HMOFA:一种混合型多目标萤火虫算法

现实中不断涌现出数目众多且日益复杂的多目标优化问题,迫切需要发展新型多目标优化算法以应对挑战.将基本萤火虫算法拓展至多目标优化领域,提出一种混合型多目标萤火虫算法HMOFA(hybrid multi-objective firefly algorithm).该算法提出使用混合水平正交实验设计和连续决策空间量化的方法生成接近于用户指定规模且均匀分布于搜索空间的初始种群,为后续的进化提供良好的起始点;利用外部档案中的精英解个体引导萤火虫移动,促使算法较快收敛;运用3点最短路径方法维持外部档案的多样性.HMOFA算法与另外5种代表性多目标进化算法一同在17个基准多目标测试题上进行性能比较,实验结果表明,HMOFA算法在收敛性、多样性和鲁棒性方面总体上具有较显著的性能优势.

聚硅酸铁的制备及影响因素优化

以水玻璃、硫酸亚铁及氯酸钠为原料，采用参数水平预筛选和混合水平渐进正交设计法制备聚硅酸铁（PSF）混凝剂，探讨制备过程影响因素并优化，对比分析PSF、聚合硫酸铁（PFS）和复合铝铁（PFA）的混凝效果。结果表明，PSF的制备过程是共聚合成工艺，其最佳合成条件为：氧化剂用量为0．845～0．951g，硫酸（c=98％）用量为2．8～3．2mL，反应温度为（30～50）℃，初始彬（SiO2）=（3．5～5．5）％，pH=3．5，聚合时间=1～2．5h，反应时间=1～2．5b。当PSF的最佳投药浓度=2．16×10^-5mol·L^-1，其在5min时基本沉淀完全，其混凝性能远优于PFS和PFA。

一种基于分解和协同的高维多目标进化算法

现实中大量存在的高维多目标优化问题对以往高效的多目标进化算法提出了严峻的挑战.通过将分解策略和协同策略相结合提出一种高维多目标进化算法MaOEA/DCE.该算法利用混合水平正交实验方法在聚合系数空间产生一组均匀分布的权重向量以改善初始种群的分布性;其次,算法将差分进化算子和自适应SBX算子进行协同进化,以产生高质量的子代个体,并改善算法的收敛性.该算法与另外5种高性能的多目标进化算法在基准测试函数集DTLZ{1,2,4,5}上进行对比实验,利用改进的反转世代距离指标IGD+评估各算法的性能.实验结果表明,Ma OEA/DCE算法与其他对比算法相比,在总体上具有较为显著的收敛性和分布性优势.