基于极大极小距离密度的多目标微分进化算法

微分进化(differential evolution)是一种新的简单而有效的直接全局优化算法,并在许多领域得到了成功应用.提出了基于极大极小距离密度的多目标微分进化算法.新算法定义了极大极小距离密度,给出了基于极大极小距离密度的Pareto候选解集的维护方法,保证了非劣解集的多样性.并根据个体间的Pareto支配关系和极大极小距离密度改进了微分进化的选择操作,保证了算法的收敛性,实现了利用微分进化算法求解多目标优化问题.通过对5个ZDT测试函数、两个高维测试函数的实验及与其他多目标进化算法的对比和分析,验证了新算法的可行性和有效性.

基于改进交互验证策略的序贯响应面建模方法

序贯响应面建模方法通过渐近地增加样本量实现响应面模型拟合精度与计算成本的折衷,因此,再采样策略的选取成为序贯响应面建模应用的关键问题。文中分析极大极小距离策略和交互验证策略存在的问题,提出基于改进交互验证策略的序贯响应面建模方法。最后,通过实例说明,改进交互验证策略可有效减小拟合响应面模型的样本量,降低计算成本,节约计算资源。

海上交管系统多点定位技术研究

针对矩形边界方法产生的待定位点分布不均匀、可能集中在某一区域的缺点,提出一种凸多边形边界方法。运用该方法对传统矩形边界方法进行改进,并给出2种方法的评价函数。实验结果表明,该方法均匀度的样本均值低于矩形边界的24%,在解决导航过程中多点定位的问题是有效、可行的。

改进的量子粒子群多目标优化算法

针对粒子群优化算法容易陷入局部极值点的问题,提出了一种新的量子比特粒子群算法,该算法采用Pareto支配关系来更新粒子的个体最优值和局部最优值;定义极大极小距离,并采用该距离方法裁减非支配解。实验结果表明该算法能更好地接近Pareto前沿且具有更好的分布性,更适合于求解复杂高维优化问题,是一种非常有潜力的多目标优化方法。