并行Pareto多目标演化算法

提出并实现了一个并行Pareto多目标演化算法(PPMEA)，PPMEA算法是一个通过演化算法来解决基于Pareto的多目标优化问题的并行计算模型。在这个算法中，采用了并行演化算法中常用的全局并行模型和粗粒度并行岛模型。构成每个岛的子群体以不同的杂交概率和变异概率各自独立的演化，但是每隔一定的代数它们要交换外部集中的个体。标准测试函数的数值实验结果表明，所提出的算法能够使找到的解集快速收敛到Pareto非劣最优目标域，并且解集沿着Pareto非劣最优目标域有很好的扩展性。     

改进的多目标粒子群算法

提出了一个改进的粒子群算法并将其用于解决多目标优化问题．该算法利用粒子群算法的信息传递机制，引入多目标演化算法常用的归档技术，采用SPEA2算法的环境选择和配对选择策略，使得整个群体在保持适当的选择压力的情况下收敛于Pareto最优解集．标准测试函数的数值实验结果表明，所提出的算法能够使找到的解集快速收敛到Pareto非劣最优目标域，并且解集沿着Pareto非劣最优目标域有很好的扩展性．     

一种改进型多目标粒子群优化算法MOPSO-Ⅱ

提出了一种改进型多目标粒子群优化算法(MOPSO-Ⅱ).该算法为粒子群中每个粒子增加一个"扰动向量",以利于粒子跳出局部最优并为粒子的全局最优位置赋予了时限的属性,可防止过于频繁地更新全局最优位置,有利于增强粒子搜索的持效性.该算法改进了粒子越界的处理方法,最大程度上保持粒子优秀的搜索方向.通过典型的多目标测试函数ZDT对该算法进行测试,实验结果表明,带ε-支配的MOPSO-Ⅱ算法在解群的分布性方面要优于使用了拥挤距离机制MOPSO-Ⅱ算法和NSGA2算法,对比实验还表明MOPSO-Ⅱ算法在收敛性方面要优于NSGA2.因此,MOPSO-Ⅱ在求解多目标优化问题上有一定优势,是一种有前途的算法.     

多目标子空间搜索演化算法MOSSSEA

在研究已有的求解多目标函数优化问题的演化算法的基础上,提出了一个结合Rank排名和子空间搜索的新的以杂交为主的演化算法MOSSSEA(Multi-Object Sub-Space Search Evolutionary Algorithm),将MOSSSEA应用到求解静态多目标函数优化问题中.一组测试函数的结果表明MOSSSEA表现出了优于同类算法的收敛性和多样性.     

基于黎曼球面的多目标演化算法

对于求解多目标优化问题提出了一种基于黎曼球面的多目标演化算法(RSEA).它的特点在于:先在目标空间中采用无穷远点作为采样基点来对Pareto最优前沿进行采样;再将无界的多目标函数空间同构映射到黎曼球面上,进而在黎曼球面上对产生的新个体是否加入精英文档进行判定,以此提高了算法的均匀性与多样性,加快了算法的收敛速度.数值实验表明,新算法与NSGA2,SPEA2算法相比,性能有明显的提高.     

优化公交车调度的多目标遗传算法模型

公交车是为市民出行提供服务的“准公共”产品,它反映了一个城市的管理水平。研究如何合理规划公交车的调度是一个至关重要的问题。针对由于公交客流量易受天气影响、不同时间段客流量及其变化程度相差较大等问题,本文提出了基于“平高峰”因素的多目标遗传算法对城市公交调度进行优化。模型由三个阶段构成,首先本文根据客流数据对公交的“平高峰”阶段进行定义,并验证其合理性;然后利用乘客在站等待时间与公交的各方面成本建立以乘客出行成本和公共交通的运行成本最小的公交调度优化模型。最后将“平高峰”融入至染色体基因序列中,利用多目标遗传算法不断迭代计算出最优公交调度方案。对比结果表明,基于“平高峰”优化后的模型较于传统算法的乘客出行成本降低了13.75%且公共交通的运行成本减少1.7%,均优于传统算法。证明该方法对优化公交调度的有效性。     

具有物理模型数据处理的多目标优化及其算法

针对具有物理模型参数的辨识,提出了新的多目标优化模型及遗传算法.它突破了数据处理最小误差的传统思想,提出了“病态”数据分析方法,进一步挖掘了数据中的信息.文中充分利用“病态”数据分布的特征,通过遗传算法求解,确定了电磁场分布物理模型在实际问题中的适用范围,有效地提高了多目标优化模型的精度和实用价值.     

(h, φ)多目标规划的鞍点最优性条件

利用Ben-Tal广义代数运算定义了(h, φ)-多目标规划的(h, φ)-K-T鞍点,得到鞍点是有效解的充分条件.当目标函数和约束函数是(h, φ)-η广义凸函数时,在广义约束规格条件下得到鞍点是有效解的必要条件.     

基于可扩展多目标蚁群算法的土地利用优化配置

传统的土地利用优化配置模型无法灵活应对现实场景中多变的优化目标要求,也无法实现土地利用在空间布局上的优化.根据常见的优化目标进行抽象建模,建立了可扩展的多目标体系,并与蚁群算法有机结合,构建了基于可扩展多目标蚁群算法的土地利用优化配置模型,使土地利用配置在不同目标的指导下能够灵活优化,同时实现了土地利用配置在数量结构和空间布局优化上的统一,为土地利用规划提供了更具现实意义的参考方案.最后对该模型,以杭州市萧山区2015年土地利用格局为基础数据进行实例验证.结果表明:模型能够在多目标体系的指导下,合理配置研究区域的土地利用结构与布局,促进区域土地利用的可持续发展,并针对不同的多目标体系,给出具有不同侧重点的优化方案.     

一种改进的求解多目标优化问题的蚁群算法

针对传统蚁群算法在求解多目标优化问题过程中的一些缺陷提出了一种改进的多目标优化蚁群算法。该方法在一定程度上避免了传统算法中解群体单一、收敛速度慢等缺点,并以实例加以证明。     

下层带扰动参数的二层多目标最优化问题有效点集的锥次微分稳定性

关于集值映射最优化问题有效点集的稳定性问题,一些学者在半连续意义下得到比较系统的结果。近年,在锥次微分意义下又获得更深入的描述。借助集值映射最优化问题有效解(点)的锥次微分稳定性理论,讨论了上层无扰动,下层带扰动参数的二层多目标最优化问题有效点集的锥次微分稳定性。