针对包含复杂约束条件的约束多目标优化问题(CMOP),在确保算法满足严格约束的同时,有效平衡算法的收敛性与多样性是重大挑战。因此,提出一种双种群双阶段的进化算法(DPDSEA)。该算法引入2个独立进化种群:主种群和副种群,并分别利用可行...针对包含复杂约束条件的约束多目标优化问题(CMOP),在确保算法满足严格约束的同时,有效平衡算法的收敛性与多样性是重大挑战。因此,提出一种双种群双阶段的进化算法(DPDSEA)。该算法引入2个独立进化种群:主种群和副种群,并分别利用可行性规则和改进的epsilon约束处理方法进行更新。在第一阶段,主种群和副种群分别探索约束Pareto前沿(CPF)与无约束Pareto前沿(UPF),从而获取UPF和CPF的位置信息;在第二阶段,设计一种分类方法,根据UPF与CPF的位置对CMOP进行分类,从而对不同类型的CMOP执行特定的进化策略;此外,提出一种随机扰动策略,在副种群进化到CPF附近时,对它进行随机扰动以产生一些位于CPF上的个体,从而促进主种群在CPF上的收敛与分布。把所提算法与6个具有代表性的算法:CMOES(Constrained Multi-objective Optimization based on Even Search)、dp-ACS(dual-population evolutionary algorithm based on Adaptive Constraint Strength)、c-DPEA(DualPopulation based Evolutionary Algorithm for constrained multi-objective optimization)、CAEAD(Constrained Evolutionary Algorithm based on Alternative Evolution and Degeneration)、BiCo(evolutionary algorithm with Bidirectional Coevolution)和DDCMOEA(Dual-stage Dual-population Evolutionary Algorithm for Constrained Multiobjective Optimization)在LIRCMOP和DASCMOP两个测试集上进行实验比较。实验结果表明,DPDSEA在23个问题中取得了15个最优反转世代距离(IGD)值和12个最优超体积(HV)值,展现了DPDSEA在处理复杂CMOP时显著的性能优势。展开更多
针对差分进化算法在应对多模态复杂优化问题时面临种群多样性丧失和过早收敛的缺陷,提出了一种基于自扰动和极性维度交互的自适应差分进化算法(Adaptive Differential Evolution Based on Self-guided Perturbation and Extreme Dimensi...针对差分进化算法在应对多模态复杂优化问题时面临种群多样性丧失和过早收敛的缺陷,提出了一种基于自扰动和极性维度交互的自适应差分进化算法(Adaptive Differential Evolution Based on Self-guided Perturbation and Extreme Dimension Exchange,APE-DE)。首先,设计了一种自扰动补偿策略,通过个体的空间位置来引导其搜索方向,有效避免了算法易陷入局部最优的困境。然后,提出了一种极性维度交互策略,用于提升算法多样性,一旦种群被检测出停滞,将启动相应的增强方案。最后,提出了一种自适应参数控制策略,通过小波基函数和适应度分布偏差信息实时捕捉种群适应度的变化,并据此动态调整算法参数。为了验证APE-DE的性能,在被广泛使用的IEEE CEC2017数据集上进行了实验,以验证算法面对多模态及复杂测试环境下的性能。实验结果表明,与8种最先进的差分进化变体相比,APE-DE在收敛精度和收敛速度方面均展现出了显著的优势。此外,为了评估APE-DE在解决现实问题中的有效性,将所提算法应用于光伏模型的参数识别问题。展开更多
文摘针对包含复杂约束条件的约束多目标优化问题(CMOP),在确保算法满足严格约束的同时,有效平衡算法的收敛性与多样性是重大挑战。因此,提出一种双种群双阶段的进化算法(DPDSEA)。该算法引入2个独立进化种群:主种群和副种群,并分别利用可行性规则和改进的epsilon约束处理方法进行更新。在第一阶段,主种群和副种群分别探索约束Pareto前沿(CPF)与无约束Pareto前沿(UPF),从而获取UPF和CPF的位置信息;在第二阶段,设计一种分类方法,根据UPF与CPF的位置对CMOP进行分类,从而对不同类型的CMOP执行特定的进化策略;此外,提出一种随机扰动策略,在副种群进化到CPF附近时,对它进行随机扰动以产生一些位于CPF上的个体,从而促进主种群在CPF上的收敛与分布。把所提算法与6个具有代表性的算法:CMOES(Constrained Multi-objective Optimization based on Even Search)、dp-ACS(dual-population evolutionary algorithm based on Adaptive Constraint Strength)、c-DPEA(DualPopulation based Evolutionary Algorithm for constrained multi-objective optimization)、CAEAD(Constrained Evolutionary Algorithm based on Alternative Evolution and Degeneration)、BiCo(evolutionary algorithm with Bidirectional Coevolution)和DDCMOEA(Dual-stage Dual-population Evolutionary Algorithm for Constrained Multiobjective Optimization)在LIRCMOP和DASCMOP两个测试集上进行实验比较。实验结果表明,DPDSEA在23个问题中取得了15个最优反转世代距离(IGD)值和12个最优超体积(HV)值,展现了DPDSEA在处理复杂CMOP时显著的性能优势。
文摘针对差分进化算法在应对多模态复杂优化问题时面临种群多样性丧失和过早收敛的缺陷,提出了一种基于自扰动和极性维度交互的自适应差分进化算法(Adaptive Differential Evolution Based on Self-guided Perturbation and Extreme Dimension Exchange,APE-DE)。首先,设计了一种自扰动补偿策略,通过个体的空间位置来引导其搜索方向,有效避免了算法易陷入局部最优的困境。然后,提出了一种极性维度交互策略,用于提升算法多样性,一旦种群被检测出停滞,将启动相应的增强方案。最后,提出了一种自适应参数控制策略,通过小波基函数和适应度分布偏差信息实时捕捉种群适应度的变化,并据此动态调整算法参数。为了验证APE-DE的性能,在被广泛使用的IEEE CEC2017数据集上进行了实验,以验证算法面对多模态及复杂测试环境下的性能。实验结果表明,与8种最先进的差分进化变体相比,APE-DE在收敛精度和收敛速度方面均展现出了显著的优势。此外,为了评估APE-DE在解决现实问题中的有效性,将所提算法应用于光伏模型的参数识别问题。
