将粒子群算法与局部优化方法相结合,提出了一种混合粒子群多目标优化算法(HMOPSO)。该算法针对粒子群局部优化性能较差的缺点,引入多目标线搜索与粒子群算法相结合的策略,以增强粒子群算法的局部搜索能力。
卫星数传调度问题具有任务多、资源少、调度约束复杂等特点,为满足多目标优化调度的理论和现实需要,提出了多目标卫星数传调度蚁群优化算法。算法建立了基于任务调度关系的解构造图,提出了用于可行解构造的自适应伪
针对区间多目标优化问题,利用云模型对NSGA-II算法进行改进,提出一种非支配排序云模型算法(NSCMA)。首先,从初始云团中随机选取一个云滴作为父代,通过正态云算子生成子代云滴,用来替代传统NSGA
给出了求解多目标优化问题的一个新算法。首先利用极大熵函数,将多目标优化问题转换为一个单目标优化问题;然后利用和声搜索算法对其进行求解,进而得到多目标优化问题的有效解。该算法对目标函数的解析性质没有要求
提出了基于动态聚集距离 ( DCD)的分布性保持策略 ,利用个体在不同维目标上聚集距离的差异程度来定义 DCD,并在种群维护中动态地计算 DCD。与目前经典算法 NSGA-II和ε -MOEA进行比较
多目标优化问题及其算法的研究 摘要 多目标优化问题 (MOP) 由于目标函数有两个或两个以上 其解通常是一组 Pareto 最优 解传统的优化算法在处理多目标优化问题时不能满足工业实践应用的需要 随着
将离散空间的问题求解的蚁群算法引入连续空间
基于进化多目标优化的自步学习方法研究,李豪,公茂果,自步学习是最近提出的一种新的机器学习技术。自步学习模仿了人的学习过程。人类在学习的时候总是从简单的概念学起,然后再慢慢地��
基于免疫系统中克隆选择原理,提出了一种多目标克隆选择算法MCSA。该方法只对部分当前所得到的Pareto最优解进行进化操作,所求得的Pareto最优解保留在一个不断更新的外部记忆库中,并选用一种简单的
为了更好地满足云计算中用户的服务质量(qualityofservice,QoS)需求,合理利用云数据中心的资源,以任务的执行时间和虚拟机的负载均衡作为优化的目标对象,提出了一种基于烟花算法(firew