基于Pareto遗传算法的多目标优化

在工程实际当中存在着大量的多目标优化问题,传统的多目标优化方法存在着明显的缺陷.本文介绍一种基于Pareto最优概念的遗传算法来求解多目标优化问题.这种方法能够给出多目标优化问题的Pareto解集,而不是单纯的一个解,从而可以帮助决策者在Pareto解集中挑选适合设计要求的解作为最终解.     

一种具有局部搜索能力的多目标遗传算法(英文)

提出一种混合遗传算法来寻找多目标优化问题的有效解（Ｐａｒｅｔｏ解集）．该算法具有局部搜索能力,可用于每个解的生成过程中,目标不是为发现一个有效解而是为发现所有的有效解,最终选择则由决策者做出．模拟结果表明,该算法具有较强的搜索能力．     

基于多目标优化遗传搜索算法的切削条件合理选择的研究

通过多目标优化遗传搜索算法,在满足切削加工目标的前提下求得切削用量问题的Pareto最优前沿解集,得到一系列不同条件的最优的加工方案,从中灵活的选择合适地切削用量,以满足不同条件切削加工的需要。该算法在获得高生产率和降低加工成本之间寻求合理选择切削条件提供了有效的途径,提高了切削条件选择精确性,增大了切削加工工艺设计的灵活性,为金属切削条件选择提供了多种可行的合理方案。     

随机加权的多目标混沌优化法

针对多目标优化问题,提出了一种变加权的多目标混沌优化方法,通过对多目标的随机加权处理,实现了算法在各个方向的搜索,能够找到不同方向的Pareto最优解。与混沌优化方法的结合使该方法不仅能够找到分布比较均匀的Pareto边界上的最优解,而且使用简单、方便。     

一种有效的多目标混合遗传算法

设计了一种基于支配关系下的局部搜索方法，将此局部搜索方法嵌入到多目标遗传算法中，从而提出一种有效的求解多目标优化问题的混合遗传算法。为加速遗传算法在全局优化问题上的收敛性，发挥传统数值优化算法在计算速度与计算精度上的优势，在遗传算法中镶嵌一个多目标线搜索算子。线搜索算子与遗传算法中的选择算子、交叉算子和变异算子共同作用，使全局搜索和局部搜索都能够很好的实现。数值实验表明，该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。     

智能多目标网络设计软件系统的研制

计算技术的飞速发展使大规模的显示模拟成为可能，而针对社会和生物现象的模拟，对人类认识自身及其环境具有重大意义，进化是其中最为诱人的领域之一。人的智能是从哪里来的?归根结底是从生物进化中得来的，反映在遗传基因中，脑的结构变化也是通过基因的变化一代代遗传下来。     

基于变权系数法的多目标非劣解的模糊决策

介绍了一种基于目标重要度的多目标优化非劣解的模糊决策方法,本方法通过权系数的随机变化而得到了在目标空间内分布均匀数量众多的Pareto最优解集,并通过Pareto最优解其自身信息对解集进行分类,给出代表个体,方便决策者从中选择适合自己的Pareto最优解.     

一种改进的动态无约束多目标进化算法

〖JP2〗为提高算法局部收敛性,提出一种改进的动态无约束多目标进化算法,其基本思想是：首先将时间区间分割,产生初始种群,然后根据Pareto支配关系对个体进行排序,再经选择复制、常规交叉算子和改进的非均匀变异算子进行操作,〖JP〗产生新种群。数值实验和性能指标统计数据表明,该算法具有较好的局部收敛性,能产生分布性较好的Pareto最优解。     

基于非线性选择方法的多目标优化遗传算法

针对排序选择法中广泛采用的线性选择方法的缺陷,提出了一种非线性选择方法。这种选择方法既充分体现了非劣解集对劣解集的优先选择权,又考虑到了非劣解集和劣解集中个体的平等性。理论分析和仿真计算表明,这种新的排序选择法不仅能得到分布广泛的Pareto最优解,而且进化速度极快,一般只需30-50代。     

基于非线性选择方法的多目标优化遗传算法

针对排序选择法中广泛采用的线性选择方法的缺陷,提出了一种非线性选择方法。这种选择方法既充分体现了非劣解集对劣解集的优先选择权,又考虑到了非劣解集和劣解集中个体的平等性。理论分析和仿真计算表明,这种新的排序选择法不仅能得到分布广泛的Pareto最优解,而且进化速度极快,一般只需30-50代。     

一种改进的多目标变异算子

设计了一种根据当前档案集非支配解的数量决定个体变异概率的二进制变异策略,使多目标进化算法能够具有较好的搜索性能,模拟实验验证了这种变异算子的有效性。     

组合优化中启发式算法的研究分析

在组合优化的实际问题求解中，背包问题，TSM问题等NP(Non—deterministic Polynomial)问题在多项式时间内无法得到最优解，要解决此类问题，就必须借助于启发式算法；简单介绍了计算复杂性概念，列举了几种常用的启发式算法，并给出算法的自然语言描述。     

一种离散型多目标粒子群优化算法

为获得更好的非劣前端,提出一种离散型多目标粒子群优化算法。该算法根据离散型多目标优化问题的特点,将种群分成多个子种群,在各个子种群中利用表现型共享的适应度函数选择每个子种群的最优粒子。通过多个最优粒子的引导,使整个种群分布更均匀,避免陷入局部最优,保证了解的多样性。实验表明了该算法的有效性。     

多目标进化算法性能评价指标综述

多目标进化算法常用于解决较复杂的多目标优化问题,该类算法是基于种群的进化算法,通过产生一组近似Pareto最优解集满足决策者偏好。介绍了多目标优化问题背景知识及相关定义,根据评价指标衡量解集特性,将现有算法性能评价指标分为3类并分别进行阐述,分析、比较其特点与区别。     

改进的模拟退火算法求全局优化问题的最优解

围绕全局优化问题,对模拟退火算法进行了分析,针对过程变量优化问题中普遍存在的多峰现象,探讨了应用模拟退火算法求全局优化问题的最优解的方法．通过对线性问题和非线性问题的计算,表明该法能够有效地解决全局优化问题．     

认知无线电多目标优化算法研究

认知无线电是指能够感知周围频谱环境并动态使用频谱资源的智能无线通信系统。认知无线电的多目标优化问题是一个典型的动态参数优化问题。以传输能量、数据率以及误比特率等多个参数为目标,采用一种基于DNA计算的非支配排序多目标遗传算法(DNA-GA)来对其进行优化。将CR可调参数进行编码作为染色体,产生大小为N的初始化种群,并根据CR目标函数计算个体适应度,再结合克隆操作使算法收敛于全局最优,最终得到CR系统的最优操作参数。仿真结果表明,DNA-GA可以在不同用户需求情况下获得较好的性能优化。     

会议筹备问题的多目标最优化模型

利用2009年全国大学生数学建模竞赛D题的会议筹备问题,通过预测与会代表总人数和合理的住宿安排方案,建立预订宾馆客房的多目标最优化模型;在租借会议室和租用客车上采用等可能假设,并给出费用的最优化模型。最后利用LING09．0得出会议筹备总费用的全局最优解。     

搜索引擎优化策略研究

搜索引擎是互联网上应用最为广泛的工具,是用户寻找网上信息和资源的主要途径。搜索引擎营销已经成为网络营销最重要的组成部分。如何使自己的网站被主要的搜索引擎收录,并且得到较好的排名,成为网站建设者们不得不考虑的问题。文章首先阐述了搜索引擎的基本含义,然后介绍了搜索引擎优化的重要意义,最后提出了搜索引擎优化的策略。     

一个K-均值文档聚类的改进算法

k均值算法是一个常用的局部搜索算法，它的主要缺陷是容易陷入局部极小，并且该局部极小解与全局最优解往往有很大的偏差。本文提出一个基于K-均值的迭代局部搜索文档聚类算法。该算法以k均值算法所得到的解作为初始解，从该初始解开始作局部搜索。在搜索过程中接受部分劣解。当解无法改进时，算法对所得到的局部极小解做适当强度的扰动后进行下一次的迭代，以跳出局部极小，从而拓展了搜索的范围。实验结果表明该算法对文档数据集聚类的正确性迭99％以上。