基于聚集密度的人工免疫多目标进化算法

为了改善人工免疫多目标进化算法的分布性,引入聚集密度以进行Pareto最优解集的更新。其基本思想为：首先计算群体中每个个体的聚集密度,再根据目标函数值和聚集密度定义一个偏序集,然后采用比例选择原则依次从偏序集中选择个体,更新精英集。通过数值实验,用量化指标研究了新算法的收敛性和分布性,结果表明：新算法的收敛性与常规人工免疫多目标进化算法相当,但分布性有了明显提高。     

基于聚集密度的自适应选择多目标进化算法

分析了线性选择方法的两个缺陷,提出了一种基于聚集密度的非线性自适应选择方法。算法基本思想是：首先将每代种群划分成Pareto劣解集和Pareto非劣解集,然后依照个体的聚集密度分别在劣解集和非劣解集中构造一种偏序集,分别按照不同的等概率在这两个偏序集中选择个体,其中劣解偏序集的个体选择概率远小于非劣解偏序集的个体选择概率,根据两个偏序集中的容量自动计算出两个选择概率。这种非线性选择方法既体现了劣解集和非劣解集中个体的绝对平等性及非劣解集对劣解集的相对优先选择权,又充分考虑到了Pareto最优解的分布性。理论分析和数值计算表明,这种新的选择机制不仅能改善排序选择法的收敛性,而且能得到分布性良好的Pareto最优解。     

基于擂台赛法则和聚集密度的多目标进化算法

多目标进化算法有两个重要研究内容：最优解集的构造和解的分布性。用擂台赛法则构造非支配集具有较高的效率,而聚集密度方法既能从宏观上刻画群体的多样性与分布性,同时也比较好地刻画了个体之间的内在关系。将聚集密度技术引入基于擂台赛法则的多目标进化算法。数值计算表明,这种新的算法既保持了擂台赛法则较高的运行速度,又改善了群体的分布度,提高了种群的多样性,避免了过早收敛于局部最优解的现象。     

协同进化多目标优化算法在车间调度中的应用

针对车间调度问题计算复杂度较高的特点,将协同进化多目标优化算法应用于车间调度问题。计算实例结果表明,协同进化多目标优化算法应用于车间调度问题不仅可以优化效果,而且能够在一定程度上提高计算效率。     

人工免疫多目标进化算法在动态车辆路径优化中的应用

建立了动态车辆路径优化问题的数学模型,提出了一种基于聚集密度的人工免疫多目标进化算法。该算法首先计算群体中每个个体的聚集密度,再根据目标函数值和聚集密度定义一个偏序集,然后采用比例选择原则依次从偏序集中选择个体,更新精英集。实验结果表明,该算法是解决动态车辆路径问题的有效方法。     

多目标进化算法的研究

简要介绍了多目标进化算法的研究历史分类及主要方法，并提出了今 后需要研究的问题。     

基于差分进化和粗糙集理论的多目标优化算法的研究

提出了一种新的基于差分进化和粗糙集理论的多目标寻优算法。应用差分进化作为的搜索引擎,尝试将它在单一目标优化中展现出的良好收敛作用转换到多目标优化问题中。在搜索的第二阶段中,为了提高迄今为止已有的非支配解决方案的普遍性,应用到了粗糙集理论。对于专用文献中通常采纳应用标准的测试函数和尺度的检验,本文的混合方法是有效的。     

基于庄家法则和信息熵的多目标进化算法

针对庄家算法的缺陷,提出了一种基于信息熵的庄家算法。其基本思想是：在使用庄家算法进行非支配解的选取前,先对群体的信息熵值进行计算。若熵值较低,即没有相对较好的分布度,则对群体进行遗传选择、交叉和变异操作,生成新的群体,直到熵值达到要求,再使用庄家法则进行计算。数值计算表明,这种新的算法既保持了庄家算法较高的收敛速度,又改善了群体的分布度,提高了种群的多样性,避免了过早收敛于局部最优解的现象。     

多目标进化算法在滤波器优化中的应用

数字滤波器被广泛地关注和使用,已成为通信系统中至关重要的器件之一。针对数字滤波器的要求,利用多目标进化算法对一维数字滤波器进行优化,以期降低其期回波损耗和插入损耗,并证明是可行的。     

基于擂台赛法则和小生境技术的多目标进化算法

最优解集的构造和解的分布性是多目标进化算法的两个重要研究内容。用擂台赛法则构造非支配集具有较高的效率,而小生境共享技术可以提高种群的多样性。本文将小生境共享技术引入基于擂台赛法则的多目标进化算法,数值实验表明：改进后的算法保持了擂台赛算法运行效率高的特点,而且具有较佳的分布度。     

多目标猫群算法求解切削参数优化问题

针对车床切削过程的复杂性,在充分考虑加工过程约束条件的基础上,建立了生产率、刀具耗损寿命和表面粗糙度的切削参数优化问题的数学模型。推导和分析发现,目标函数和和分析切削参数约束条件都是关于进给量、切削速度和背吃刀量的方程和不等式,为优化奠定了良好的基础。采用改进的多目标猫群算法进行优化,结果表明,该算法能有效求解切削参数优化问题。     

函数优化的遗传算法

遗传算法是一种有效的模拟进化算法,针对不同问题,编码方式多种多样。针对函数优化问题,阐述了不同的编码方式及遗传操作,在Matlab环境中用遗传算法实现求解函数优化问题。     

基于蚁群算法的配电网重构

本文提出了一种基于蚁群系统的配电网重构算法(ACSA)[12],该算法用于减少在正常运行情况下的电能损耗的问题。结合相应的数学模型和算法,对一个典型的配电网重构的问题进行了验证。基本蚁群算法的缺点是收敛速度慢和进化停滞,本文提出了一些新的措施来克服这些缺点。     

基于VisibilitySensor节点的虚拟场景优化算法

基于VRML技术构架数字旅游系统,并提出一种大规模VRML场景快速浏览算法。通过建筑物位置和浏览者当前视点位置的判断,动态地调入和调出相关建筑物纹理,可以明显地减少虚拟场景中的纹理打开时间,达到优化场景的效果。     

基于禁忌算法的长沙移动网络优化

移动网络优化问题是一个NP难问题,所以它并不能保证在合理的运行次数里就找到最优的方案。常用的人工智能求解优化问题有遗传算法、蚁群算法和禁忌算法。相对于这几种算法在离散对象的组合优化问题中优势比较明显,而禁忌算法更容易跳出局部极值从而能在更大的范围内寻找到一个较优解。我们开发的基于禁忌算法的长沙移动网络优化软件,通过科学分析采集的数据,从而解决话务阻塞和掉话问题,优化了网络,提高了长沙移动的网络质量。     

微粒群算法在工程项目多目标多资源均衡问题中的应用

微粒群算法(PSO)是继蚁群算法提出之后的又一种新的进化计算技术.介绍了微粒群算法的产生背景、基本算法、算法流程、算法参数,同时基于pso算法的基础上探讨在多目标下如何实现资源更有效地分配,从整体角度出发来考虑单个项目对其他正在进行的项目的影响和实施期间资源的可得性,以最合理的资源配置来满足项目中各个分目标,以达到最好的整体项目效益,为多目标下的多资源配置问题初步建立了模型.     

基于多目标遗传算法的工程施工进度计划优化研究

为使工程施工进度实现最优化,使进度计划方案更为科学合理,可以在施工计划制定的过程中融入多目标遗传算法。首先对多目标优化和多目标遗传算法数学模型进行了详细阐述,接着从最小费用、最短工期和最佳质量三个方面建立多目标工程施工进度目标函数,最后采用实例仿真,验证多目标遗传算法在施工进度计划制定的性能。实验证明,采用该方法能较好地求解施工进度目标函数最优解,而且能提供多种优化方案,具有较高的研究价值。     

基于离散粒子群算法的多约束多目标优化

利用粒子群算法(PSO)提出了一个新的粒子编码方法,并将其用于高校排课问题。通过对某高校的排课数据进行测试,结果表明,本文所提出的改进PSO算法对于解决高校排课问题的优化是有效的,对其它多目标问题地求解也有借鉴意义。