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。     

基于多目标进化算法的运输问题求解方法

在多目标进化算法中,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。将基于擂台赛法则和小生境技术的多目标进化算法应用于多目标运输问题,数值实验表明：基于擂台赛法则和小生境技术的多目标进化算法能够很好地解决此类问题。     

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。     

基于聚集密度的协同进化多目标优化算法

为了改善协同进化多目标优化算法性能,引入了聚集密度对超级个体集合进行更新。其基本思想是：首先计算种群中各个体的聚集密度,再定义一个偏序集,然后根据一定的比例依次从偏序集中选择个体更新。根据数值试验和量化指标测试了新算法的收敛性与分布性。结果表明,新算法在收敛性方面与常规协同进化多目标算法相当,但其分布性获得了一定程度的改善。     

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。     

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。     

基于聚类的混合多目标遗传算法在车辆路径问题中的应用

建立了有时间窗口的车辆路径问题多目标优化模型,提出了一种基于聚类的混合多目标优化遗传算法。该算法采用并列选择方法,用擂台赛法则构造非支配集,并用聚类方法缩小非支配集,避免了求解非凸解的困难,提高了遗传算法搜索速度及避免了＂早熟＂等不足。实验结果表明,该算法为解决车辆数不确定的时间窗车辆路径问题提供了一个较为有效的求解方法。     

基于改进庄家法则的多目标进化算法

非支配集的构造方法是多目标进化算法中最重要的问题。在用庄家法则构造非支配集时,若非支配个体较多,由于需要进行多轮比较,所以算法的计算复杂度较高。在庄家法则中引入一个副庄家,用以减少下一轮比较个体的个数,从而最终减少比较的轮数。数值实验表明：改进后的算法具有较高的运行效率。     

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。     

基于分解的混合多目标进化算法在供水调度系统中的应用

建立了供水调度模型,利用基于分解的多目标进化算法,首先将供水调度问题分解为若干单目标,然后根据分布估计的思想对各个单目标建立概率模型,通过采样产生新的个体。利用非支配排序法进行选择,得到最优解。实验表明,该算法对求解供水调度优化问题具有较好的多样性和均匀性,并且降低了算法的计算复杂度。     

梯级水库发电优化调度的改进细菌觅食算法研究

细菌觅食算法在求解水库优化调度问题时,以固定的步长进行趋向操作,同时以固定概率对细菌个体进行随机驱散操作,虽然可以一定程度上增加种群多样性,但是在进化后期容易使优秀的个体流失,影响算法的寻优质量。针对该问题,文章提出步长自适应调整和驱散概率自适应调整两项改进策略,根据算法进化程度和细菌个体的能量值动态调整趋向操作的步长和驱散操作的概率,使算法进化过程中尽量保证种群多样性的基础上,提高细菌个体的觅食能力,进一步促进算法达到局部搜索和全局优化之间的平衡。将改进的细菌觅食算法应用于乌江梯级水库群的联合优化调度问题,模拟结果表明:改进细菌觅食算法具有较强的全局寻优能力,适合求解梯级水库联合优化调度问题。     

基于遗传算法的关联规则挖掘方法

基于对数据挖掘,特别是关联规则挖掘的研究,提出了一种改进型遗传算法的关联规则提取算法,并从编码方法、适应度函数的构造和遗传算子的设计方面进行讨论分析。通过对早熟问题的分析并改进自适应算子,提高了算法的效率,使算法在相对稳定的动态种群规模中寻找优质解。     

基于Labview的伺服系统故障定位技术研究与实现

现代伺服系统规模庞大,结构复杂,且通常工作环境恶劣,故障发生率高,故障诊断费时费力。为了提高伺服系统故障诊断定位效率,基于故障树分析和虚拟仪器技术相结合在LabView软件平台上开发了伺服故障诊断定位系统。设计了一种基于最小割集表示的等价故障树的,结合模拟退火粒子群算法对神经网络的训练进行优化,使其故障诊断定位响应时间和准确度都显著提高。最后实验证明所设计系统采用的分析算法能够快速准确的进行故障诊断定位,对故障诊断定位技术的发展具有一定的参考和实际意义。     

基于改进NSGA-Ⅱ算法的科技服务链推荐

在科技服务机构和科技服务大量增长以及用户需求日趋复杂化和链式化的背景下,向用户推荐满足其个性化要求的科技服务链成为亟需解决的问题.首先构建考虑服务特有属性的科技服务推荐模型,在NSGA-Ⅱ算法中引入去重操作以消除由于候选服务数量限制产生的重复服务链,提高算法的多样性和收敛性,并使用该算法对模型进行求解,得到一组Pareto最优服务链集.然后通过科技服务链评估函数对服务链进行排序,将最优综合科技服务链推荐给用户.实验结果表明改进的NSGA-Ⅱ算法求解出的满足服务需求方要求的解的数量和准确性均优于NSGA-Ⅱ算法.     

Accuracy-diversity optimization in personalized recommender system via trajectory reinforcement based bacterial colony optimization

Personalized recommender systems have been extensively studied in human-centered intelligent systems. Existing recommendation techniques have achieved comparable performance in predictive accuracy; however, the trade-off between recommendation accuracy and diversity poses new challenges, as diversification may lead to accuracy loss, whereas it can solve the over-fitting problem and enhance the user experience. In this study, we propose a heuristic optimization-based recommendation model that jointly optimizes accuracy and diversity performance by obtaining a set of optimized solutions. To establish the best accuracy-diversity balance, a novel trajectory-reinforcement-based bacterial colony optimization algorithm was developed. The improved bacterial colony optimization algorithm was comprehensively evaluated by comparing it with eight popular and state-of-the-art algorithms on ten benchmark testing problems with different degrees of complexity. Furthermore, an optimization-based recommendation model was applied to a real-world recommendation dataset. The results demonstrate that the improved bacterial colony optimization algorithm achieves the best overall performance for benchmark problems in terms of convergence and diversity. In the real-world recommendation task, the proposed approach improved the diversity performance by 1.62% to 8.62% while maintaining superior (1.88% to 40.32%) accuracy performance. Additionally, the proposed personalized recommendation model can provide a set of nondominated solutions instead of a single solution to accommodate the ever-changing preferences of users and service providers. Therefore, this work demonstrates the excellence of an optimization-based recommendation approach for solving the accuracy-diversity trade-off.