基于NSGA-Ⅱ算法的绿色基础设施多目标空间优化

【目的】绿色基础设施(green infrastructure,GI)是提供多种生态系统服务、保护区域生态系统安全和稳定的重要载体,而GI所能供给的各项生态系统服务之间的权衡关系导致GI的规划决策难以同时最大化多项服务供给。旨在以多项生态系统服务供给协同增益为目标构建一个辅助GI规划决策的多目标空间优化模型。【方法】基于NSGA-Ⅱ算法,以InVEST模型构建目标函数,在Python开发了协同生境质量服务、作物生产服务、雨洪削减服务3项主导生态系统服务的GI布局优化模型,并在安徽省芜湖市中心城区进行了应用。【结果】优化模型共获取50个末代帕累托最优GI布局,据此遴选出不同服务偏好下的GI布局方案,各方案相应服务供给能力得到显著提升:生境质量目标偏好方案的全局平均生境质量指数从现状方案的0.2988提升至0.3115;雨洪削减服务目标偏好方案的径流滞蓄量从70189.34 mm/a提升至71673.20 mm/a;作物生产目标偏好方案将作物生产总价值量从464169.51万元提升至464582.90万元;折衷方案的雨洪削减服务供给能力和生境质量服务供给能力优于现状方案,其径流滞蓄量和生境质量指数分别达到71658.67 mm/a和0.2993,而在作物生产服务供给能力上并没有实现对现状方案的提升。根据优化结果分析了GI供给的各项服务间的权衡与协同关系,归纳了在各种服务偏好下和协同多项服务时的GI空间布局特征。【结论】多目标优化算法为辅助协同多项生态系统服务的GI布局决策、探索生态系统服务间权衡与协同关系、明确不同服务目标导向下的GI空间规划策略提供了重要参考,为国土空间规划视角下采用模型算法辅助生态空间及GI规划的实践提供了有力工具。

地物目标空间信息获取技术的发展及研究现状

随着我国经济的快速发展和国防力量的不断壮大,人们对地理信息、地物表面及空间信息的需求量迅速增加,地物目标空间信息获取技术已逐渐成为国家重大的战略要求。本文首先概述了地物目标空间信息获取,进一步对地物目标空间信息获取技术的发展和研究现状进行阐述。

一种改进的基于目标空间分割的多目标进化算法

针对现有基于目标空间分割思想的进化算法计算时间复杂度高的缺陷,提出了一种改进的基于目标空间分割的多目标进化算法(OSD-MOEA)。该算法具有以下特点:把个体之间的Pareto支配关系转换成分割区间索引值排序关系的目标空间分割算法;简单高效的基于区间索引值排序的环境选择算子;一种快速的优先选择最接近分割区间原点的个体拥挤机制。仿真计算表明,与NSGA2和PSFGA相比,该算法提高了算法的运行效率,降低了算法的时间复杂度。

应用改进欧拉算法解算磁性目标空间位置参数

指出目前磁性目标探测中常规欧拉方法存在的局限性,提出在欧拉窗口内视地磁场和其他目标干扰异常联合影响为线性变化,将构造指数作为动态变化参数代入欧拉方程一并求解,并利用多元线性回归方法解决了欧拉方程非线性问题。在质量控制方案中,根据构造指数和目标深度变化规律,给出离散欧拉解滤波措施;采用层次聚类分析方法对滤波后欧拉解进行分类。通过实测数据验证表明:给定相关阈值参数后,实现欧拉方法全自动反演,磁性目标空间位置参数具有很高解算精度,噪声对目标平面位置解算结果基本上没有影响,但对深度解算结果存在一定影响。

目标空间聚类的差分头脑风暴优化算法

作为一种新型的群体智能优化算法,头脑风暴优化(brain storm optimization,BSO)算法一经提出便引起了众多研究者的关注.本文在对原始头脑风暴算法的聚类操作和变异操作改进的基础上,提出了基于目标空间聚类的差分头脑风暴(difference brain storm optimization based on clustering in objective space,DBSO–OS)算法.算法通过对目标空间的聚类替代对决策空间的聚类,减小了算法的运算复杂度;采用差分变异代替高斯变异来增加种群的多样性.多个测试函数的仿真结果表明,目标空间聚类的差分头脑风暴算法不仅提高了算法的寻优速度,而且提高了算法的寻优精度.文中进一步分析了参数对算法性能的影响,设计了最佳参数选择方案,并用于对实际热电联供经济调度问题的求解,验证了算法的实用性.

一种基于目标空间的局部判别投影方法

现有的局部判别分析方法依据样本在投影前的近邻关系(原空间的近邻关系)设定优化目标中的权值,没有考虑样本的近邻关系在投影前后的变化。为了更准确地描述分类优化目标,该文提出了一种基于目标空间的局部判别投影方法,依据样本投影后的近邻关系(目标空间的近邻关系)设定目标函数中的权值矩阵,并采用迭代过程求解。其基本思想是使目标空间中的同类近邻样本尽量紧凑,目标空间中的异类近邻样本尽量分开。实验结果表明,该方法有效克服了原空间局部判别分析中存在的固有问题,在人工数据集和手写数字标准数据集均取得较好效果。

目标空间映射策略的高维多目标粒子群优化算法

为了平衡优化算法在高维多目标优化问题中收敛性和多样性之间的关系,增加算法的选择压力,本文提出了一种基于目标空间映射策略的高维多目标粒子群优化算法(many-objective particle swarm optimization algorithm based on objective space mapping strategy,MOPSO-OSM)。在求解高维多目标优化问题时,Pareto准则难以从众多的非支配解中确定最优“折中”解,因此将高维多目标空间映射为以收敛性和多样性评价指标的2维空间,再将上述2维空间根据性能指标的优劣划分为4个不同区域。同时,使用反向学习策略提高算法跳出局部最优的能力。实验表明,MOPSO-OSM算法可以有效平衡收敛性和多样性之间的关系,达到求解复杂多目标优化问题的目的。

融合目标空间分割的网格任务调度算法

针对网格环境中多个相互独立的任务调度问题,提出一种融合空间分割思想的网格任务调度算法(OSD-GTSA,a Grid Task-Scheduling Algorithm based on Objective-Space-Divided)。算法结合了OSD-MOEA(A Multiple-Objective Evolutionary Algorithm based on the ObjectiveSpace-Divided)算法的目标空间分割的思想,通过对网格中多个相互独立的任务问题进行建模,针对费用和时间权重的不同,进行了3组仿真实验。实验结果表明,OSD-GTSA在算法的收敛性和Pareto解集的分布性上都取得了满意的效果。

一种基于目标空间转换权重求和的超多目标进化算法

权重求和是基于分解的超多目标进化算法中常用的方法,相比其他方法具有计算简单、搜索效率高等优点,但难以有效处理帕累托前沿面(Pareto optimal front,PF)为非凸型的问题.为充分发挥权重求和方法的优势,同时又能处理好PF为非凸型的问题,本文提出了一种基于目标空间转换权重求和的超多目标进化算法,简称NSGAIII-OSTWS.该算法的核心是将各种问题的PF转换为凸型曲面,再利用权重求和方法进行优化.具体地,首先利用预估PF的形状计算个体到预估PF的距离;然后,根据该距离值将个体映射到目标空间中预估凸型曲面与理想点之间的对应位置;最后,采用权重求和函数计算出映射后个体的适应值,据此实现对问题的进化优化.为验证NSGAIII-OSTWS的有效性,将NSGAIII-OSTWS与7个NSGAIII的变体,以及9个具有代表性的先进超多目标进化算法在WFG、DTLZ和LSMOP基准问题上进行对比,实验结果表明NSGAIII-OSTWS具备明显的竞争性能.

基于目标空间分区的稳态高维多目标进化算法

针对高维多目标优化中Pareto非劣候选解所占比例很大,常用的先考虑收敛性再考虑分布性的多目标进化算法面临选择压力衰减的问题,提出一种先考虑分布性再考虑收敛性的高维多目标进化算法——基于目标空间分区的稳态高维多目标进化算法(SS-OSP).该算法先采用目标空间分区策略将种群按照权重向量分为多个子空间,在每个子空间中按照分解方法中的聚合函数选择个体;然后,考虑到常规的PBI聚合函数的罚参数在进化过程中一直保持不变的情况,提出一种自适应PBI聚合函数;最后,仿真实验结果表明所提出的算法与其他三种算法相比,具有更好的收敛性和分布性.

基于目标空间分解的自适应多目标进化算法

针对基于分解的多目标进化算法(MOEA/D)个体与子问题的匹配问题,在分析MOEA/D的进化规律的基础上,提出了一种基于目标空间分解的自适应多目标进化算法(MOEA/OSD)。该算法采用以测试问题的参考点为起点的均匀权重向量分解目标空间,根据个体信息动态选择适合的子问题,并使用辅助向量的方法弥补分解方法的不足。对比实验结果表明,MOEA/OSD拥有较好的收敛性和分布性,采用不同的分解方法均能搜索到最优解,且具有较好的收敛速度。

基于极线单应性的目标空间定位算法

基于双目立体视觉系统对目标进行空间定位的过程中,若在摄像设备获取的图像上提取的特征点对存在较大的定位误差,则得到的匹配点对无法满足极线约束,从而导致空间定位算法的失败。针对上述问题,论文提出了基于极线单应性的目标空间定位算法,将空间定位算法转化为优化问题。通过设定代价函数,求解最优的匹配点对,最后通过构造齐次方程求解得到目标的空间坐标。实验采用搭载差分GPS的无人机平台作为目标,对算法的有效性进行验证。实验结果表明,在各种系统参数下,论文提出的算法相比经典的中点式定位算法和鲁棒的极大似然算法均有更高的定位精度。

影响衍射层析成像质量的目标空间谱重建

衍射层析成像可划分为两步,即由散射数据确定目标空间谱,再由目标空间谱重建目标特性。本文通过计算机模拟讨论由Fourier 衍射定理所重建的目标空间谱,及其对成像的影响。

目标空间分割多目标进化算法研究综述

进化算法具有求解多目标优化问题的优点。本文首先对多目标优化问题进行了描述;然后讨论了目前几种主要的基于进化算法的多目标优化方法;最后介绍了基于目标空间分割的多目标进化算法的研究现状以及面临的问题。

基于单幅图像确定目标空间方位新方法的测距系统

提出了一种新的由单幅二维投影图像确定目标三维空间方位的的方法,即在照、摄象机内部参数未知的条件下,采用目标上共面四线与他们在二维图像上投影相匹配的策略,来实现目标的定位;并将其应用于测距系统。因此该方法与以前方法相比,更附和实际需要,从而具有广泛的实际应用推广价值。

多目标空间探测智能轨迹优化方法综述

多目标空间探测是经济理性的太空探索与开发方案,它能以较低的花费获取巨大的收益.多目标空间探测轨迹优化的优化空间巨大,优化难度高,始终是航天动力学中的研究热点,而智能方法面对这些难点有着优异的表现.本文首先通过轨迹优化竞赛介绍多目标空间探测轨迹优化国际研究趋势,从中可以看出智能方法发挥着越来越重要的作用,然后从多目标空间探测轨迹优化的转移轨迹智能优化方法和探测序列智能优化方法两个部分进行综述,最后对该研究进行了展望.

基于在线感知Pareto前沿划分目标空间的多目标进化优化

多目标进化优化是求解多目标优化问题的可行方法.但是,由于没有准确感知并充分利用问题的Pareto前沿,已有方法难以高效求解复杂的多目标优化问题.本文提出一种基于在线感知Pareto前沿划分目标空间的多目标进化优化方法,以利用感知的结果,采用有针对性的进化优化方法求解多目标优化问题.首先,根据个体之间的拥挤距离与给定阈值的关系感知优化问题的Pareto前沿上的间断点,并基于此将目标空间划分为若干子空间;然后,在每一子空间中采用MOEA/D(Multi-objective evolutionary algorithm based on decomposition)得到一个外部保存集;最后,基于所有外部保存集生成问题的Pareto解集.将提出的方法应用于15个基准数值函数优化问题,并与NSGA-Ⅱ、RPEA、MOEA/D、MOEA/D-PBI、MOEA/D-STM和MOEA/D-ACD等比较.结果表明,提出的方法能够产生收敛和分布性更优的Pareto解集,是一种非常有竞争力的方法.

惯导误差下分布式雷达多目标空间配对算法

当分布式高速雷达组网平台存在大的惯导误差时,要实现多目标环境下的组网信号级融合检测,必须解决多目标的空间配对问题。因此,提出了一种利用目标距离信息,结合多路径信息冗余特点的方法来实现多目标空间配对。首先,从理论上推导了判别目标正确配对的表达式,并分析了表达式结果与目标配对情况的对应关系。然后,根据当前目标配对情况设计出相应的目标配对方法。最后,仿真结果验证了该目标配对算法的有效性。

弹道目标空间反识别措施发展态势浅析

弹道目标空间反识别技术的研究具有重要意义。隐身和诱饵技术虽然在减小探测距离和拖延识别时间上具有一定作用 ,但是现代防御系统的天基和地基探测与识别系统通过对一段时间内累积信息的融合分析 ,仍能判别出真实目标的特征。因此 ,提倡对基于机动和近炸的双模式主动反识别技术进行探讨 ,并提出了若干问题以待研究。

在轨服务中非合作目标空间圆检测方法研究

为自主完成空间服务任务,需要满足各种功能需求、突破多种关键技术。针对在轨服务中具有圆特征的非合作目标空间圆(星箭对接环、发动机喷管等),首先分析了非合作目标空间圆检测技术在在轨服务系统中的主要应用;然后提出了一种非合作目标空间圆的检测方法,通过Canny算子检测边缘,并用Freeman链码法对边缘进行提取分类,再利用RED算法进行非合作目标空间圆检测;最后给出仿真结果,在保证检测精度的前提下,较传统的RED算法明显降低了算法的耗时量。