针对多目标狼群算法存在的搜索不充分、收敛性不足和多样性欠缺的问题,以及缺少对约束进行处理的问题,提出环境选择的双种群约束多目标狼群算法(multi-objective wolf pack algorithm for dual population constraints with environment...针对多目标狼群算法存在的搜索不充分、收敛性不足和多样性欠缺的问题,以及缺少对约束进行处理的问题,提出环境选择的双种群约束多目标狼群算法(multi-objective wolf pack algorithm for dual population constraints with environment selection,DCMOWPA-ES)。引入双种群约束处理方法给种群设置不同的搜索偏好,主种群运用可行性准则优先保留可行解,次种群通过ε约束探索不可行区域并将搜索结果传递给主种群,让算法能较好应对复杂的不可行区域,保障算法的可行性;提出维度选择的随机游走策略,使人工狼可自主选择游走方向,提高种群的全局搜索能力;设计精英学习的步长调整机制,人工狼通过向头狼学习的方式提升种群的局部搜索能力,确保算法的收敛性;采用环境选择的狼群更新策略,根据人工狼被支配的情况和所处位置的密度信息对其赋值,选择被支配数少且密度信息小的人工狼作为优秀个体,改善算法的多样性。为验证算法性能,将DCMOWPA-ES与六种新兴约束多目标优化算法在两组约束多目标测试集和汽车侧面碰撞设计问题上进行对比实验。实验结果表明,DCMOWPA-ES算法具备较好的可行性、收敛性和多样性。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
针对多目标萤火虫算法在解决高维多目标优化问题时存在Pareto支配失效、寻优能力弱和收敛速度慢的问题,提出了参考点引导和多策略协同的高维多目标萤火虫算法(many-objective firefly algorithm based on reference point guidance and ...针对多目标萤火虫算法在解决高维多目标优化问题时存在Pareto支配失效、寻优能力弱和收敛速度慢的问题,提出了参考点引导和多策略协同的高维多目标萤火虫算法(many-objective firefly algorithm based on reference point guidance and multiple cooperative strategies,Ma OFA-RR).该算法在目标空间中预设一组均匀分布的参考点,通过萤火虫与参考点之间的距离关系,划分出引导萤火虫和普通萤火虫,以取代Pareto支配,增大选择压力;使用3种进化策略对萤火虫进行位置更新,引导萤火虫对局部空间进行探索,普通萤火虫根据距离阈值分别向引导萤火虫学习或对全局空间进行探索,提升算法的寻优能力和收敛速度;最后,算法融合反向学习思想,扩大种群搜索范围,提高发掘更优解的可能.将Ma OFA-RR与8种新近高维多目标进化算法进行比较,实验结果表明,Ma OFA-RR在处理高维多目标优化问题时具有高效的性能.展开更多
文摘针对多目标狼群算法存在的搜索不充分、收敛性不足和多样性欠缺的问题,以及缺少对约束进行处理的问题,提出环境选择的双种群约束多目标狼群算法(multi-objective wolf pack algorithm for dual population constraints with environment selection,DCMOWPA-ES)。引入双种群约束处理方法给种群设置不同的搜索偏好,主种群运用可行性准则优先保留可行解,次种群通过ε约束探索不可行区域并将搜索结果传递给主种群,让算法能较好应对复杂的不可行区域,保障算法的可行性;提出维度选择的随机游走策略,使人工狼可自主选择游走方向,提高种群的全局搜索能力;设计精英学习的步长调整机制,人工狼通过向头狼学习的方式提升种群的局部搜索能力,确保算法的收敛性;采用环境选择的狼群更新策略,根据人工狼被支配的情况和所处位置的密度信息对其赋值,选择被支配数少且密度信息小的人工狼作为优秀个体,改善算法的多样性。为验证算法性能,将DCMOWPA-ES与六种新兴约束多目标优化算法在两组约束多目标测试集和汽车侧面碰撞设计问题上进行对比实验。实验结果表明,DCMOWPA-ES算法具备较好的可行性、收敛性和多样性。
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。
文摘针对多目标萤火虫算法在解决高维多目标优化问题时存在Pareto支配失效、寻优能力弱和收敛速度慢的问题,提出了参考点引导和多策略协同的高维多目标萤火虫算法(many-objective firefly algorithm based on reference point guidance and multiple cooperative strategies,Ma OFA-RR).该算法在目标空间中预设一组均匀分布的参考点,通过萤火虫与参考点之间的距离关系,划分出引导萤火虫和普通萤火虫,以取代Pareto支配,增大选择压力;使用3种进化策略对萤火虫进行位置更新,引导萤火虫对局部空间进行探索,普通萤火虫根据距离阈值分别向引导萤火虫学习或对全局空间进行探索,提升算法的寻优能力和收敛速度;最后,算法融合反向学习思想,扩大种群搜索范围,提高发掘更优解的可能.将Ma OFA-RR与8种新近高维多目标进化算法进行比较,实验结果表明,Ma OFA-RR在处理高维多目标优化问题时具有高效的性能.
