微粒群进化估值策略在多目标优化中的应用

作为群智能算法,微粒群算法由于在获得最优解集之前需要大量的适应值评价,从而阻碍了其在复杂的多目标优化优化问题中的应用。为了解决该问题,本文将进化估值策略引入到多目标微粒群算法中,用适应值估计代替适应值实际评价,以减少适应值实际计算次数,从而节省计算花费。实验结果表明引入进化估值策略的多目标微粒群算法可以大大减少适应值的评价次数,而相似度的评价控制机制可提高估值的准确性,从而在减少评价次数的同时提高算法的优化性能。

基于改进人工蜂群算法的高维多目标优化

为了提高高维多目标优化算法的收敛性和分布性,提出基于改进人工蜂群算法的高维多目标优化算法。首先,利用一种改进的适应值评价方式定量比较高维多目标中个体的优劣;其次,改进人工蜂群算法,使种群迅速收敛于最优的非支配前沿;最后,建立新的分布性维护机制使所获得的非支配解分布均匀、覆盖整个最优前沿。研究结果表明：对于3~8个目标的DTLZ系列测试函数,与PISA算法等几种较流行的高维多目标算法相比,本文方法收敛性好,解集覆盖范围广且分布均匀.

交互式差分演化策略图像空间滤波方法

针对传统图像空间滤波方法适应性差和算法缺少交互等问题,提出基于交互式差分演化策略的图像空间滤波方法.该方法由结合差分演化算法及演化策略思想设计的交互式差分演化策略和演化函数矩阵构成.同时,交互式差分演化策略通过引入人的主观评价控制演化过程,使滤波结果更符合人的视觉需求,同时也使该算法具有更好的鲁棒性和全局优化能力.针对交互式中人工评价产生的噪声问题,该方法采用演化函数矩阵建立适应值近似评价模型,实现了主观适应值的自动评价,有效减少了人的评价次数,从而减少了评价噪声.实验结果表明该方法具有更强的全局优化能力和更好的滤波效果,明显优于传统图像空间滤波方法和基于演化策略的图像空间滤波方法.