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。

基于神经网络的多目标演化优化方法

本文考虑在决策者偏好不明确的条件下 ,使系统获得最优的思想 ,提出了多目标决策系统最优解的概念 .把前馈神经网络与演化算法相结合 ,用于多目标决策系统最优解的选取 .给出了有关定理的证明和示例 .

一种基于树结构排序的多目标优化演化算法

多目标优化演化算法(MOEA)是一种新的解多目标优化问题(MOP)的有效算法。针对大多数MOEA采用的表示解优劣的Ranking技术存在的问题,该文提出了一种新的表示方法———树结构来表示解的关系。实验证明这种方法很好地达到Pareto最优,有效地保持解的多样性,而且收敛速度快。

求解复杂多目标优化问题MOEA/D-GEP算法

针对复杂多目标优化问题,提出一种基于演化建模的MOEA/D(基于分解的多目标遗传算法)求解算法(MOEA/D-GEP).该算法利用MOEA/D算法思想分解多目标优化问题,对分解后得到的可行解用基于模拟退火的GEP算法建模,从中选取预测值较好的点进入下一次真实适应值的计算.采用国际公认的ZDT,DTLZ等测试函数进行实验验证,并与MOEA/D-EGO演化多目标优化算法进行了比较.实验结果表明:该算法在IGD性能指标上有较好的表现,说明将演化建模技术引入MOEA/D算法提高了种群个体分布模型的精度,降低了求解复杂多目标优化问题的计算成本.

基于插值方法的EMO多样性保持策略

针对演化多目标优化(evolutionary multi-objective optimization,EMO)算法搜索到的近似Pareto前沿出现间断或不完整现象的问题,提出了基于插值方法的演化多目标多样性保持策略,利用标准测试函数对NSGAII(支配关系排序的遗传算法)和提出的算法进行多样性和收敛性指标测试,数值试验结果表明,所提出的算法性能得到明显改进,优于NSGAII算法。