模型辅助的计算费时进化高维多目标优化

代理模型能够辅助进化算法在计算资源有限的情况下加快找到问题的最优解集,因此建立高效的代理模型辅助多目标进化搜索逐渐受到了重视.然而随着目标数量的增加,对每个目标分别建立高斯过程模型时个体整体估值的不确定度会随之增加.因此通过对模型最优解集的搜索探索原问题潜在的非支配解集,并基于个体的收敛性,种群的多样性和估值的不确定度,提出了一种新的期望提高计算方法,用于辅助从潜在的非支配解集中选择使用真实目标函数计算的个体,从而更新代理模型,能够在有限的计算资源下更有效地辅助优化算法找到好的非支配解集.在7个DTLZ基准测试问题上的实验对比结果表明,该算法在求解计算费时高维多目标优化问题上是有效的,且具有较强的竞争力.

非规则Pareto前沿面多目标进化优化算法研究综述

现实中多目标优化问题的Pareto前沿面往往是非规则形式,针对这类问题的进化算法已逐渐成为研究热点。对现有非规则Pareto前沿面多目标优化问题的进化算法进行总结和分类,给出了多目标优化问题的通用数学描述,并给出了支配和非支配解等该研究领域内的相关定义。整理了典型的具有非规则Pareto前沿面的多目标优化测试问题,以及汽车碰撞问题等实际优化问题中的具有非规则Pareto前沿面的多目标优化问题。将现有处理具有非规则Pareto前沿面的多目标优化问题的进化算法分为4个大类:根据种群分布调整参考向量的方法、固定参考向量结合其他辅助方法、参考点的方法、聚类和分区的方法,并分别进行了分析和讨论。研究表明:尽管针对具有非规则Pareto前沿面的多目标优化问题的进化算法已经取得了一定成效,但现有算法一般只在部分非规则Pareto前沿面问题上表现较好,适应所有种类的非规则Pareto前沿面问题的算法还有待开发,决策变量或目标数量高维的、动态的、数据驱动的具有非规则Pareto前沿面的多目标优化问题也是有待解决的研究领域;更加智能的,可以辨别和处理多类型非规则Pareto前沿面的进化算法是未来的研究重点;用多种环境选择方法混合、迁移学习结合进化计算、多任务结合进化计算是可行的解决途径。

基于群智能求解带约束问题的时域鲁棒优化算法

针对现有的时域鲁棒优化算法无法解决带约束的优化问题,基于群智能优化方法,提出一种求解带约束优化问题的时域鲁棒优化算法.首先,用约束条件构造罚函数,将带约束优化问题处理成为无约束优化问题;然后,采用一个分段函数作为粒子的适应度评价函数,通过竞争规则筛选粒子,设计带约束问题的时域鲁棒优化算法.以优化碳纤维原丝的性能为背景,将算法在多组参数下进行测试和对比分析,结果表明了所提出算法的有效性.进一步分析AR模型对算法性能的影响,指出预测模型的改进是提升算法性能的一个重要手段.