基于多目标优化的超盒粒计算分类算法

粒的数量和分类错误率是粒计算互相冲突的两个目标,同时最小化这两个目标是不可能的.针对此,构造了多目标优化问题,分别建立分类超盒粒数量和训练错误率两个目标,通过多目标演化算法对该多目标优化问题进行求解,从而产生一系列分类超盒粒集.随机产生初始种群,多目标演化算法通过利用演化操作和反复迭代的方法,得到供用户选取不同性能的解集.     

多目标优化算法研究综述

近年来,多目标优化问题求解已成为演化计算的一个重要研究方向,而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点．多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域。该文在比较与分析多目标优化的演化算法发展的历史基础上,介绍基于Pareto最优概念的多目标演化算法中的一些主要技术与理论结果。此外,指出并阐释了值得进一步研究的相关问题。     

一种基于ELECTRE法的多目标优化进化算法

将多目标属性决策方法中的ELECTRE法引入到多目标优化进化算法中,提出了一种新的多目标优化算法.采用辅助群体来存储进化过程中的非劣个体,并且采用与SPEA-Ⅱ相同的适应值分配策略来保证解的良好分布性.此外,构造出一种新的超序关系对个体进行排序,证明了该超序关系比Pareto优劣关系弱,利用此超序关系,能增强进化过程中的选择压,加快收敛速度.数据实验结果表明,该算法能很好地收敛到Pareto最优,有效地保持解的多样性.     

超盒粒计算的模糊格代数系统

将粒表示为空间中的超盒,该超盒粒是由起点和终点组成的向量,设计超盒粒之间的合并和分解算子,构造不同粒度的超盒粒;引入正评价函数度量超盒粒之间的模糊包含关系,构造由超盒粒集、模糊包含度、合并算子和分解算子组成的超盒粒代数系统,并证明其是模糊格.该模糊格能较好地指导粒计算算法的设计.     

基于粒子群算法的自适应多目标优化

本文描述了一种新颖的基于粒子群的多目标优化方法,即自适应多目标粒子群优化。该算法采用自适应的方法,使惯性权重和加速度系数随时间的变化而改变,从而有助于算法更有效的探索搜索空间。对三个典型多目标测试函数所作实验的结果验证了该方法的有效性和快速性。     

贝叶斯优化算法在多目标优化问题中的应用

贝叶斯优化算法是近年来在进化算法领域兴起的一种新兴算法,用贝叶斯网络概率模型来显式地反映变量之间的依赖关系及可行解的分布,更符合实际问题的本质,在众多领域获得应用。针对多目标优化问题,在Pareto优化概念的基础上,用非占先排序及拥挤距离的方法来选择群体,形成解决多目标优化算法的Pareto贝叶斯优化算法,实验结果表明,Pareto贝叶斯优化算法要优于经典多目标优化算法NSGA-II。     

基于决策空间划分模型的多目标进化算法

为有效利用决定空间中的信息、提高收敛速度与准确度,提出了基于决策空间划分模型的多目标进化算法.该算法将决策空间划分成多个子决策空间并在每个子决策空间内映射出一个超球体,运用某一多目标进化算法完成超球体内个体的1轮次进化,基于粒子群优化算法的粒子移动机制实现超球体间的信息共享、引导超球体质心向最优解集方向移动.对8个测试问题的实验结果表明:基于决策空间划分模型的多目标进化算法在收敛精度和收敛稳定性方面比FastPGA,MOCell,NSGA-Ⅱ和SPEA2算法表现出更好的性能.     

一类基于混合遗传算法的多目标优化方法

提出一类求多目标Pareto解的快速算法，该算法将个体各分目标的最大值作为适应度函数，采用混合遗传算法，通过求解种群适应度极小值的方法来获得Pareto边界不同方向上的最优解，并在种群进化过程中采用了一些加速收敛的改进方法，通过典型算例的仿真验证了其有效性．     

基于距离的粒计算分类算法

提出了一种基于距离的粒计算分类算法.首先,将粒表示为具有超菱形、超球和超正方体三种形式;第二,设计两粒之间的合并算子,实现不同粒度之间的转换;第三,选取粒度阈值,控制粒之间的合并过程,并构造基于距离的粒计算分类算法.使用UCI机器学习的基准数据集合验证该算法的性能,实验结果验证了基于距离的粒计算分类算法的可行性.     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

彩色图像的球形粒计算分割算法

针对基于聚类的彩色图像分割算法速度较慢,提出了彩色图像的球形粒计算分割算法.将彩色图像每个像素点表示为以该点RGB像素值为中心0为半径的球形粒,设计球形粒之间的合并算子,利用粒度阈值对两球形粒进行有条件合并,得到不同粒度的球形粒组成的球形粒集,以球形粒中心对应的RGB值代替球形粒包含像素点的RGB值.实验结果表明:与K-means算法和FCM算法相比,球形粒计算分割算法是稳定的而且分别加快了6倍和34倍.     

基于粒计算的ID3决策树算法研究

利用粒计算对机器学习中的ID3算法给予重新思考与实现,采取人类问题求解的结构化思维方式,对数据进行粒化表示,使得机器问题求解的思路更易于让人接受,且运算模式更适于计算机上的实现.     

基于多目标和声搜索算法的城市单向交通组织优化研究

当道路空间占用导致交通拥堵阻断现象发生时,为保障机动车出行通畅,采取单向交通组织优化方法,以路径正反双向途径点数量最小为最优目标,应用多目标和声搜索算法求解双目标模型,进行算例检验和实际应用的性能对比分析,分析结果表明,该方法求得的平衡策略更合理,与当前的一般算法相比,具有明显的优越性.     

基于粒计算的超市会员数据的聚类算法

在粒计算理论的指导下,首先对超市客户数据库中的信息进行预处理,并根据处理后的信息对客户信息进行细分,从而有针对性地服务不同层面的群体.其次针对不同层次的客户的消费行为特征进行聚类,在此基础上对超市会员的行为模式进行分析,进而采用适宜的营销策略.     

基于粒计算的格贴近度理论研究

为了描述2个粒集的接近程度,通过对传统Fuzzy集贴近度的公理化定义进行重新定义,提出了基于粒计算的格贴近度的定义,并给出了相关的基本性质.     

Pareto局部搜索算法的改进

针对一个Pareto局部搜索（PLS）算法在解决多目标组合优化问题中所得到的解集与初始点的选取有关,提出该算法的改进。改进算法从初始解开始进行PLS搜索产生一组改进解集VF,然后对VF中的所有解再进行PLS搜索,如此重复直到满足终止条件。实例计算表明,PLSⅠ算法和算法Ⅱ能得到很好的解且解的质量优于PLS算法。     

一种基于粒计算的Multi Agent决策算法

为了克服单个Agent知识的局限性,提高系统决策的可靠性,提出了一种基于证据推理和粒计算的Muhi．Agent决策信息融合算法,并对Muhi—Agent合作决策进行了定义和描述。Multi．Agent决策融合划分为观测和决策两个阶段,观测Agent从环境信息中提取特征向量作为输入,信息粒化后降低了合成计算的复杂度。     

一种新的求解多目标问题的分组粒子群优化算法

用粒子群优化算法求解多目标问题容易陷入局部最优,为此本文提出了一种分组粒子群多目标优化算法。该算法将决策空间分成Q个子空间,每个子空间随机的分配N个粒子,这Q个粒子群分别在各自的空间进行独立搜索。为保证每个种群的搜索多样性和遍历性,用混沌序列对各组粒子位置进行初始化,同时对各组进行基于聚集距离的粒子择优进化。由典型多目标函数的优化实验结果表明,经过适当的分组,该算法能迅速逼近非劣最优解集,效果令人满意。     

一种基于分解的改进的多目标蚁群算法及其应用

提出一种基于分解的、改进的多目标蚁群算法。该算法首先利用Tchebycheff聚合方法将整个Pareto最优前沿的逼近问题分解为一定数量的单目标优化子问题,然后利用蚁群算法同时求解这些子问题。为使解集均匀分布在Pareto前沿,采用基于试探的聚类方法对解集聚类;依据解集的分布重置分解策略中的权重向量集,使其适配于特定的Pareto前沿;蚂蚁按照对应的权重距离被分组,同一组蚂蚁共享一个信息素矩阵,该矩阵容纳学习到Pareto前沿子区域的位置信息;每个蚂蚁求解一个子问题,每个蚂蚁拥有自己的启发式信息矩阵;每个蚂蚁拥有多个邻居,蚂蚁选取邻居中的最优解来更新当前解;蚂蚁依据小组信息素,当前解和启发式信息构建新的解。引入自适应变异算子,动态调整蚂蚁邻居的个数,提高算法的收敛速度和解的质量。将该算法与其他相关算法在标准的双旅行商问题进行性能对比,证明该算法有效。