多目标规划的一种混合遗传算法

本文利用遗传算法的全局搜索内能力及直接搜索算法的局部优化能力，提出了一种用于多目标规划的混合遗传算法．与Pareto遗传算法相比．本文提出的算法能提高多目标遗传算法优化搜索效率，并保证了能得到适舍决策者要求的Pareto最优解．最后，理论与实践证明其有有效性．     

具有模糊报酬的多目标马尔可夫决策规划

给出一种模糊多目标马尔可夫决策规划的定义,即当报酬是模糊函数时的多目标马尔可夫决策规划,并解决求解这种规划的最优策略的方法以及这种多目标规划最优解的判决问题。     

多目标决策问题的广义折衷解研究

引进决策偏好参数，提出了多目标决策问题的广义折衷解概念，然后探讨了广义折衷解的性质，最后也给出其数学规划的求解方法。     

多目标模糊系数规划

在单目标模糊系数规划的理论基础上，对多目标模糊系数规划进行讨论，在以目标间的协调程度尽可能大为最优性条件的要求下提出多目标模糊系数规划最优解的定义，并给出一种可行的求解方法。     

关于多目标数学规划的最优性条件

本文讨论定义于Ｂａｎａｃｈ空间的多目标数学规划，得到一些ε－最优解和（弱）有效解的必要条件，充分条件和必要充分条件。     

集值映射多目标规划问题的解集的连通性

本文研究了无限维空间里集值映射的多目标规划问题。主要结果是：当目标函数为类凸的集值映射时，其目标空间里的有效点集是连通的；若目标函数为Ｃ－凸的集值映射时，其有效解集也连通。     

群体多目标规划的群体一致有效公理

本文研究使用单个多目标规划来替代群体多目标规划（Ｇｒｏｕｐ Ｍｕｌｔｉｏｂｊｅｃｔｉｖｅ Ｐｒｏｇｒａｍ ｍ ｉｎｇ）（ＧＭＰ）的公理问题．     

改进的NSGA-Ⅱ算法研究风力机叶片多目标优化

将一种采用精英控制策略和动态拥挤方法用于快速非支配排序遗传算法（NSGA-Ⅱ）,并应用到风力机叶片的优化研究中,获得了一种新颖的风力机叶片多目标优化设计方法．作为应用算例,以设计风速下的功率系数最大和叶片质量最小为优化目标,用该方法设计了5 MW大型风力机叶片．优化结果表明,此算法在处理风力机多目标优化问题取得了良好的效果,给出的是一个Pareto最优解集,而不是传统优化方法追求的单个最优解,为风力机多目标优化设计提供新的思路和通用的算法．     

随机多目标规划区间交互过程及其应用

针对随机多目标规划问题中目标函数含有连续型随机变量的情形,设计一种基于概率有效性意义下的区间交互过程,将概率有效性与多目标问题理想点进行有机结合,有效辅助决策者寻求愿意承受的风险水平,并进行决策,简化了随机多目标优化问题。最后通过实例说明该交互过程的作用。     

较多约束多目标规划的最优性条件

本文研究较多约束多目标规划的最优性条件.借助于所给问题的较多约束集结构表示,定义了较多约束规划问题的较多约束Pareto有效解和较多约束Pareto弱有效解,给出较多约束Pareto有效解和较多约束Pareto弱有效解要满足的Fritz John条件和Kuhn-Tucker条件,最后给出在凸性条件下它的一些最优性充分条件.     

多目标最优化的一种积分型实现算法

在文[1]中给出了求解多目标最优化的一种积分总极值的概念性算法．本文利用数论中的一致分布佳点集列，较为简便的得出了多目标最优化的积分总极值的实现算法和算法终止准则．并经过有关函数数值计算表明该算法是有效的，可用来求解多目标最优化问题的有效解．     

一种改进的GDF多目标优化算法

本文提出一种交互式非线性多目标优化算法，该算法是ＧＤＦ多目标优化算法的改进，具有这样的特点：算法采用了既约设计空间策略，具有良好的收敛性；算法生成的迭代点是有效解；算法具有多种一维搜索准则；对于线性多目标问题，算法只需一次交互迭代即可示出多目标问题的最优解。     

混沌遗传算法

利用混沌序列来构造遗传算子,使不同代之间从短期看似随机的,而从长期看则存在着一种“精致”地内在关系,由此获得了一系列基于混沌序列的遗传算法,这些算法对克服标准遗传算法中的一些不足是有利的,更重要是将混沌引入遗传算法的新思路。     

遗传规划的改进算法

通过改变遗传规划算法中初始群体的生成方法,改变变异策略和修正适应度函数,对遗传规划算法进行了改进,并通过符号回归数值实验对改进后算法的性能进行了测试,且将改进后的算法与改进前以及其它改进算法进行了比较,数值实验结果表明,改进后的算法有效地提高了遗传规划的效率。     

多目标优化问题的模糊交叉算法与收敛性

本文研究了目标权重未事先确知的多目标优化问题，建立可以同时确定目标权重与方案相对优属度的模糊交叉迭代算法，严格证明了该算法的局部收敛性．     

Primal-Dual Simplex Method for Multiobjective Linear Programming

We develop a primal-dual simplex algorithm for multicriteria linear programming. It is based on the scalarization theorem of Pareto optimal solutions of multicriteria linear programs and the single objective primal-dual simplex algorithm. We illustrate the algorithm by an example, present some numerical results, give some further details on special cases and point out future research. The paper was written during a visit of the first author to the University of Sevilla financed by a grant of the Andalusian Consejería de Educación. The research of the first author was partially supported by University of Auckland Grant 3602178/9275. The research of the second and third authors was partially financed by Spanish Grants BFM2001-2378, BFM2001-4028, MTM2004-0909 and HA2003-0121. We thank Anthony Przybylski for the implementation and making his results available. We thank the anonymous referees, whose comments have helped us to improve the presentation of the paper.     

作业车间调度问题的改进混合遗传算法

作业车间调度是一类求解困难的组合优化问题,本文在考虑遗传算法早熟收敛问题和禁忌搜索法自适应优点的基础上,将遗传算法和禁忌搜索法相结合,提出了一种基于遗传和禁忌搜索的混合算法,并用实例对该算法进行了仿真研究.结果表明,该算法有很好的收敛精度,是可行的,与传统的算法相比较,有明显的优越性.     

分式规划模糊投资组合模型的遗传算法求解

将预期收益率表示为模糊数,以E-SV风险测度为基础给出了组合证券投资决策的效用函数,并建立了基于分式规划的模糊投资组合选择模型,考虑到模型求解的复杂性,我们利用遗传算法构造罚函数对模型进行了求解,并通过实例,验证了该模型解法的可行性和有效性.     

Improved ε-Constraint Method for?Multiobjective Programming

In this paper, we revisit one of the most important scalarization techniques used in multiobjective programming, the ε-constraint method. We summarize the method and point out some weaknesses, namely the lack of easy-to-check conditions for properly efficient solutions and the inflexibility of the constraints. We present two modifications that address these weaknesses by first including slack variables in the formulation and second elasticizing the constraints and including surplus variables. We prove results on (weakly, properly) efficient solutions. The improved ε-constraint method that we propose combines both modifications. The research of M. Ehrgott was partially supported by University of Auckland Grant 3602178/9275 and by Deutsche Forschungsgemeinschaft Grant Ka 477/27-1. The research of S. Ruzika was partially supported by Deutsche Forschungsgemeinschaft Grant HA 1795/7-2. The authors thank the anonymous referees, whose comments helped improving the presentation of the paper including a shorter proof of Theorem 3.1.     

无约束多目标规划的信赖域方法

本文将信赖域方法应用于多目标规划,提出了一类解多目标问题的新算法,并证明了全局收敛性。