积分商城

最新搜索： stm32g0 STM32 stm32f030 stk500 HT24LC64 步进驱动器源码
您现在的位置是：首页 > 技术资料 > 一种增强型多目标烟花爆炸优化算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

一种增强型多目标烟花爆炸优化算法

更新时间：2019-12-24 03:01:10 大小：877K 上传用户：zhiyao6查看TA发布的资源 标签：多目标烟花爆炸优化算法 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

现实中多目标优化问题的多样化和复杂化要求发展新的多目标优化算法.在混合多目标进化算法设计思想和新型进化模型的启发下,提出一种增强型多目标烟花爆炸算法eMOFEOA,该算法利用均匀化与随机化相结合的方法生成均匀分布的初始种群,为算法后续搜索提供较好的起始点;对烟花爆炸半径采用精细化控制策略,即不同世代的种群具有不同的爆炸半径,而且同一种群内部因个体支配强度的差异而具有不同的爆炸半径,以节省计算资源;利用简化的k-最近邻方法维持外部档案的多样性.本文算法与另5种对等比较算法一同在12个基准多目标测试函数上进行性能比较,实验结果表明eMOFEOA算法在收敛性、多样性和稳定性上具有总体上显著的性能优势.


部分文件列表

文件名 大小
一种增强型多目标烟花爆炸优化算法.pdf 877K

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
10  
Vol． 45 No． 10  
Oct． 2017  
第
期
电
子
学
报
2017  
10  
ACTA ELECTRONICA SINICA  
年
月
一种增强型多目标烟花爆炸优化算法  
1
1
2
1
1
， ， ， ，  
谢承旺 许 雷 汪慎文 肖 驰 夏学文  
( 1．  
，
华东交通大学软件学院 江西南昌  
330013; 2．  
，
河北地质大学信息工程学院 河北石家庄  
050031)  
:
．
现实中多目标优化问题的多样化和复杂化要求发展新的多目标优化算法 在混合多目标进化算法设计  
摘
要
，
思想和新型进化模型的启发下 提出一种增强型多目标烟花爆炸算法  
eMOFEOA，  
该算法利用均匀化与随机化相结合  
， ; ，  
的方法生成均匀分布的初始种群 为算法后续搜索提供较好的起始点 对烟花爆炸半径采用精细化控制策略 即不同  
， ，  
世代的种群具有不同的爆炸半径 而且同一种群内部因个体支配强度的差异而具有不同的爆炸半径 以节省计算资  
; k- ． 5 12  
源 利用简化的 最近邻方法维持外部档案的多样性 本文算法与另 种对等比较算法一同在 个基准多目标测试  
，
函数上进行性能比较 实验结果表明  
eMOFEOA  
、
算法在收敛性 多样性和稳定性上具有总体上显著的性能优势  
．
:
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
烟花爆炸优化 多目标优化算法 半径精细化控制  
:
TP301  
:
A
: 0372-2112 ( 2017) 10-2323-09  
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 10． 002  
文献标识码  
文章编号  
电子学报  
An Enhanced Multi-objective Fireworks Explosion Optimization Algorithm  
1
1
2
1
1
XIE Cheng-wang ，XU Lei ，WANG Shen-wen ，XIAO Chi ，XIA Xue-wen  
( 1． School of Software，East China Jiaotong University，Nanchang，Jiangxi 330013，China;  
2． School of Information Engineering，Hebei Dizhi University，Shijiazhuang，Hebei 050031，China)  
Abstract: In reality，the diversification and complexity of the multi-objective optimization problems ( MOPs) require  
the development of some novel multi-objective optimization algorithms． Inspired by the hybrid multi-objective evolutionary al-  
gorithms ( MOEAs) and new evolutionary instances，an enhanced multi-objective fireworks explosion optimization algorithm  
( eMOFEOA for short) is proposed to solve the hard MOPs efficiently in the paper． Firstly，the proposed approach uses the ap-  
proach of combining uniformization and randomization to generate an initial population that are scattered uniformly over the  
feasible search space，so that the algorithm can acquire a good beginning for the subsequent iterations． Secondly，a fine control  
strategy of explosion radius is adopted in the eMOFEOA，that is to say，different generation of population has different radius，  
and the different firework in the same generation have different radius based on its strength of Pareto dominace，so as to save  
the computation resource to the maximum extent． Thirdly，a simplified k-nearest neighbor approach is employed to maintain the  
diversity of external archive in the eMOFEOA． The proposed eMOFEOA is compared with the other five peer comparison algo-  
rithms in the performance of convergence and diversity based on 12 benchmark multi-objective test functions，and the experi-  
mental results show that our eMOFEOA has the overall performance advantages in convergence，diversity and stability．  
Key words: fireworks explosion optimization; multi-objective evolutionary algorithm; radius fine-controlled  
， Pareto  
集合 即  
．
解集 由于现实  
MOP  
，
问题十分复杂 使  
1
引言  
．
得经典的数学解析方法难以凑效  
( Evolutionary Algorithm，EA)  
科学研究与工程实践中存在大量需要同时优化多  
进化算法  
是一种随机  
［1］  
，
优化方法 它具有适于解决  
MOP  
问题的一些特征  
:
，
目标目标的问题 这些问题通常被称为多目标优化问  
( 1) EA  
，
算法具有隐含的并行性和群体搜索的特点 使  
( Multi-objective Optimization Problem，MOP) ． MOP  
题
问
Pareto ; ( 2) EA  
最优解  
其在一次运行中能获得多个  
算
，
题一般不存在单个的最优解 而往往是一组折中解的  
: 2016-07-15;  
: 2016-10-21; :  
责任编辑 蓝红杰  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金  
( No． 61763010，No． 61165004，No． 61402481，No． 61663009 ) ;  
( No． 20114BAB201025，No．  
江西省自然科学基金  
20151BAB207022，No． 20161BAB202064) ;  
( ［2013］17 ) ;  
河北省青年拔尖人才支持计划 冀字 号  
( No． F2015403046) ;  
河北省自然科学基金 科学  
( No． GXSCIIP201604) ;  
( No． GJJ12307，No． GJJ14373，No． GJJ150539)  
江西省教育厅科技项目  
计算与智能信息处理广西高校重点实验室  
2324  
2017  
年
电
子
学
报
MOP  
，
问题的数学性质不作特别要求 它可以  
，
长的子区间 初始代个体在任一基因位上的取值需首  
法对待解  
．
处理各种类型的目标函数和约束条件 因此  
EA  
，
先随机选定子区间 然后再在选定的子区间内产生随  
算法被  
MOP  
，
．
机值而获得 均匀划分后的各子区间有且仅有一次机  
广泛地用于  
的多 目 标 进 化 算 法  
rithm，MOEA) ．  
问题的求解 并由此产生了各具特色  
( Muli-objective Evolutionary Algo-  
，
会产生基因值 这样可在最大程度上保证初始群体基  
． 1  
因的多样化 算法 给出了种群多样性的初始化算法的  
．
MOEAs  
NS-  
流程  
典型的  
包括基于非劣排序的遗传算法  
［2］  
［3］  
GA  
NSGA-II  
，
强 度  
Pareto  
及 其 改 进 版  
进 化 算 法  
［4］  
［5］  
1
算法  
种群多样性的初始化方法  
SPEA  
SPEA2  
． ，  
等 随后 一些新的进化机  
及其改进版  
，
制陆续被引入到多目标优化领域 例如基于粒子群优  
( Particle Swarm Optimization，PSO) MOPSO  
算
:
N， x ( j ［1: n］)  
输入 种群的规模 决策向量的维度 各决策变量 ∈ 的  
j
n，  
化
模型的  
［a ，b］．  
区间  
j
j
［6］  
［7］  
OMOPSO  
，
基 于 分 解 技 术 的  
法
以及 改 进 的 算 法  
:
．
输出 多样性的初始群体  
Step1 FOR j = 1 TO n  
Step2 = ( b － a ) /N / /  
［8］  
MOEA/D  
．
等
算法  
［9］  
x
将决策变量 的区间均匀划分成  
j
N
等
△
j
j
j
2010 ，Tan  
年
等
通过模拟烟花爆炸中炸点的扩散  
( Fireworks Explo-  
．
份
机制提出了一种新颖的烟花爆炸算法  
Step3  
={ ［a ，a + ］，［a +  
△
j
，a + 2 ］，…，  
△
j
Λj  
△
j
j
j
j
j
sion Algorithm，FEA) ．  
，
由于烟花弹爆炸时 释放出的火  
［a + ( N － 2)  
j
，a + ( N － 1)  
j
］，  
△
j
△
j
j
( )  
星散布在以烟花弹 炸点 为中心的一个圆形邻域内  
，
［a + ( N － 1)  
j
，b ］} ．  
j
△
，
如果将该邻域视为问题的一个局部区域 爆炸产生的  
Step4  
Step5  
FOR i = 1 TO N  
，
从集合 Λj 中随机选择一个子区间 并在该子区间内随  
，
火星视为区域内的点 那么一次爆炸就类似于对局部  
i
x ．  
j
机产生一个基因值赋给  
．
区域的一次探索 这种探索可看成是在解空间中对该  
Step6  
: Step5  
更新集合 Λj 从集合 Λj 中删除在 中已选中的子  
． ，  
炸点附近的一次局部搜索 遗憾的是 目前大部分关于  
．
区间  
END FOR  
END FOR  
输出多样性的初始种群  
FEA FEA  
算法的研究集中在对基本  
算法的改进以及混  
算法的设计上 较少涉及到多目标烟花爆炸算  
Step7  
Step8  
Step9  
FEA  
，
合
［10］  
1 2 N  
{ x ，x ，…，x } ．  
． 2013 ，Zheng  
法的研究  
进化算法相结合 提出一种混合的多目标烟花爆炸算  
( Multi-objective Fireworks Explosion Algorithm，  
年
等
将烟花爆炸算法与差分  
，
这种初始化方法既保持了选取子区间以及从子区  
法
，
间中产生基因值的随机性 又保证了决策变量区间划  
MOFEA)  
．
以求解精准农业中油料作物的施肥问题 谢  
［11］  
，
分的均匀性 算法执行的结果可获得一组在决策空间  
FEA  
等
将精英反向学习机制引入  
MOP  
算法以解决现实  
，
中均匀分布的初始解点 这就为算法的搜索提供了一  
， ．  
问题 取得了较好的效果  
中复杂的  
本文在已有研究的基础上 提出一种增强型多目  
( Enhanced Multi-objective Fireworks Ex-  
．
，
个良好的开端  
2． 2  
烟花爆炸半径精细化控制  
标烟花爆炸算法  
:
基于烟花爆炸优化的方式如下 首先利用算法  
1
产
plosion Optimization Algorithm，eMOFEOA) ，eMOFEOA  
算
N ，  
生规模为 的初始种群 即确定第一次爆炸的炸点位  
/
法与已有单 多目标  
FEA  
: ( 1)  
利
算法的不同之处在于  
， ． ， n  
置 用以表征问题的初始解 例如 在 维搜索空间的第  
; ( 2)  
用均匀化与随机化相结合的方式初始化种群 对烟  
花爆炸半径进行精细化控制 不同世代的烟花群体具  
i
x = ( x ，x ，…，x ) ，  
个炸点可表示为 并设炸点执行  
i
，
i，1  
i，2  
i，n  
r，  
均匀爆炸且预设的最大爆炸半径为 即火星最大散开  
，
有不同的爆炸半径 相同世代的烟花个体因其支配强  
．
区域 若炸点爆炸的层数为  
w，  
那么每一层爆炸半径则  
; ( 3)  
度的差异而具有不同的爆炸半径  
采用一种简化的  
j·r/w ( j = 1，2，…，w) ．  
FEA  
算法一般将爆炸  
为
已有  
k- ．  
最近邻方法维持档案群体的多样性 上述三种策略有  
r
半径 设置为随迭代次数的增加而呈非线性递减的方  
，
机结合 以增强算法求解复杂  
MOP  
．
问题的性能  
， ，  
式 以保证算法在初期可以执行全局勘探 而在算法末  
2
eMOFEOA  
算法  
．
期执行最优前沿附近的局部精确搜索  
2． 1  
种群初始化方法  
，
需要指出的是 现有烟花爆炸半径的变化仅局限  
EA  
，
算法的性能有重要影响 为  
初始种群分布性对  
MOEA  
，
于对烟花的群体采用逐代递减的策略 而并未考虑到  
，
算法的解题性能 这里采用我们此前提出  
提高  
同一世代的烟花弹因其支配强度的差异而赋予不同的  
［12］  
．
． ， ，  
爆炸半径 例如 在复杂多目标优化环境下 对于相同世  
的一种均匀化与随机化相结合的方法初始化种群  
x
该方法的原理是将决策向量 中任意一维决策变量  
x
， ，  
代的烟花弹 非支配个体相对具有较好的质量 它们更  
i
( i = 1，2，…，n)  
Pareto  
， ;  
前沿 而应在较小的邻域内进行求精 而那  
均匀划分成与种群规模相等的若干等  
靠近  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号