用于解决多目标0／1背包问题的免疫系统Pareto强度算法

将人工免疫系统的机理与Pareto强度算法相结合，提出一种用于解决多目标0／1背包问题的免疫系统Pareto强度算法（ISSPA）．ISSPA结合克隆选择操作和注射疫苗操作，并通过免疫特异性度量保持种群的良好多样性和算法的全局搜索能力．与其他多目标进化算法的对比实验证明，ISSPA搜索得到的Pareto解的支配能力和在空间分布的均匀性上较其他几种多目标进化算法有明显的优势．

用遗传算法求解多目标0/1背包问题

扼要介绍多目标优化的Pareto最优性概念 ,研究搜索多目标 0 1背包问题Pareto最优解集的快速遗传算法 (FPGA :fastParetogeneticalgorithms) .FPGA采用种群中非支配解的层次评价可行解的适应值 ,提出了一种快速非支配解层次辨识算法 ,辨识算法仅有O(n2 )数量级的计算复杂性 ;采用基于聚类概率排挤的小生态技术维持种群多样度和Pareto最优解集的分布均匀性。对多种多目标 0 1背包问题的仿真优化实验结果表明 ,FPGA能够以有效的计算成本搜索到精度高的、分布均匀的高质量Pareto非劣解集 ,其收敛速度和收敛准确性一致地优于代表性的强度Pareto进化算法 (SPEA) .

改进贪心算法求解扩展简化折扣{0-1}背包问题

扩展简化折扣{0-1}背包问题(ESD{0-1}KP)是折扣{0-1}背包问题(D{0-1}KP)的拓展.ESD{0-1}KP增加了D{0-1}KP中单个项集中的物品数量,导致其求解难度增加,并且现有贪心策略算子(GSOR)算法效果不理想.基于ESD{0-1}KP模型,在每个项集中增加一个价值为0,质量为0的虚拟物品,同时对ESD{0-1}KP模型中的约束进行松弛,从理论上证明了ESD{0-1}KP与多选择背包问题(MCKP)等价.结合改进帕累托算法(IPA),提出新的贪心策略算子(NGSOR).NGSOR首先将同一项集多个物品的选择情况通过在项集内增加物品来表示,按从价值密度从高到低顺序选择物品,若被选择物品的价值比物品所在项集已选择物品的价值更大,则对该项集进行迭代.仿真实验结果表明:NGSOR相比于GSOR,求解精度平均提升24.56%,求解速度平均提升44.95%.

多宇宙并行量子多目标进化算法

提出了一种新的基于量子计算的多目标进化算法,即多宇宙并行量子多目标进化算法。算法中将所有的量子个体按给定的拓扑结构分成多个独立子种群,划分为多个宇宙;采用目标个体均匀分配原则和动态调整旋转角机制对各宇宙量子个体进行演化;宇宙之间采用最佳移民操作来交换信息,设计最优个体保留方案以便各宇宙共享全局信息,提高算法的执行效率。该算法用于多目标0/1背包问题的仿真结果表明:新方法能够找到接近Pareto最优前端的更好的解,同时维持解分布的均匀性。

改进的多宇宙并行量子进化算法

通过设计一种新的量子个体更新策略,提出了改进的多宇宙并行量子进化算法,并对算法的收敛性进行了分析探讨,从理论上证明了该算法的有效性,最后将该算法用于多目标0/1背包问题。仿真结果表明:改进方法能够找到接近Pareto最优前端的更好的解,同时维持解分布的均匀性。

高维多目标进化算法中的密度评估策略研究

多目标进化算法中常引入密度评估策略来使算法获得更好的分布性和收敛性.但对于高维多目标问题,现有的密度评估策略却难于达到这一目的.为此更全面地考虑目标空间上各子目标的影响,提出了四种新的密度评估策略,并将其应用到经典多目标进化算法SPEA2中.在4～9个目标的多目标背包问题上的实验结果表明,采用新的密度评估策略的SPEA2算法能更有效地收敛到Pareto前沿.