嵌入Circle映射的混合策略多目标粒子群算法

多目标粒子群算法具有收敛速度快、原理简单和易于实现等优点，被广泛应用于解决多目标优化问题。然而，它存在容易过早收敛、陷入局部最优等缺点。针对上述问题，提出了一种嵌入Circle映射的混合策略多目标粒子群算法(CMEMOPSO)。当粒子当前位置与其个体历史最优位置互不支配时，在一定概率下，利用Circle映射调整粒子位置，使其找到更优的解。同时，若外部存档达到预定阈值，则使用结合个体密度和拐点距离的混合评价指标评估非劣解的综合性能，去除较差的非劣解以实现对外部存档的更新，提高算法的综合性能。最后，利用所提出的算法在12个典型测试函数上进行实验。实验结果表明CMEMOPSO具有良好的收敛性和更快的收敛速度，它在大多数测试函数上优于其他比较算法。     

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。     

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。     

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。     

多目标粒子群优化算法在PID优化设计中的应用

为了克服PID控制器参数整定时适应度函数权重难以选择的问题,提出一种多目标粒子群优化算法。该算法不需要设置权重参数,采用精英归档策略,按照Pareto最优原则,对控制系统阶跃响应的超调量和上升时间两项指标进行优化,从而实现PID控制器参数的自动整定。仿真结果表明,该算法可以获得大量优质Pareto最优解,解的质量优于其它方法。     

一种跨邻域学习的改进粒子群优化算法

为了改善传统粒子群优化算法过早陷入局部最优解的缺点,进一步增强算法收敛性,通过使用一定范围内邻域最好位置lBest代替自身历史最好位置pBest进行速度与位置更新,以增强粒子跨邻域学习能力。使用整个群体中最好位置gBest进行速度与位置更新,可增强算法收敛性,且具有较好的全局搜索能力。在8个不同的单峰和多峰函数上系统地对3种算法进行测试与比较,实验结果表明,提出的跨邻域学习改进粒子群优化算法可避免粒子群陷入局部最优解,求解精度与算法收敛性都提升了15%以上。     

粒子群算法在多峰值函数优化中的应用

粒子群算法是一种基于群体的智能算法,具有较强的全局搜索能力,并能通过对一定数量粒子的迭代运算获得问题的全局最优解。将粒子群算法应用于多峰值函数优化中可以避免常规方法难以同时搜索出多个极值而陷于局部极值的问题。基于matlab平台的仿真实验中,引入粒子群初始化位置拥挤距离检测,并在peaks函数上进行测试,可以有效实现全局和局部搜索,并能较好地保持粒子的多样性,从而获得多峰值函数的最优解。     

一种新的免疫多目标优化算法及其在锅炉燃烧优化中的应用

为了综合考虑锅炉燃烧优化问题中锅炉效率与NOx排放2个目标,提出了一种新的基于免疫细胞亚群的多目标优化算法ICSMOA.算法定义了亚群划分算子与免疫耐受算子,亚群划分可以很方便地表达偏好,免疫耐受则能保证解的分布性.ICSMOA的运行结果为一组Pareto最优解,而传统的加权法的运行结果为一个不能判断Pareto占优与否的解.与多次运行加权法获得的结果相比,所提算法的运行结果优于加权法.另外,运行ICS-MOA所获得的Pareto前沿不同于经典的多目标优化算法,它可以输出更多的满足决策者偏好的解,从而更适合于工业应用.     

一种混合算法在车辆路径问题上的应用

针对粒子群优化算法PSO求解车辆路径问题容易陷入局部最优的缺陷,提出了将量子门思想、遗传算法思想与粒子群算法相结合的混合算法来求解车辆路径问题,以Matlab语言为开发工具实现VRP实际问题的求解。实验表明,混合算法比粒子群算法能有更好的避免陷入局部最优,可以搜索到更优解。     

基于CPSO和DE改进粒子群算法的无功优化仿真

传统的粒子群优化(Particle Swarm Optimization,PSO)算法易陷入局部最优,因此引入了混沌优化形成混沌粒子群(Chaotic Particle Swarm Optimization,CPSO)算法以减小粒子陷入局部最优的可能,并在此基础上结合了差异进化(Differential Evolution,DE)算法中的交叉操作得到改进粒子群优化(Improved Particle Swarm Optimization,IPSO)算法以增加粒子的多样性,从而增加获得更优解的可能。为验证算法有效性,将PSO、CPSO和IPSO基于Matlab软件分别对IEEE30节点测试系统进行电力系统无功优化仿真。仿真结果表明,IPSO算法能找到质量更高的解,且收敛特性更好,体现了算法改进的优越性。通过该仿真实验,既可加强学生运用仿真软件的能力,又可加深学生对无功优化的理解和对智能算法的认识,从而有效提高教学质量。     

一种求解多目标无约束0—1二次规划问题的文化基因算法

针对多目标无约束0—1二次规划问题,提出一种文化基因算法。该算法采用基于分解的多目标演化算法框架,能够获得分布均匀的非占优解;同时,采用一种简单、有效的禁忌搜索,能够利用更多问题相关的信息,获得质量更优的非占优解。该算法在优化的过程中能够动态地平衡多样性与收敛性。实验结果证明该算法能够很好地求解多目标无约束0-1二次规划问题,并且性能优于目前求解该问题较先进的算法。     

一种基于遗传算法的改进PSO优化算法

从理论上分析了粒子群优化算法的收敛性,并针对标准PSO优化算法容易陷入早熟,收敛于局部最优解的问题,提出了一种基于遗传算法的带交叉因子的改进PSO优化算法,该算法通过对典型测试函数的测试,有效地加快了收敛速度和提高了收敛精度,能够有效地跳出局部收敛范围,避免陷入早熟,收敛于全局最优解。     

四旋翼飞行器动态粒子群优化算法的PID控制技术

针对四旋翼飞行器的标准粒子群优化算法PID控制器容易陷入局部最优解、过早收敛的问题,提出了一种动态粒子群优化算法的PID控制技术。该算法主要由两部分组成:①根据迭代过程中粒子群粒子与全局最优粒子间的欧氏距离大小动态改变惯性权重,并设置系数控制其对惯性权重的影响程度;②引入杂交进化,在指定迭代次数内,若粒子群全局最优值连续未变,则对指定数量的粒子进行杂交,增加粒子多样性,避免陷入局部最优。通过Matlab/Simulink搭建四旋翼飞行器模型并仿真。结果表明,该优化算法能有效地避免陷入局部最优和过早收敛,使四旋翼飞行器得到更平稳、精确的控制,减少超调,提升计算效率。     

一种基于叠加Logistic映射分布的FWA-PSO新算法

为了解决传统粒子群算法早熟收敛陷入局部最优、粒子中期震荡及收敛结果不精确的问题,提出一种基于叠加Logistic映射分布的FWA-PSO算法对其进行改进。具体方法是：叠加Logistic映射用于对粒子位置的混沌初始化,在粒子数量一定的情况下,平衡最大遍历路径与最快收敛速度;引入FWA算法,同时根据迭代次数与粒子位置标准差,基于惩罚机制非线性调整爆炸半径r、惯性权重w、个体学习因子c1和社会学习因子c2,融合高斯变异算子与循环单维度寻优策略,在维系粒子群多样性的同时,也能避免粒子越过最优解。实验结果表明：FWA-PSO算法针对单峰函数50次平均值均能达到最优解0,证明了算法的稳定性与可靠性;对于多峰函数,FWA-PSO算法也能求得最优解,证明该算法可跳出局部最优,得到全局最优解。     

基于偏好多目标蜂群算法的过热汽温控制系统优化(英文)

为了将决策者的偏好综合到多目标问题求解过程中,提出了一种偏好多目标蜂群优化算法PMABCA.在PM ABCA中,给出了一种新的偏好距离计算方法,基于非支配等级与偏好距离定义了适应度分配函数,并引入了归档集用于非支配解的存储.为了清除非支配集中多余的解,提出了改进的偏好拥挤距离算子.针对经典函数优化问题的计算结果表明,PMABCA可以在输出完整Pareto前端的基础上,确保输出大量符合偏好的最优解.将PMABCA应用于过热汽温控制系统PID参数优化问题,仿真结果表明,新算法的结果更便于决策者做出合理决策.     

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.     

基于PSO的电力系统环境经济负荷调度

针对基于线性加权和处理成单目标优化问题的传统方法存在的缺陷,提出使用粒子群优化算法求解EELD多目标优化问题。该方法通过对粒子群算法个体极值和全局极值选取方式的改进,实现了对EELD多目标优化问题的非劣最优解集的搜索,为决策者提供了丰富的参考信息。在此基础上,应用模糊满意度方法求出的最优折衷解为调度运行人员提供了最佳调度折衷方案。最后,对一个三机系统进行了测试,并与线性加权人工神经网络法进行了比较分析,仿真结果验证了该方法的有效性。     

基于环境策略的免疫克隆约束多目标进化算法

在常规免疫克隆约束多目标进化算法中,优秀不可行解易被淘汰,且无法直接学习进化经验。针对该问题,提出了基于环境策略的免疫克隆约束多目标进化算法。其基本思想是,在约束处理前,通过环境策略用Pareto支配形成初始抗体群,利用一个精英种群对初始抗体群进行存储|约束处理后,用环境策略变异替换克隆变异。数值实验结果表明,新算法不仅可以有效地处理约束条件,而且解的多样性和均匀性均得到一定程度改进。     

一种用于给水管网多目标优化的改进差分算法

针对标准差分算法无法有效处理给水管网多目标优化问题,提出一种新的算法——改进差分算法。首先,采用Pareto最优原理和非支配排序策略,建立多目标优化机制,保障算法对多个目标的协调与寻优;其次,采用精英策略取代差分算法原有的选择策略,确保每次寻优均能得到基于全局的最优个体,提高寻优效率。河内管网的优化案例表明,改进的差分算法是一种可行的、适用于给水管网多目标优化的方法。     

约束动态多目标免疫优化算法及性能比较

约束动态多目标优化对优化算法提出极高要求,已有算法在约束处理和准确跟踪Pareto有效面上均存在困难.基于免疫系统机理提出一种约束动态多目标免疫算法(CD-M OIAs),算法通过抗体浓度及其约束被支配度设计亲和力,优秀抗体被克隆突变,其他抗体分离为多子群独立并行进化,有效加速算法收敛速度和对不可行域的探索及开采.经由环境识别算子针对不同检测结果产生新环境的抗体群.数值实验中,将CDMOIAs和著名同类算法(DNSGAII-A,DNSGAII-B,CSADMO)用于DCTP系列约束动态测试问题进行仿真比较.结果表明CDMOIAs在跟踪Pareto有效面及其分布性方面优越于其他算法,多次独立执行统计值表明被提出算法的稳定性及收敛性具有一定的优越性.