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。

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。

基于灰色关联度分析研究GDP、CPI与城镇居民可支配收入的关系——以青岛市为例

以GDP、CPI和城镇居民可支配收入为研究对象，引入灰色关联度分析方法，对GDP与城镇居民可支配收入相关系和CPI与城镇居民可支配收入的相关性进行分析。并以青岛市为例，对两个相关度进行了实证分析，得出青岛市GDP的增长对城市居民可支配收入的促进作用大于CPI的抑制作用。

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。

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。

城镇居民可支配收入与消费结构灰色关联分析——以河南省为例

运用灰色关联分析方法,分阶段计算了河南省城镇居民人均可支配收入、收入结构和消费结构之间的灰色关联度,得出以下结论。第一,河南城镇居民可支配收入对消费结构的各个方面有较强的促进作用;第二,工资性收入和转移性收入对消费的影响占主导地位;第三,城镇居民消费在向舒适型、享受型方向发展。

关于我国四个直辖市房地产价格影响因素的分析——基于灰色斜率关联度模型

论文使用北京、上海、天津、重庆四个直辖市2000至2013年的数据,运用改进的灰色斜率关联度模型,分析需求、供给和宏观经济三个层面的影响因素与房地产价格的关联程度。结果显示,不同影响因素与房地产价格的关联度之间存在着城市差异,影响房地产价格最重要的因素分别为:成交土地楼面均价、城镇居民人均可支配收入、固定资产投资额(建筑安装工程费)、城镇居民人均可支配收入。土地成本与北京和上海的房地产价格关联非常密切,但大小稍有差异。宏观经济因素中,贷款余额对各城市影响都比较大,对重庆影响最大,改进的灰色斜率关联度值为0.95;CPI和5年以上中长期贷款利率对四个直辖市房地产价格的影响非常小。

我国城镇居民可支配收入与消费支出的灰色关联分析

应用灰色关联分析方法,研究了1990年～2004年和2006年～2009年两个阶段我国城镇居民消费支出与可支配收入之间的关系。根据灰色分析显示,在1990年～2004年间,与人均可支配收入变化曲线的几何形状相似程度较高的消费支出项目依次为衣着类、家庭设备、用品及服务类和食品类,杂项商品与服务类排第5位,居住类位居第6位;与此相对应,2006年～2009年的情况发生了很大变化,其中,杂项商品与服务类由第5位跃居第1位,食品类由第3位下跌至第5位,文教娱乐用品及服务类支出由第4位跌至第7位,交通和通讯类则由第7位上升至第4位,居住类和医疗保健类依然保持在第6位和第8位的位置。

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%。

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。

基于多目标狼群算法的机场行李导入系统仿真优化研究

针对民航机场行李导入系统运行过程中旅客行李注入等待时间长、系统能耗高等问题,综合考虑虚拟视窗控制方式、收集带式输送机运行速度、虚拟视窗长度及同时开放值机柜台数量等关键控制参数对机场行李导入系统运行效率的影响,提出一种求解该问题的仿真优化框架。通过分析机场行李导入系统实际运行工况,建立参数化仿真优化模型。以最小化旅客行李注入平均等待时间和系统能耗为优化目标,结合系统设计和运行过程中的实际约束条件,建立该问题的数学模型,并设计了一种多目标自适应并行狼群算法进行求解。该算法针对所提问题特性及经典狼群算法易陷入局部最优和收敛速度慢等不足,提出一种混合整实数单链编码方式,融合反向学习策略生成初始种群,引入自适应游走概率机制和智能行为并行机制,采用局部和全局自适应邻域搜索及启发式保优策略实现狼群算法智能行为搜索,使用Pareto非支配排序进行寻优迭代并获得最优解集。以国内某大型国际航空枢纽机场行李导入系统为例设计不同规模多种算法对比实验,验证了所提方法的有效性和优越性。

配电网多目标优化重构模型及多目标烟花求解算法研究

针对配电网优化重构问题,以最小化有功网损、最小化电压偏移度以及最小化负荷平衡度作为目标函数建立配电网多目标优化重构模型。提出一种多策略混合的改进烟花算法(Improved fireworks algorithm,IMFWA)进行求解。算法采用不重复环路编码,压缩解空间,提高搜索效率;采用Sobol序列生成初始种群,增强种群的多样性和遍历性;利用优化烟花和随机烟花进行位移操作,保持种群多样性;采用高斯与柯西的混合变异方式,提高寻优效率;利用Pareto支配关系以及适应度与拥挤度函数组成的综合指标对最优解集进行排列选取,提高收敛速度。对IEEE-33节点系统进行仿真试验,验证了所提出的方法是有效和可行的,试验结果表明优化重构方案能够有效改善配电网的运行指标,并根据不同实际情况为电网人员提供重构方案。

用擂台赛法则构造多目标Pareto最优解集的方法

针对多目标进化的特点,提出了用擂台赛法则(arena’s principle,简称AP)构造多目标Pareto最优解集的方法,论证了构造方法的正确性,分析了其时间复杂度为O(rmN)(0<m/N<1).理论上,当AP与Deb的算法以及Jensen的算法比较时(它们的时间复杂度分别为O(rN2)和O(Nlog(r-1)N)),AP优于Deb的算法;当目标数r较大时(如r≥5),AP优于Jensen的算法;此外,当m/N较小时(如m/N≤50%),AP的效率与其他两种算法比较具有优势.对比实验结果表明,AP具有比其他两种算法更好的CPU时间效率.在应用中,AP可以被集成到任何基于Pareto的MOEA中,并能在较大程度上提高MOEA的运行效率.