用多目标进化算法搜索MOPs的鲁棒Pareto最优解

搜索鲁棒Pareto最优解是多目标进化算法(MOEA)研究的一个重要方面.目前,优化"原目标函数"的传统MOEA与基于"有效目标函数"的MOEA(Eff-MOEA)在搜索鲁棒Pareto最优解时都易丢失某些性质的解.为解决这一缺陷,本文定义了一种新的鲁棒Pareto最优解,提出了一种新的搜索鲁棒Pareto最优解的MOEA(MOEA/R),MOEA/R将多目标鲁棒优化问题(MROP)转化成两目标问题来优化,一个目标为解的质量,另一个目标为解的鲁棒性,每一目标均对应一子优化问题.通过与NSGA-Ⅱ及Eff-MOEA的对比分析,结果表明MOEA/R的结果较好,更重要的是本文探索了一种新的搜索鲁棒Pareto最优解的思想.

一种提高多目标进化算法搜索鲁棒最优解效率的方法

提出将拉丁超立方体抽样用于计算有效目标函数,有效地提高多目标进化算法求解鲁棒最优解的效果;同时提出一种自适应抽样技术,使求解效果和效率都得到了较大的提高。通过与已有方法的对比实验,研究结果表明:本文所提出的方法求解效果好,效率较高。

多目标进化算法搜索鲁棒最优解效率研究

鲁棒最优解是进化计算研究的重要方面,同时也是研究难点。多目标进化算法搜索鲁棒最优解时,通常要用蒙特卡罗积分(MCI)近似估计有效目标函数(EOF),而已有求解方法近似精度不高,使得算法搜索鲁棒最优解的性能较差。提出用拟蒙特卡罗方法(Q-MC)来估计有效目标函数方法,其所引入的Q-MC方法——Korobov点阵能更精确地估计EOF。实验结果表明,与现有的原始蒙特卡罗方法(C-MC)相比,拟蒙特卡罗方法(Q-MC)可以较大地提高多目标进化算法搜索鲁棒最优解的效率。

钢筋混凝土多计算截面梁的离散优化

以复合形法为基础 ,引入离散变量搜索概念 ,借用内点罚函数的基本思想 ,对钢筋混凝土多计算截面梁构造有效目标函数 ,进行优化设计。经算例表明 ,这种方法不仅取得了较好的优化效果 ,而且还大大提高了函数的求解效率 ,并放宽了优化初始值的取值范围。

基于拟蒙特卡罗方法的进化算法搜索鲁棒最优解的性能提高研究

鲁棒最优解在工程应用中具有十分重要的意义,它是进化计算的重要研究内容,也是研究难点.进化算法搜索鲁棒最优解时,通常使用蒙特卡罗积分(MCI)近似估计有效目标函数(EOF),但由于现有的原始蒙特卡罗方法(C-MC)近似精度不高,导致进化算法搜索鲁棒最优解的性能较差.文中提出用拟蒙特卡罗方法(Q-MC)估计有效目标函数.通过大量的数值实验,结果表明,与C-MC相比,文中所引入的Q-MC方法——SQRT序列、SOBOL序列和Korobov点阵能更精确估计EOF,进而较大提高进化算法搜索鲁棒最优解的性能.