协作治理目标演化的微观过程——基于两个中央环保督察典型案例的比较

生态环境部指出“十四五”期间要在治水目标设置上有所突破,推动地方政府在水环境治理中实现科学合理的目标演化,而协作治理逐渐成为地方政府治理水环境问题的主要模式,因此分析协作治理中的目标演化问题具有必要性以及较强的现实意义。然而现有关于协作治理目标的研究侧重于探讨目标的结构性分类,因此难以有效解释协作治理目标如何演化这一理论问题。基于此,该研究以中央环保督察期间南明河和杞麓湖治理中协作治理目标演化过程为研究对象,系统描述了协作治理目标演化的微观过程,尝试通过案例研究的方法探究棘手问题、外部压力、协作过程以及阶段性绩效如何影响协作治理目标的演化以及目标演化为什么会出现差异等问题。研究结果表明:①协作治理目标演化是一个包括目标确立、调适、强化、重塑的过程,其中,棘手问题和外部压力驱动协作目标的确立和重塑,而协作过程以及阶段性绩效推动个体目标的调适和强化。②“个体-协作”目标一致性影响协作治理目标演化的方向,而阶段性绩效外反馈最终决定协作治理目标演化的差异。③进一步揭示中国情境下协作治理目标演化的独特性,即控制力和回应力的差异化匹配以及目标演化的制度情景嵌入。该研究为协作治理目标管理提供了一个过程性的视角,明确了影响协作治理目标演化的关键因素,为地方政府推动协作治理目标演化提供政策指导。

熵值理论在多目标演化中的应用研究

为了克服传统多目标演化算法在进化后期遗传操作可能失效使算法性能降低以及基于概率建模的多目标算法在演化初期由于种群分布尚未呈现一定规律,采样产生的新个体的搜索方向同目标方向存在差异,提出一种基于熵值的多目标演化算法(entropy based multi-objective evolutionary algorithm,EB-MOEA)。算法利用种群进化过程中,个体分布存在从无序到有序的现象,设计了一种基于熵值理论的种群分布计算方法,并将其作为种群从无序到有序过渡的判定准则,指导遗传操作和概率建模操作切换的时机。新算法采用ZDT、DTLZ系列测试集进行实验,通过与NSGA-Ⅱ以及RM-MEDA算法的实验对比,证明了新判断准则的有效性,EB-MOEA具有更好的寻优性能。

多QoS约束网格作业调度问题的多目标演化算法

针对网格计算中的多QoS约束网格作业调度问题,以独立作业为研究对象,将其规约为多目标组合最优化问题.通过深入剖析多目标最优化理论及其演化算法,结合网格作业调度自然特征,提出了一种解决多QoS约束网格作业调度问题的多目标演化算法.该算法求解多个QoS维度效用函数指标的非劣解集,尝试解决多管理域间网格用户、资源管理者等网格实体的多目标协同问题.仿真结果表明,在时间维度、可靠性维度、安全性维度QoS效用值等用户级QoS指标,以及丢弃作业数等系统级指标方面该算法与QoS-Min-min和QoS-Sufferage等同类算法相比具有较好的综合性能.

一种新的多目标演化算法——稳态淘汰演化算法

提出一种新的多目标演化算法 :稳态淘汰演化算法 (SteadyEliminationEvolutionaryAlgorithm ) .该算法利用稳态淘汰策略 ,能够在不需要额外计算量和存储空间的情况下 ,自发地保存精英个体 (elitist) .

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。

基于多目标演化算法的测试程序生成

针对现有的演化测试程序方法只以覆盖率为优化目标的问题,提出一种使用多目标演化算法的测试程序生成方法.该方法把测试程序生成归结为多目标优化问题,以提高覆盖率和减少模拟执行周期作为优化目标;根据模拟器反馈回的信息,使用多目标演化算法来自动引导生成新的测试程序.使用该方法对北大众志UniCore32-2微处理器进行实验的结果表明,在保证覆盖率指标的前提下,采用文中方法生成的测试程序模拟执行时间是现有方法的12.92%,是手写测试程序集的3.62%.

基于多目标演化算法的云计算虚拟机分配策略研究

分析云计算虚拟机资源模型,针对模型中虚拟机与物理机的映射关系以及虚拟机多资源因子、多优化目标的特点,将虚拟机分配问题转化成多维装箱问题,引入多目标演化算法进行求解。算法设计了基于组的虚拟机分配链式编码和染色体评估函数,并根据编码设计了两种交叉算子和智能变异算子,通过引入基于超体积的种群更新机制,设计了基于SMS-EMOA的云计算虚拟机分配算法。为验证SMS-EMOA的性能,分别使用优先匹配启发式算法、基于物理节点数量的单目标简单遗传算法、SMS-EMOA进行了模拟。实验结果表明,基于SMS-EMOA的虚拟机分配算法在性能上更优。

基于多重分形主曲线模型多目标演化算法研究

为了克服目前模型多目标演化算法多采用PCA,local PCA等线性建模方法,存在模型拟合效果不理想、对建模参数敏感等问题,提出一种基于多重分形的主曲线模型多目标演化算法(multifractalbased principal curve multi-objective evolutionary algorithm,MFPC-MOEA).算法采用主曲线方法对解集分布进行非线性建模,通过建立种群个体分布概率模型,生成目标空间均匀分布的个体,保证优化结果的多样性.另外算法通过多重分形方法分析个体在解集空间中的分布,设计了基于多重分形谱的模型演化多目标算法建模开始评测标准,同时采用多重分形方法评估算法收敛程度,设计相关的演化多目标优化算法停止策略.新算法采用国际公认的ZDT,DTLZ测试函数进行实验验证,并与NSGA-II,MOEA/D,PAES,SPEA2,RM-MEDA经典演化多目标优化算法进行了实验比较.实验结果表明,该算法在HV,SPREAD,IGD,EPSILON性能指标上均有较好的表现.说明通过引入多重分形策略和主曲线建模方法,在一定程度上提高了解的质量,为求解多目标优化问题提供新的思路.

并行Pareto多目标演化算法

提出并实现了一个并行Pareto多目标演化算法 (PPMEA) .PPMEA算法是一个通过演化算法来解决基于Pareto的多目标优化问题的并行计算模型 .在这个算法中 ,采用了并行演化算法中常用的全局并行模型和粗粒度并行岛模型 .构成每个岛的子群体以不同的杂交概率和变异概率各自独立的演化 ,但是每隔一定的代数它们要交换外部集中的个体 .标准测试函数的数值实验结果表明 ,所提出的算法能够使找到的解集快速收敛到Pareto非劣最优目标域 ,并且解集沿着Pareto非劣最优目标域有很好的扩展性 .

一种基于偏序排名的高效的多目标演化算法

利用 Better函数对多目标优化问题 (MOP)建立了一种偏序关系 ,并通过这种偏序关系对种群中的个体进行排名 ,设计了一种高效的多目标演化算法 (EMOEA) ,应用有限 Markov链的有关理论证明了此演化算法的收敛性 ,同时对四个 Benchmark函数进行了数值试验 ,测试结果表明 ,新算法在解集分布的均匀性、多样性、精确性以及快速收敛性均优于已有的 MOEA.将此算法推广用于求解经济领域或工程领域的一些难题 。

应用多目标演化算法的波导-光纤自动耦合系统

利用多目标演化算法,开发设计了一种新的列阵自动对接方法,新算法并行操作次数较常规遗传法大幅减少。理论分析和仿真结果表明了该方案的可行性。研制了基于多目标演化算法的自动调芯系统样机,单芯光纤—条波导—单芯光纤系统的自动调芯实验表明,端面耦合损耗的平均值为0.1136dB,单次耦合损耗的最大值小于0.13dB,标准偏差小于0.02dB。单芯光纤列阵—1×8波导分支耦合器—8芯光纤列阵自动调芯实验表明,各通道插入损耗均小于10.7dB,均匀性指标小于0.77dB,单次调芯时间小于10min。证实了该方案及其样机系统具有良好效果和实用性。

一种混合交叉策略的多目标演化算法及其性能分析

演化算法(EA)是求解多目标优化问题(MOP)重要而有效的方法,而应用演化策略、技巧是改善解性能的重要途径。作者叙述了多目标优化问题的有关概念,结合已有算法中的方法,设计了基于两种交叉操作相互结合的多目标演化算法(MOEADC),并且分析相关性能。该算法不仅具有较高的计算效率,而且具有较好的收敛性能,并且运用了有关方法维护了解集的分布性能。算例结果表明该算法的良好性能。

基于多目标演化算法的逻辑电路设计

电路演化设计是新兴的研究热点,通过对电路演化设计的基本原理的介绍,提出了基于演化算法特别是改进的遗传算法(GeneticAlgorithm),根据具有一定逻辑功能的真值表,依据多个设计目标,以较少的运算量和较高的效率来演化设计出一个较优的逻辑电路。通过对几个具体实例的研究分析,说明了该设计思想的有效性和先进性。

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 .

一种基于混合交叉策略的多目标演化算法

演化算法是求解多目标优化问题(MOP)重要而有效的方法,而应用演化策略、技巧是改善解性能的重要途径。论文叙述了多目标优化问题的有关概念,结合已有算法中的方法,设计了基于两种交叉操作相互结合的多目标演化算法(MOEAHC),该算法不仅具有较高的计算效率,而且能够保持解的多样性分布。测试结果表明该算法的良好性能。

基于岛屿群体模型的多目标演化算法研究

近年来,基于Pareto最优概念的多目标演化算法成为演化计算的研究热点,并已在工程领域中得到了广泛应用。在多目标演化算法NSGA-II基础上,给出了并行非劣分层多目标演化算法(PNSMEA)。该算法引入了粗粒度岛屿模型,整个群体被划分成若干个子群体,每个子群体单独演化计算。子群体在进化过程中,每隔一定进化代数交换集合中的个体,以保证各子群体中个体的多样性,提高多目标问题非劣最优域搜索的广度。引入算术交叉算子,以克服NSGA-II中SBX(Simulated Binary Crossover)交叉算子搜索能力较弱的缺点。试验结果表明,PNSMEA算法不仅可改善NSGA-II算法的搜索孤立区域困难和早收敛的问题,而且所获得的Pareto解集具有更好的分布性。

一种高效的多目标演化算法

为了提高非劣解向Pareto最优前沿收敛的速度及进一步提高解的精度,在设计了一种新的杂交算子并改进了NSGA-Ⅱ的拥挤操作的基础上,提出了一种基于分级策略的多目标演化算法。数值实验表明,新算法能够非常高效地处理高维的最优前沿为凸的、非凸的和不连续前沿的多目标测试函数,得到的非劣解具有很好的分布性质。但在处理高维的具有太多局部最优前沿的多峰函数时极易陷入局部最优前沿。

结合多目标演化和图像自身纹理特征的智能水印算法

数字水印作为一种有效的防伪技术在图像版权保护领域有着广泛的应用。已有的图像水印算法在灵活度、鲁棒性等方面也都有很大的提高,但面临当下大数据时代的海量图片防伪要求,依然不能有效满足。为此,论文提出一种新的图像智能水印解决方案。主要包含两个步骤:1)针对图像数字水印的鲁棒性和透明性两个主要的互相冲突的性能指标,基于多目标演化决策思想求解多个可行的候选嵌入方案;2)对于得到的候选水印嵌入方案,计算载体图片的纹理密度分布,进一步筛选。该方案重点考虑了载体图像本身的纹理特征,智能地选择最优的嵌入方案。文中相关实验验证了论文提出的水印嵌入算法的可行性和有效性。

基于多目标演化的模糊认知图学习算法

针对传统模糊认知图学习算法仅优化概念结点间有向弧的权值误差而造成模型拟合准确程度不高的问题,将多目标演化的思想用于模糊认知图学习算法,设计了以有向弧权值误差与误差权重同时最小化为目标的多目标模糊认知图学习模型,降低了学习算法对权值的依赖。为有效求解该多目标优化模型,提出了一种基于坐标变换的多目标演化算法,分析了算法的参数设置方法与计算复杂度。实验结果表明,基于多目标演化的模糊认知图学习算法可以有效降低结点数据误差与模型误差,能够更准确地得出概念结点间的因果关系。

基于多目标演化算法的油田危险品物流系统选址-路径问题

危险品事故往往会产生灾难性的后果,研究油田危险品物流系统的管理方法和模型具有十分重要的意义。从选址-路径问题(LRP)集成化的角度研究鄂南油田危险品物流系统。提出了适合于鄂南油田的危险品运输的双层配送网络,并以道路危险度等级为约束,构建了一个总成本最小、风险最低、可靠性最强的油田危险品物资运输的多目标LRP模型;进而,通过多目标演化算法(MOEA)得到了Pareto最优解集合,并采用随机多属性可接受度分析方法(SMAA)对Pareto最优解集进行再次筛选,求得最优选址方案和最优配送路线;最后,以进化率、非劣解分布离散度和解空间分布多样性等指标衡量了MOEA的性能,结果验证了算法参数设置的合理性和非劣解集的有效性。本文提出的LRP模型和MOEA-SMAA求解方法对于进一步补充和完善危险品物流系统的选址-路径问题研究具有一定的理论意义,对油田、煤矿等行业的物流系统优化具有重要的现实意义。