胡烜
- 作品数：3 被引量：8H指数：2
- 供职机构：浙江工业大学信息工程学院更多>>
- 发文基金：浙江省自然科学基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 关联变量分组的分解多目标进化算法及其应用被引量：2
- 2018年
- 含有大规模决策变量的优化问题是当前多目标进化算法领域中的研究热点和难点之一.为有效解决大变量优化问题,设计了关联变量识别和分组策略,并结合MOEA/D算法,提出一种关联变量分组的分解多目标进化算法(MOEAD/IVG).该算法通过识别决策变量间内在的关联信息来把关联变量分配到同组中,从而将复杂高维变量的优化问题分解为简单低维的子问题来分组优化.算法通过增加关联变量分配到同组中的概率以尽可能地保留变量间的关联性,减少分组后子问题间的依赖性,从而提高子问题最优解的质量并最终获得最佳的Pareto最优解集.将该算法应用于通信系统中用户功率优化控制的工程问题,仿真实验结果表明了MOEAD/IVG算法的有效性,无论是求解精度还是运行效率,整体上都优于其他的多目标进化算法RVEA、MOEA/D、MOPSO和NSGA-Ⅱ.
- 邱飞岳胡烜王丽萍
- 关键词：功率控制
- 关联变量分组的分解多目标进化算法研究被引量：1
- 2017年
- 含有大规模决策变量的优化问题是当前多目标进化算法领域中的研究热点和难点之一。在解决大规模变量问题时,目前的进化算法并没有寻找决策变量之间的关联信息,而都只是将所有变量视为一个整体来进行优化。但随着优化问题中决策变量的增多,"变量维度"成为瓶颈,从而影响算法的性能。针对上述问题,提出关联变量分组策略,通过识别决策变量间内在的关联信息把关联变量分配到同组中,将复杂高维变量的优化问题分解为简单低维的子问题来求解。该策略通过增加关联变量分配到同组中的概率来使算法尽可能地保留变量之间的关联性,减少分组后子问题间的依赖性,从而提高子问题最优解的质量并最终获得最佳的Pareto最优解集。将该算法在标准测试函数上进行变量扩展后再进行仿真对比实验,采用性能指标对算法的收敛性和多样性进行对比分析。实验结果表明,该算法在解决大规模变量的多目标优化问题中,随着决策变量维度的增加,比经典的多目标进化算法NSGA-II、MOEA/D以及RVEA具有更佳的收敛和更好的分布性能,所求得的Pareto解集质量更高。
- 邱飞岳胡烜王丽萍
- 分组分解的多目标粒子群进化算法研究被引量：6
- 2017年
- 粒子群算法在求解多目标问题时具有收敛速度快、计算代价小等优点,尤其在局部最优搜索上的速度优势而被众多研究者所青睐.本文在粒子群算法的基础上提出一种新的分组策略即将分组分解融合到多目标粒子群算法中以提高邻域局部搜索的速度.该算法根据个体到权重矢量的距离大小以及各个聚合函数值进行最佳的分组匹配,并动态利用粒子群算法来增强局部搜索能力从而得到Pareto最优解集.在仿真实验中,将该算法应用于ZDT和DTLZ测试函数中进行性能测试,并与NSGAII、M OPSO、M OEA/D和REVA算法进行比较.实验结果表明,与其他四种算法相比,该算法的收敛性能更优,分布性能更好,所获Pareto最优解集的质量更高.
- 邱飞岳胡烜王丽萍周欢
- 关键词：多目标优化粒子群优化局部搜索
