基于集合的高维多目标优化问题的进化算法

由于高维多目标优化问题包含的目标很多,已有的方法往往难以解决该问题.本文提出一种有效解决该问题的基于集合的进化算法,该方法以超体积、分布度,以及延展度为新的目标,将原优化问题转化为3目标优化问题;定义基于集合的Pareto占优关系,设计体现用户偏好的适应度函数;此外,还提出集合进化策略.将所提方法应用于4个基准高维多目标优化问题,并与其他2种方法比较,实验结果表明了所提方法的优越性.     

基于模糊支配的高维多目标进化算法MFEA

为提高高维复杂多目标优化算法的收敛性和解集分布性,提出一种基于模糊支配的高维多目标进化算法MFEA.在第二代Pareto支配类高维多目标进化算法模型基础上,利用模糊理论对模型中的环境选择进行改进,提出基于模糊隶属度的支配关系,并结合Harmonic、k邻域法和小生境技术对其中的拥挤密度估计方法进行改进,最后根据高维多目标的特点并结合模糊理论α-截集的思想提出了新的环境选择策略.将该算法与目前性能最好的5种多目标进化算法在标准测试函数集上进行对比试验,结果表明本文算法与其他算法相比具有明显的优势,不仅提高了算法的收敛性能,而且保证了Pareto最优解的均匀分布性.     

一种基于角度惩罚距离的高维多目标进化算法

为了使多目标进化算法在收敛性和分布性之间保持平衡,该文提出一种基于角度惩罚距离的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on Angle Penalized Distance, MaOEA-APD)。首先,综合考虑收敛性和分布性在进化不同阶段的重要性,构造一种角度惩罚距离,使两者随进化进程动态平衡;其次,开发基于删除劣质个体的环境选择策略,在提高种群分布性的同时提高收敛性;最后,根据环境选择的原理,设计与之相协调且互补的匹配选择过程,提高算法的整体进化效率。将所提算法与目前国内外性能优异的3种高维多目标进化算法进行对比,实验结果表明在WFG标准测试函数集上,该文算法相对于其他算法,综合性能有了较大的提升。     

一种基于角度信息的约束高维多目标进化算法

目前约束高维多目标进化算法大多注重提高收敛精度,而收敛速度相对较慢.为提高算法的收敛速度,提出一种基于角度信息的约束高维多目标进化算法.该算法提出基于角度违反度函数的选择操作,依据动态的收敛性和分布性直接选择较优个体,提高收敛速度;此外,提出了基于差分进化算法的交叉操作,在不同的进化阶段选用不可行解参与交叉操作,补偿收敛精度.在标准测试函数集C-DTLZ上进行仿真实验,并与当前国内外性能优异的4种约束高维多目标进化算法进行对比,证明了本文算法收敛精度保持良好,而收敛速度得到了提升,且目标维数越高提升效果越明显.     

基于分解和支配关系的超多目标进化算法

近年来,超多目标优化问题(MaOPs)成为了进化计算领域的研究热点。然而,在处理各种优化问题中,如何有效地平衡收敛性和多样性仍是一个难题。为了解决上述的问题,该文提出了一种基于分解和支配关系的超多目标进化算法(DdrEA)。首先利用权重向量把整个种群分解为一组子种群,这些子种群将进行协同优化;然后利用角度和角度支配关系计算子种群内每个解的值;最后根据适应度值进行精英选择,即在每个子空间内选取适应度值最小的解作为精英解进入下一代。DdrEA通过与当前较优的NSGA-II/AD, RVEA, MOMBI-II等多个超多目标进化算法进行实验对比,实验结果表明该文算法性能明显优于对比算法,能够有效平衡种群的收敛性和多样性。

     

高维多目标优化问题融入决策者偏好的集合进化优化方法

高维多目标优化问题普遍存在且非常重要,但是,已有的解决方法却很少.本文提出一种有效解决该问题的融入决策者偏好的集合进化优化方法,该方法首先基于决策者给出的每个目标的偏好区域,将原优化问题的目标函数转化为期望函数;然后,以原优化问题的多个解形成的集合为新的决策变量,以超体积和决策者期望满足度为新的目标函数,将优化问题转化为2目标优化问题;最后,采用多目标集合进化优化方法求解,得到满足决策者偏好且收敛性和分布性均衡的Pareto优化解集.将所提方法应用于4个基准高维多目标优化问题,并与其他2种方法比较,实验结果验证了所提方法的优越性.     

基于类圆映射的高维多目标可视化方法

可视化技术有利于对高维多目标优化问题求解所得的解集进行评价与分析,但是现有的高维多目标可视化方法无法有效保持解集的Pareto支配关系、前沿密度分布及形状。针对以上问题,本文提出类圆映射可视化方法.首先将多目标按相关性均匀排列在单位圆圆弧上,根据适应度函数值将解集映射为类圆空间内的一个多边形,并通过多边形的几何中心和面积对解集进行3维可视化.在此基础上对类圆支配与均衡性进行了定义,并对类圆映射下的支配关系、映射遮挡等进行了理论分析与证明.与平行坐标系、主成分分析方法和径向可视化方法相比表明,本文方法能保持解集Pareto支配关系,并能反映解集在原始空间的密度分布和形状。此外,还能有效避免解集映射点遮档.其有利于决策者进行可视化评价和选择高维多目标解集.     

自适应格型IIR滤波器的进化学习算法

本文提出了自适应全零点格型ＩＩＲ滤波器结构及进化学习算法。全零点格型结构的自适应ＩＩＲ滤波器（ＡＩＩＲＦ）具有结构简单,计算量少等优点．新的滤波器结构和进化学习算法相结合,不仅解决了ＡＩＩＲＦ的稳定性问题,而且滤波器参数能够以很大的概率快速收敛于全局最优解,同时允许大动态范围的输入信号,尤其对高阶、极点靠近单位圆的ＡＩＩＲＦ。计算机仿真结果验证了该滤波器的有效性．     

基于神经网络的模糊认知图的演化研究

提出一种基于神经网络的模糊认知图的演化模型，利用神经网络的高度非线性映射能力和演化算法的全局寻优能力克服了的模糊认知图部分缺陷，增强了系统的知识表达和推理的能力。     

一种基于双空间密度的多目标进化算法

目前,大多数多目标进化算法的多样性保持机制都只强调目标空间的多样性而忽视决策空间的多样性.这种设置可能导致种群在目标空间拥有良好多样性的同时却在决策空间拥有较差的多样性.为了解决上述问题,本文提出了一种基于双空间密度的多目标进化算法.为了反映个体在决策空间和目标空间的多样性,本文定义了双空间密度指标.基于双空间密度的配对选择操作可以平衡算法的收敛性与多样性;基于双空间密度的个体选择操作可以同时使决策空间和目标空间得到充分的搜索.实验结果表明,本文算法的求解质量明显优于对比算法.     

正交匹配追踪和BIC准则的自适应双频段预失真模型优化算法

针对双频段预失真模型复杂度高以及当前的模型优化算法不具有自适应性的问题,提出一种自适应的模型优化算法.采用双频段广义记忆多项式作为预失真模型,通过正交匹配追踪算法对原始模型的基函数项进行排序,每次迭代时用所有已挑选的基函数项构成备选模型,推导了模型输出向量元素服从非独立同分布情况下的贝叶斯信息准则（Bayesian Information Criterion,BIC）,并将BIC值最小的备选模型作为优化后模型,从而在原始模型稀疏度和拟合误差门限未知情况下,实现了模型的自适应优化.结果表明：优化后模型与原始模型相比,二者分别预失真后的信号在邻道功率比和归一化均方误差方面均非常接近,预失真效果良好,而模型的系数量减少了75%以上.     

基于均匀设计的多目标自适应遗传算法及应用

提出一种多目标遗传算法,将均匀设计技术应用于适应度函数合成和交叉算子构造,以提高遗传算法的空间搜索均匀性、子代质量和运算效率.分析和实验结果表明,该方法可缩短算法运行时间和得到分布较均匀的Pareto有效解集;配合基于元件标称值的网表级高效编码方案和考虑基因位差异的遗传概率调整策略,可实现模拟电路自动设计,通过单次运行即获得对应不同偏好的多种实用化设计结果.     

一种新的基于LMP准则的自适应正弦波频率估计算法

自适应IIR陷波器在许多不同的信号处理场合,尤其在估计淹没在噪声中的正弦波频率方面得到广泛应用。本文在研究了多种自适应IIR陷波器算法的基础上,提出了一种基于LMP准则的修正LMP-MNG算法,仿真结果验证了算法的有效性。