有效地获得多目标优化问题的非劣最优解集,而且求出的解集具有良好的分布性。

基于粒子群优化算法的多目标搜索算法

针对多目标优化问题在实际应用中的复杂性,提出一种采用粒子群优化算法来求解多目标优化的问题的方法。在分析了多目标优化问题的基础上,以粒子群优化算法对生产配料流程中的优化问题为例进行非劣最优解集的搜索,并将其运用于实际工程制造中的某配料选型工艺计算中。仿真结果表明:该方法有效,在工程设计选型、模式分类、神经网络训练以及系统控制等领域正得到普遍应用。

软件定义网络中应用二值粒子群优化的控制器部署策略

为了确定控制器的最优化部署方案,构建软件定义网络中逻辑上集中、物理上分布的控制平面,提出软件定义网络中应用二值粒子群优化的控制器部署策略。对控制器部署问题建模,以交换机到控制器的平均时延最短以及在网络中部署的控制器数量较少为多优化目标。提出粒子重构机制,实现粒子群优化算法的二值化,用以表示控制器在网络中部署的位置。基于二值粒子群优化算法设计多优化目标的控制器部署策略,仿真得到控制器部署问题的非劣最优解集合,对应给定的控制器数量,得到平均时延最小的控制器部署方案。实验结果表明,应用二值粒子群优化的控制器部署策略联合考虑了控制器数量和交换机到控制器的平均时延,为实现控制器最优化部署提供了依据。

基于粒子群算法的B样条曲线拟合

图像边沿的曲线拟合对于目标对象的识别是十分重要的预处理步骤。针对目标边沿含有比较复杂的噪声的图像提出了一种基于多目标粒子群优化的算法,实现了曲线的快速平滑拟合。该算法利用建立辅助存储空间和保持解多样性的策略防止粒子群算法收敛过早;在边沿离散化采样时用分治与递归的搜索策略提高了B样条基函数节点参数选取的灵活度,从而实现了目标区域边沿的多分辨率插值拟合。实验证明该算法能够在较快实现曲线拟合的同时将目标区域边沿噪声去除,并能较好地实现图像三维重建预处理的需求。

基于QoS的多目标服务组合算法

服务组合优化问题是当前服务计算领域的研究热点之一。针对现有优化技术将多个约束条件转化为单一优化目标难以处理多目标问题的不足,提出了一种基于多目标优化的粒子群算法,将多约束服务组合选取问题转化成为一种带约束的多目标优化问题,利用粒子群算法的智能优化原理,通过同时优化多个服务质量参数,产生一组最优非劣解集。实验结果表明了算法在处理多目标优化问题的有效性。

多目标最小生成树的竞争决策算法

为求解多目标最小生成树问题,基于竞争决策算法原理和多目标优化问题的特性,提出了一种求解多目标最小生成树的竞争决策算法。为了提高Pareto解集的分布性与多样性,在寻找到的Pareto解集中寻找最稀疏的解并在稀疏解附近进行领域搜索。经过大量数据测试和验证,该算法具有较好的性能。

摆动平底推杆盘形凸轮机构的尺寸综合方法

以摆动平底推杆盘形凸轮机构为研究对象，给出若干基础性概念和尺寸综合问题的准确描述，首次系统提出“连通条件”、“同型条件”、“保真条件”和“传动条件”等四项约束条件，构造坐标系OeΨ0和Oer0，映射生成约束边界δΩⅠ-δΩⅣ，分析论证得到“可行解集”ΩΣ（Ψ0）／ΩΣ（δ0）、“最优解集”δΩⅡ[A-B]和“非劣解集”δΩⅡ[A-E]，以及平底工作段及其长度求解确定等，得到了若干重要、新颖和具有指导意义的研究结论，圆满解决了摆动平底推杆盘形凸轮机构的尺寸综合问题。