基于混合预测策略与改进社会学习优化算法的动态多目标优化方法

近年来,国内外学者针对基于预测的动态多目标优化算法开展了深入研究,并提出了一系列有效的算法,然而已有的研究工作通常采用单一的预测策略,使得算法不能有效地应对剧烈的环境变化。针对上述问题,提出了一种基于混合预测策略与改进社会学习优化算法的动态多目标优化方法。具体地,当环境发生变化时,该方法首先基于代表性个体预测策略生成一部分群体;其次,基于拐点预测策略生成一部分新群体,特别地,为了提高种群的多样性,根据算法迭代的历史信息和环境变化情况随机地生成一定数量的新个体;为了提高问题的求解效率,对社会学习优化算法进行了改进,为每个进化空间设计了适用于动态多目标优化问题的算子;最后,将混合预测策略与改进的社会学习优化算法结合,构成了一种新的动态多目标优化方法。以FDA、DMOP和F函数集作为实验测试函数集,与四种代表性算法进行了性能对比;并以反向世代距离(inverted generational distance, IGD)对该方法的性能进行了深入的分析。实验结果表明所提方法具有较好的收敛性和鲁棒性。

面向函数优化的社会学习优化算法

社会学习优化算法范型(Social Learning Optimization Algorithm Paradigm,SLO)是一种模拟人类社会智能演化过程的新型群体智能算法,该算法由三层协同进化的空间(微空间、学习空间、信仰空间)构成,其三个协同演化空间形成一个完整的闭环,符合人类社会智能演化的自然规律.SLO算法的模拟对象是具有最高智能水平的人类社会,具有较好的优化机理.然而,目前还不存在用于求解函数优化问题的SLO算法,针对这一问题,本文设计了面向函数优化问题的操作算子(主要包括交叉变异操作、模仿学习操作、观察学习操作),形成了面向函数优化问题的算法(F-SLO).最后,通过标准的测试函数与其他智能算法进行了比较,实验结果表明,本文所提出的面向函数优化的F-SLO算法在求解函数优化问题时具有较好的性能.

一种改进SLO的多目标服务优化组合方法

服务优化组合旨在满足用户需求的前提下找到原子服务的最佳组合。针对目前求解服务优化组合问题效率低、寻优质量低的问题,提出了一种基于改进社会学习优化算法的多目标服务优化组合方法(ISLO-MOSCO)。结合多目标服务优化组合问题的特点,设计了服务组合实数编码模型,对社会学习优化算法的关键操作算子提出了改进,引入了Sigmoid扰动学习因子;结合改进的算法,提出了一种面向多目标服务优化组合问题的求解方法;大量实验验证了所提方法求解多目标服务优化组合问题的有效性与优越性。