融合局部搜索与Pareto支配的多目标任务调度模型

为了解决复杂任务群调度过程中资源利用不均、任务完成时间较长等问题,以最小化资源负载均方差和最小化任务群完成时间为目标构建复杂任务群资源调度模型,提出一种融合局部搜索和Pareto支配的多目标优化算法BRLSN(multi-objective optimization based on boundary range local search and NSGA-Ⅱ,BRLSN)。该算法采用有效的编码方式与交叉变异算子进行迭代寻优,并利用基于边界区域局部搜索的精英保留策略扩大算法搜索范围,保存种群优良个体。实验结果表明,BRLSN相较于其他多目标算法在收敛性和多样性上有显著的提升,同时算法收敛速度更快,种群质量更高,明显优化了最终目标函数的结果值。

基于Pareto支配的改进人工大猩猩部队多目标优化

针对二维和三维多目标优化的解易陷入次优和分布不规则问题,引入Pareto支配方法并提出了结合改进策略的人工大猩猩部队优化算法(MOGTO)以改善多目标优化问题。首先,利用外部档案集存储互不支配解集以防止种群经过一次寻优迭代后,删除劣解的同时错误去除非支配解。其次,加入蒙特卡洛树搜索对种群探索阶段的三种机制进行优化,增加算法全局搜索能力。同时,结合天牛须算法的左右须寻优原理及黄金正弦寻优策略对开发阶段的两种机制进行优化,生成左右须解和促进个体位置更新,引导个体扩大搜索范围以防止最优解陷入局部最优。最后,通过12个基准测试函数对所提算法进行验证并将所提算法与其他6种常见算法进行对比,实验结果表明所提算法在多目标问题的寻优能力较对比算法有较大的提升。通过曲柄摇杆机构优化设计案例测试分析,验证了所提算法在实际工程应用中的可行性和实用性。

基于Pareto支配的高维多目标优化算法的分析与研究

多目标进化算法(MOEAs)因其处理多目标优化问题的有效性和高效性而得到广泛的认可。近年来,大量研究表明,在处理三个以上目标的多目标优化问题(MaOPs),即高维多目标问题时,随着非支配解比例的增加,MOEAs的行为类似于搜索空间中的随机漫步。这种现象在大多数经典的基于Pareto优势的MOEAs(PDMOEAs)中都很常见,例如NSGA⁃II、SPEAII,这些算法由于缺乏选择压力,很难将搜索过程引导到最优Pareto前沿。因此,针对基于Pareto支配的高维多目标优化问题进行分析与研究。

基于等价分量交叉相似性的Pareto支配性预测

研究用最近邻分类预测多目标优化问题Pareto支配性的相似性测度方法.在分析决策分量对各目标分量贡献率的基础上定义决策向量的等价子向量,等价子向量由贡献率相同的决策分量所组成.提出基于等价子向量的最小交叉距离加权和相似性测度方法.对每个目标分量,独立评价待测数据与N个已知样本的相似度,每个样本按其相似度值的升序赋予[0:N 1]之间的序号,按各目标上的序号之和最小准则确定最近邻样本.等价子向量最小交叉距离加权和相似性测度以及多目标最近邻搜索方法在确定决策向量相似性时,引入了决策空间到目标向量空间的映射知识,使决策变量相似性测度更真实地反映目标向量相似性.对典型多目标优化问题的Pareto支配性最近邻分类实验结果表明,提出的方法可显著地提高分类准确性.

基于Pareto支配法的微电网多目标能量优化短时调度策略研究

微电网中存在风力发电、光伏发电等微电源,其发电的波动性限制了微电网调度的跟随性和实时性。因此,使用储能装置对波动性微电源进行功率平抑,以降低其接入微电网时的波动性,确保微电网短时调度的可行性。微电网短时调度考虑从技术、经济和环境等方面对各类微电源进行能量优化配置,并使用Pareto支配法对微电网多目标优化问题进行了求解。对单步求解生成的Pareto解集,使用权重系数法、附加目标法和调度空间法进行了调度方案筛选,确定了短时调度情况下的调度策略。

基于Pareto支配的MPRM电路面积与可靠性优化

针对MPRM(Mixed-Polarity Reed-Muller)电路的面积与可靠性折中优化问题,在逻辑级建立面积估算模型以及电路SER(Soft Error Rate)解析评价模型,并采用Pareto支配概念对MPRM电路进行面积与可靠性多目标优化.通过对MPRM电路的XOR部分进行树形异或门分解,并考虑多个输出之间异或门的共享,建立面积估算模型.采用信号概率和故障传播方法,并考虑电路中的逻辑屏蔽因素以及信号相关性,建立电路SER解析评价模型.根据所提出的面积和SER评价模型,采用极性向量的格雷码序穷举搜索MPRM的极性空间得到MPRM电路面积与可靠性的Pareto最优解集,并使用效率因子技术指标选取最终解.MCNC基准电路的实验结果表明,与面积最小MPRM电路相比,所选取的MPRM电路可以在较小面积开销的前提下获得较高电路可靠性.

基于决策空间变换最近邻方法的Pareto支配性预测

为提高在决策空间运用最近邻方法预测多目标优化Pareto支配性的精度,提出一种基于决策空间变换的最近邻预测方法.在分析目标函数与决策分量相关性的基础上,提出属性变化趋势模型的构造方法,建立低计算成本的属性趋势代理模型.通过属性趋势模型引入决策空间到目标空间的映射知识,对多目标问题的决策空间进行变换,使决策空间的最近邻更有效反映目标空间的最近邻.选取具有不同相关系数特征的典型多目标优化问题,进行Pareto支配性预测的可对比实验,结果表明在新空间中运用最近邻方法可显著提高分类准确性.

基于Pareto支配的两阶段多目标优化算法

针对二维和三维的多目标优化问题,提出了一种基于Pareto支配的两阶段多目标优化算法(MOEA-PT)。全局搜索阶段根据Pareto支配关系将种群进行排序,依据临界层子集的排序等级执行相应的选择策略;局部调整阶段对种群中的个体进行微调,将新产生的个体与距离其最近的个体进行支配关系、分布性、收敛性的对比,替换较差的个体。分析了两个阶段对算法性能的影响,同时对引入局部调整策略后的种群进行了对比,结果表明局部调整策略能有效增强算法性能。通过对标准测试函数的求解,并与其他经典的多目标算法进行对比,验证了本文算法在收敛性和分布性等方面具有一定的优越性。

Pareto支配关系下两阶段进化高维多目标优化算法

工程应用和现实生活中广泛存在着高维多目标优化问题。基于Pareto支配的多目标演化算法在处理高维多目标优化问题时会面临收敛压力丧失的缺点,基于分解的多目标优化算法在处理Pareto前沿不规则的问题时鲁棒性较差。为了提高基于支配的多目标优化算法的选择压力同时保留基于支配算法多样性保持的灵活性,提出一种基于Pareto支配关系的两阶段进化高维多目标优化算法。在算法的第一阶段,集中计算资源搜索优化问题的极值点,通过优先选择内部空间的解来提高基于支配算法的收敛性能。在算法的第二阶段,利用动态最小距离法改善算法的多样性,使得算法获得一组均匀分布的精英解。实验表明,该算法在PF形状不规则的问题上显著优于与之比较的其他算法,且在PF形状规则的问题上性能良好,这表明该算法具有较好的鲁棒性。

基于Pareto支配的MPRM电路面积与功耗优化

针对MPRM电路的面积与功耗折衷优化问题,提出一种基于多目标三值多样性粒子群MOTDPSO算法的最佳极性搜索方案。在三值多样性粒子群算法求解MPRM电路综合优化问题的基础上,对超出定义的边界范围的粒子,执行边界约束处理,并结合Pareto支配概念改进算法;然后建立基于Pareto支配的粒子与MPRM电路极性之间的参数映射关系,并结合面积与功耗估计模型以及OR/XNOR电路混合极性转换方法,将该算法应用于MPRM电路的面积和功耗优化。最后对18个PLA格式MCNC Benchmark电路进行测试,与NSGA-II算法搜索到的结果相比,MOTDPSO算法获取的最优解的面积平均优化率为4.29%,功耗平均优化率为6.02%。

基于Pareto支配的双目标优化求解非线性双层规划问题

双层规划问题是一类具有双层递阶结构的系统优化问题。采用Pareto支配的双目标优化策略求解非线性双层规划问题。利用K-T条件把双层规划问题等价转化单层规划问题,进而结合约束部分建立可行性度量目标形成双目标规划问题。在基本的差分进化算法框架中融入非负的最小二乘曲线拟合判断候选解的可行性,构造基于动态概率的Pareto支配选择策略挑选下一代个体,解决种群容易陷入局部最优的缺陷。15个标准函数的测试结果对比显示,该算法在求解非线性双层规划问题中具有较好的全局寻优能力、较低的计算复杂度、较强的稳定性和适用性,可以获得全局最优解。

基于环境Pareto支配选择差分进化算法的舰船电网重构

为提高差分进化算法在舰船电网重构中寻找最优解的准确性,避免陷入局部最优,采用一种环境Pareto支配的选择策略,对变异后得出的可行解与优秀不可行解同时进行选择,根据改进的选择策略对优秀不可行解加以利用.针对舰船电网重构的离散多目标优化问题,采用0,1,2离散编码和无参数变异算子进行离散操作,并利用混沌初始化提高种群多样性.仿真实验表明,相比其他算法,本文算法具有更好的故障恢复方案、收敛性和稳定性,并能有效避免陷入局部最优.

一种基于Pareto关联度支配的多目标粒子群优化算法

为提高多目标优化算法的收敛性和多样性,提出一种基于Pareto关联度支配的多目标粒子群优化算法(MOPSO-PCD)。该算法在严格遵守传统Pareto支配规则基础上,将灰色关联分析方法融入非劣支配解的进化过程,设计了一种新颖的Pareto关联度支配规则。该支配规则作用于全局最优粒子的选择过程,具有关联度最大的全局最优粒子将引领粒子群体向着真实Pareto前沿不断逼近。同时,将该支配规则应用于外部档案中非劣支配解的维护过程,可减少或避免最终解集多样性的损失,从而维护好外部档案中非劣解的分布过程。仿真实验表明,与被比较算法在ZDT和DTLZ等系列测试函数相比,MOPSO-PCD能够获得更好的Pareto最优前沿分布特性和较快的收敛效率。

一种快速构造多目标Pareto非支配集的方法:选举法则

基于Pareto的多目标优化问题是进化算法的一个重要研究方向,而如何构造Pareto非支配集则是提高算法效率的关键所在。通过对选举现象的观察,同时针对多目标个体之间的特性,提出了一种快速求解多目标Pareto非支配集的方法:选举法则(election principle,EP),分析了其时间复杂度为O(rmN),并对其进行了正确性证明。因为种群中实际的非支配个体数m比进化群体规模N小,所以与同类方法相比,EP有更高的效率,并通过了实验验证。

基于Pareto最优解集的多目标粒子群优化算法

本文结合Pareto支配思想、精英保留策略、锦标赛和排挤距离选择技术,对传统的粒子更新策略进行改进,给出了一种新的粒子淘汰准则,提出了一种基于Pareto最优解集的多目标粒子群优化算法。最后,通过7个多目标标准测试函数进行测试。测试结果表明,该方法有效可行,其性能优于如NSGAII、SPEA2等多目标优化算法。

基于Co-CEM的柔性车间调度优化算法

为解决船舶制造中的柔性作业车间调度问题,本文提出一种基于协同进化策略的交叉熵算法来提高船舶制造过程的效率。协同进化策略弥补了交叉熵算法局部搜索能力较弱的问题,提高解的质量;提出基于主动调度的遗传解码算法,保证得到的解属于活动调度;遗传操作将相关调度信息保存在基因中,有效提高算法的搜索效率。本文通过实验对比遗传解码与常用的插入式解码算法,验证了解码算法的有效性及其提升能力,与现有具有竞争力的算法进行对比,证明了基于协同进化策略的交叉熵算法的高效性与优越性,给出了优质的甘特图。

求解DRS多目标优化问题的新颖ε-支配进化算法

首先分析DRS(dominance resistant solutions)多目标优化问题的特点,证明基于Pareto-支配关系的多目标优化问题算法求解该类问题很难收敛.然后,提出一种新的基于ε-支配关系的进化算法—ε—支配进化算法(EDMOEA),给出该算法框架和详细流程.最后,将ε-支配进化算法和NSGA-Ⅱ算法应用于求解一组典型的DRS多目标优化问题和常用的多目标优化测试问题,基于算法的收敛性和Pareto最优解集分布性进行评价和比较分析,表明ε-支配进化算法的有效性.

基于超球形模糊支配的高维多目标粒子群优化算法

高维多目标优化问题(MAOP)会随着待优化问题维度的增加形成巨大的目标空间,导致在目标空间中非支配解的比例急剧增加,削弱了进化算法的选择压力,降低了进化算法对MAOP的求解效率。针对这一问题,提出一种以超球型支配关系降低种群中非支配解数量的粒子群优化(PSO)算法。算法以模糊支配策略来维持种群对MAOP的选择压力,并通过全局极值的选择和外部档案的维护来保持种群个体在目标空间中的分布。在标准测试集DTLZ和WFG上的仿真结果表明,所提算法在求解MAOP时具备较优的收敛性和分布性。

基于非支配排序差分进化算法的多目标电网规划

在多目标电网规划问题中,综合考虑经济性、安全可靠性和环境影响等因素后,提出了非支配排序差分进化算法。以电网投资、运行维护费用、网损费用、线路走廊面积最小为目标建立了多目标电网规划模型。非支配排序差分进化算法将Pareto非支配排序法与差分进化算法相结合,采用动态调整策略调整差分进化算法控制参数,改进了个体拥挤比较机制,提高了算法的全局搜索能力和种群多样性,并基于模糊集理论选取最优折衷解。Garver-6节点和Garver-18节点系统算例结果表明,该算法可以有效生成分布均匀的Pareto最优解集,在求解多目标电网规划问题中具有可行性和优越性。

进化高维多目标优化研究综述

高维多目标优化问题(many-objective optimization problems, MaOPs)已经普遍存在于工业和科学领域中,这类问题的目标数一般超过3个且目标之间存在冲突性。进化算法作为一种基于种群的元启发式搜索方法已经被证实能够有效求解MaOPs。近二十年来,高维多目标进化算法(many-objective evolutionary algorithms, MaOEAs)研究已取得了长足发展。现对进化高维多目标优化(evolutionary many-objective optimization, EMaO)的研究进展进行全面的综述,具体包括:(1)描述了EMaO的相关理论背景;(2)分析了EMaO面临的挑战;(3)详细讨论了Ma OEAs的发展概况;(4)归纳了Ma OPs以及性能指标;(5)介绍了面对高维目标空间的可视化工具;(6)总结了Ma OEAs在一些领域的应用;(7)剖析了进化算法在解决MaOPs时所面临的问题和挑战,并给出未来研究方向的建议。