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 br...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.展开更多
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 sp...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。展开更多
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 Alg...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。展开更多
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...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.展开更多
文摘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.
文摘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。
文摘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。
文摘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.