As a new-style stochastic algorithm, the electromagnetism-like mechanism（EM） method gains more and more attention from many researchers in recent years. A novel model based on EM（NMEM） for multiobjective optimizat...As a new-style stochastic algorithm, the electromagnetism-like mechanism（EM） method gains more and more attention from many researchers in recent years. A novel model based on EM（NMEM） for multiobjective optimization problems is proposed, which regards the charge of all particles as the constraints in the current population and the measure of the uniformity of non-dominated solutions as the objective function. The charge of the particle is evaluated based on the dominated concept, and its magnitude determines the direction of a force between two particles. Numerical studies are carried out on six complex test functions and the experimental results demonstrate that the proposed NMEM algorithm is a very robust method for solving the multiobjective optimization problems.展开更多
针对消防设施选址问题,构建考虑时效性、市民等待救援的焦急心理和建设成本的三目标消防设施选址模型,以实现更科学的消防设施布局。鉴于该问题的NP难特性,提出基于算子学习的多目标深度强化学习模型(multi-objective deep reinforcemen...针对消防设施选址问题,构建考虑时效性、市民等待救援的焦急心理和建设成本的三目标消防设施选址模型,以实现更科学的消防设施布局。鉴于该问题的NP难特性,提出基于算子学习的多目标深度强化学习模型(multi-objective deep reinforcement learning,MDRL)。设计多种优化算子作为强化学习的动作空间,训练策略网络以选择最佳优化算子来改进解决方案。针对多目标问题,设计基于优势差异的方法(MDRL-AD)和基于支配性评估的方法(MDRL-DE)。采用四种规模的测试算例及实际案例进行数值实验,将MDRL和改进的NSGA-Ⅱ、MOPSO、L2I算法进行比较,并利用Hypervolume指标、Spacing指标、Ω指标、IGD指标对算法性能进行评估。实验结果表明,MDRL-AD方法更适用于求解小规模算例,MDRL-DE方法则在求解大规模和超大规模算例时相比其他算法优势明显。MDRL在非劣解集的收敛性和均匀性方面明显优于其他对比算法,为消防设施布局规划提供了一种有竞争力的解决方案。展开更多
多目标萤火虫算法采用整体维度更新策略,常因某几维变量上优化效果不佳,导致算法收敛速度慢和寻优精度低。针对上述问题,本文提出基于决策变量分组优化的多目标萤火虫算法(multi-objective firefly algorithm with group optimization o...多目标萤火虫算法采用整体维度更新策略,常因某几维变量上优化效果不佳,导致算法收敛速度慢和寻优精度低。针对上述问题,本文提出基于决策变量分组优化的多目标萤火虫算法(multi-objective firefly algorithm with group optimization of decision variables,MOFA-GD)。引入决策变量分组机制,根据各变量对算法性能的不同影响,将整体决策变量划分成收敛性变量组和多样性变量组;设计决策变量分组优化模型,利用学习行为优化收敛性变量组,加快种群收敛速度,非均匀变异算子优化多样性变量组,避免种群过早收敛,逐渐减小的变异幅度引导种群局部开发,提升算法寻优精度;采用档案截断策略维护外部档案,精准删除拥挤个体,从而保持外部档案的多样性。实验结果表明:MOFA-GD表现出优秀的收敛速度和寻优精度,获得了均匀分布的Pareto解集。本文所提算法为求解多目标优化问题提供了一种高效且可靠的解决方案。展开更多
针对商用车车架制造商中纵梁以及总装的生产工艺的多样性和生产调度的复杂性,以最小化最大完工时间、物料积压程度和耗电量为优化目标,提出了一个NSGA-Ⅱ和红狐算法的混合算法(hybrid algorithm of non-dominant sorting genetic algori...针对商用车车架制造商中纵梁以及总装的生产工艺的多样性和生产调度的复杂性,以最小化最大完工时间、物料积压程度和耗电量为优化目标,提出了一个NSGA-Ⅱ和红狐算法的混合算法(hybrid algorithm of non-dominant sorting genetic algorithm and red fox algorithm,HNSGA2RFA),用于解决多目标的柔性流水车间调度问题。通过ROV规则实现GA和RFA的编码转换,并提出了归一化分组策略(normalized grouping strategy)。试验结果表明,HNSGA2RFA算法在优化速度和最优解集数量上均优于原NSGA-Ⅱ算法。展开更多
基金supported by the National Natural Science Foundation of China(60873099)the Fundamental Research Funds for the Central Universities(2011QNA29)
文摘As a new-style stochastic algorithm, the electromagnetism-like mechanism（EM） method gains more and more attention from many researchers in recent years. A novel model based on EM（NMEM） for multiobjective optimization problems is proposed, which regards the charge of all particles as the constraints in the current population and the measure of the uniformity of non-dominated solutions as the objective function. The charge of the particle is evaluated based on the dominated concept, and its magnitude determines the direction of a force between two particles. Numerical studies are carried out on six complex test functions and the experimental results demonstrate that the proposed NMEM algorithm is a very robust method for solving the multiobjective optimization problems.
文摘针对消防设施选址问题,构建考虑时效性、市民等待救援的焦急心理和建设成本的三目标消防设施选址模型,以实现更科学的消防设施布局。鉴于该问题的NP难特性,提出基于算子学习的多目标深度强化学习模型(multi-objective deep reinforcement learning,MDRL)。设计多种优化算子作为强化学习的动作空间,训练策略网络以选择最佳优化算子来改进解决方案。针对多目标问题,设计基于优势差异的方法(MDRL-AD)和基于支配性评估的方法(MDRL-DE)。采用四种规模的测试算例及实际案例进行数值实验,将MDRL和改进的NSGA-Ⅱ、MOPSO、L2I算法进行比较,并利用Hypervolume指标、Spacing指标、Ω指标、IGD指标对算法性能进行评估。实验结果表明,MDRL-AD方法更适用于求解小规模算例,MDRL-DE方法则在求解大规模和超大规模算例时相比其他算法优势明显。MDRL在非劣解集的收敛性和均匀性方面明显优于其他对比算法,为消防设施布局规划提供了一种有竞争力的解决方案。
文摘多目标萤火虫算法采用整体维度更新策略,常因某几维变量上优化效果不佳,导致算法收敛速度慢和寻优精度低。针对上述问题,本文提出基于决策变量分组优化的多目标萤火虫算法(multi-objective firefly algorithm with group optimization of decision variables,MOFA-GD)。引入决策变量分组机制,根据各变量对算法性能的不同影响,将整体决策变量划分成收敛性变量组和多样性变量组;设计决策变量分组优化模型,利用学习行为优化收敛性变量组,加快种群收敛速度,非均匀变异算子优化多样性变量组,避免种群过早收敛,逐渐减小的变异幅度引导种群局部开发,提升算法寻优精度;采用档案截断策略维护外部档案,精准删除拥挤个体,从而保持外部档案的多样性。实验结果表明:MOFA-GD表现出优秀的收敛速度和寻优精度,获得了均匀分布的Pareto解集。本文所提算法为求解多目标优化问题提供了一种高效且可靠的解决方案。
文摘针对商用车车架制造商中纵梁以及总装的生产工艺的多样性和生产调度的复杂性,以最小化最大完工时间、物料积压程度和耗电量为优化目标,提出了一个NSGA-Ⅱ和红狐算法的混合算法(hybrid algorithm of non-dominant sorting genetic algorithm and red fox algorithm,HNSGA2RFA),用于解决多目标的柔性流水车间调度问题。通过ROV规则实现GA和RFA的编码转换,并提出了归一化分组策略(normalized grouping strategy)。试验结果表明,HNSGA2RFA算法在优化速度和最优解集数量上均优于原NSGA-Ⅱ算法。
