当前位置：文档之家› 最新高维多目标进化算法总结

最新高维多目标进化算法总结

高维多目标进化算法

二、文献选读内容分析及思考

（一）Borg算法

Borg算法是基于ε-MOEA算法（Deb，2003）的一种全新改进算法[32]，下面将从创新点、原理、算法流程和启发思考四方面进行阐述。

1.创新点

1）在ε支配关系的基础上提出ε盒支配的概念，具有能同时保证算法收敛性与多样性的特点。

2）提出了ε归档进程，能提高算法计算效率和防止早熟。

3）种群大小的自适应调整。

4）交叉算子的自适应选择。由于处理实际问题时，是不知道目标函数具有什么特性，前沿面如何，在具有多个交叉算子的池子里，根据进程反馈，选择不同的交叉算子，使产生的后代具有更好的特性针对要研究的问题。

2. Borg算法原理

1）ε盒支配：通过对目标空间向量的每一维除以一个较小的ε，然后取整后进行pareto支配比较。这样的支配关系达到的效果是把目标空间划分成以ε为边长的网格（2目标时），当点处于不同的网格时，按pareto支配关系比较；当处于同一网格时，比较哪个点距离中心点（网格最左下角）最近。这样一来，网格内都只有一个点。

2）ε归档进程

如图1所示，黑点表示已经归档的，想要添加到档案集的新解用×表示，阴影表示归档解支配的区域。当新解的性能提升量超过阈值ε才属于ε归档进程。比如解1、解2加入归档集属于ε归档进程，解3加入归档集就不属于ε归档进程。

图1 ε支配网格

在这个过程中设置了一个参数c，表示每一代中加入归档集解得个数，每隔一定迭代次数检测c有没有增加，如果没有增加表明算法停滞，重启机制启动。

3）重启

自适应种群大小：重启后的种群大小是根据归档集的大小设置。γ表示种群大小与归档集大小的比值，这个值也用于第二步中，如果γ值没超过1.25，重启机制也启动。启动后，γ人为设定为固定值，种群被清空，填充归档集的所有个体，不足的个体是随机选取归档集中个体变异所得。与之相匹配的锦标赛比较集大小是归档集大小乘以固定比值τ。

4）交叉算子的自适应选择

摒弃以往采用单一的交叉算子，采用包含各类交叉算子的池子，比如有K

种交叉算子，选择概率最开始是相等的，设n表示各类交叉算子产生的后代属于ε归档进程所得个数，个数越多，选取相应交叉算子的概率就越大，逐渐趋于选择解决未知现实问题的交叉算子。

3. Borg算法总体流程

通过交叉算子的自适应选择选择一种交叉算子，假设所选交叉算子需要K 个父代，1个父代在归档集中按均匀分布选择，K-1个父代从种群中按锦标赛选择（大小按上述第3步中计算），交叉产生一个后代，如果这个后代pareto支配种群中一个或多个个体，则随机的取代一个；如果被种群中的任一个体支配，则不能加入种群；如果互不支配，也是随机的取代种群中的一个。而加入归档集，是按照上述第2步实施的。如此循环一定代数之后，看达没达到第3步重启的条件，达到则重启过程开始，直至满足终止条件。

4. 思考

1）ε盒支配时，同一网格内的点只是比较离中心点距离最近的，这就有一个不足，最近的不一定是非支配解，离的远的点有可能还支配它，我觉得还需要比较一下哪个解优的目标维数多。

2）设计一种云交叉算子，加入到交叉算子的池子里，或是参数控制云交叉算子替换其中的能达到类似效果的几种算子，便于统一。

（二）基于模糊支配的高维多目标进化算法

1.算法简介

基于模糊支配的高维多目标进化算法[33]是对模糊支配关系的一种改进，2005年M. Farina首次提出的模糊支配，其隶属函数是一条正态分布函数，如图2所示，而此文的隶属函数是一条半正态分布函数，表达的概念更加清晰。

图2 正态隶属函数

对于最小化问题，归一化后的解A（a1,a2,...,a M），B（b1,b2,...,b M）如果目标向量的某一维上的差量（a i-b i）达到-1，则a i好于b i的程度为1，即pareto支配关系下a i支配b i；如果差量（a i-b i）是1，则pareto支配关系下b i支配a i。A模糊支配B程度为每一维差量映射下的隶属度之积，与种群中其他解进行比较，所得隶属度相加即为A解在整个中群众的性能好坏程度，相当于NSGA-II中的非支配排序，只是这里的等级程度更加细分，然后还得设置一个阈值α，即模糊支配隶属度达到多少才能是最优解，也就是NSGA-II中的非支配排序等级为1的解。设定这个值是关键，此文献也对这个值得选取进行了实验说明，针对不同的问题选取不同的值，但是还没能达到根据问题特性自适应调整。

2. 思考

1）既然隶属度函数不是一成不变的，想用云模型确定隶属度，借鉴张国英

《高维云模型及其在多属性评价中的应用》构造一M维云模型，它的作用是输入M维差量映射为一维的模糊支配隶属度u，无需像上文中求出每一维隶属度再相乘。

2）由于阈值α不好确定，可不可以根据归档集的大小取前N个，找到使个体数量大于等于N的u值为α。

（三）基于网格支配的高维多目标进化算法

GrEA[34]也是针对ε-MOEA算法进行改进的，作者认为ε-MOEA算法中的网格划分是基于个体的，如果个体分配不均匀，也就不能得到分布性好的最优前沿，而且网格的大小也不能随着目标空间的特性而自适应调整。

1.支配关系创新

grid-dominance，这种支配关系是基于空间区域划分网格，就是在当代种群中找出每一个目标函数上的最大值与最小值（下图上行），然后根据这两个值计算出这个目标函数的网格上下界值（下图下行）。人为设定每一个目标函数需划分的段数div,是一个固定的值，这样就使得收敛性与多样性的要求随着算法进程自适应调整，比如说刚开始时目标空间的个体分布比较广，就需要大的网格来选择个体，随着算法深入，个体更加集中于Pareto前沿区域，就需要小的网格区分个体，更加强调个体的多样性，因此这样动态的网格划分更能体现算法的进程。另外，ε-支配强调个体生死，只有非支配才能加入归档集；而grid dominance不同，它更强调个体的先后，非支配个体只是先于支配个体进入归档集，支配个体还是有机会加入归档集，这在一定程度上保留了边界点，而ε-MOEA算法会丢失边界点。

图3 网格分段示意图

2.适应度值指派创新

本文提出了适应度值指派的三个指标grid ranking (GR)、grid crowding distance (GCD)和grid coordinate point distance(GCPD)，GR和GCPD是收敛性评价指标，GCD是多样性评价指标，网格指标如图4所示。

GR表示个体所处网格各维目标函数坐标之和，相当于将目标向量各维相加，只不过这里是将函数值映射为所处网格坐标值之和。比如下图A点的网格坐标为（0,4），则GR=0+4=4。

GCD是网格拥挤距离，以往的网格拥挤距离都是在一个网格之内的，这样就不能反映分布性了，此处的GCD还考虑临近网格的个体，用网格坐标的差量之和评估，之和越小的GCD值就越大，多样性就越差。如下图C的邻居是B、D，F的邻居是E、G。

GCPD表示的是同一网格内与中心点的距离，这一点与ε-MOEA中相同。比较的先后准则是GR，GR相同比较GCD，GR、GCD都相同则比较GCPD。

图4 网格指标示意图

3.归档策略的改进

以往的归档策略都是基于适应度值的支配关系选择删除，这样会导致解集多样性的缺失，因为相邻的点具有相似的适应度值，会使他们同时被选择或删除，比如上图的E、F、G，这样多样性会得不到保证。本文作者对归档策略进行了改进，就是当一个个体加入归档集时，在归档集中和它相关的个体GR值会受到惩罚，相关的个体包括：1.处于同一网格坐标 2.被网格支配的 3.邻域个体，惩罚力度依次减小。

（四）基于坐标转换的高维多目标进化算法

针对原始的密度评估算子在高维多目标中会出现不能很好的兼顾收敛性与多样性，解集往往会有很好的多样性而收敛性差的缺点，论文设计了一种包含收敛性的密度评估算子shift-based density estimation (SDE)[35]。比如图5中的A点，按照基于pareto支配的多目标优化算法来看，是非支配解切多样性好于B、C、D，但很明显得看出A点收敛性不及BCD。SDE是将各维目标函数上小于A点对应维的值转化为A点那一维的函数值，如下图所示。转换之后A点的密度值较大，而BCD密度值较小，符合所考虑的情况

图5 坐标转换示意图

从图6的四图中可以看出，只有收敛性和多样性都好的个体，其SDE值小，即其值不仅体现密度信息，而且将收敛性信息也包含在内。SDE是一种通用的密度评估算子，可以将其植入NSGA-II，SPEA2和PESA-II中。

图6 拥挤密度示意图

（五）基于角点排序的高维多目标进化算法

本文是在非支配排序上的改进。在高维多目标优化问题中，随着目标维数的增加，非支配解之间的比较次数是非常大的，因此论文提出了角点支配。所谓的角点指的是在M维目标空间中只考虑其中k个目标，在本文中只考虑一个目标函数上的，因为在一个目标函数上最好的点肯定是非支配解。二维、三维角点分别如下图所示。

图7 二维、三维角点示意图

找到角点后，所有被角点支配的点就不用比较了，大大减少评价次数。而且本文还指出非支配解排序的比较次数应该是精确到每一维的目标函数的比较上，因为每两个解之间目标函数的比较次数从2到M，也就是说不同的两个解之间比较所花费的计算量是不同的，只计算一个解与其他解的比较次数是不对的。角点支配排序大致过程如图8所示。

图8 角点非支配排序

图8是2维目标函数的情况，首先得找出每一维目标函数上最好的点，如上

图A 中的白点，标记他们所支配的点如上图阴影区域，这些点在当前等级中就不考虑排序了，在剩下的点中再寻找两个角点，直到将所有的点都标记，如图B ，B 中白点表示等级1，等级2、3依次进行。

（六）NSGA-III 算法系列文献

1. MO-NSGA-II

为了适合解决高维多目标问题，Kalyanmoy Deb 针对NSGA-II 的缺点，提出了MO-NSGA-II （many-objective NSGA-II ），这是NSGA-III 的雏形。MO-NSGA-II 的基本框架和NSGA-II 差不多，不同之处在于精英选择机制上，因为原有的选择机制对快速增加的非支配解已经没有选择压力。MO-NSGA-II 是一种基于参考点的多目标算法，放置分布性好的参考点，使得到的非支配解靠近这些参考点，就能得到分布性好的最优前端。

让我们回顾一下NSGA-II ，有一个大小为N 的当前种群P t ，由他产生的子代种群Q t ，大小也为N ，然后对P t 、Q t 的合集R t 进行快速非支配排序F 1、F 2...Fi,将这些点按等级加入下一代种群P t+1，通过对F l 中个体计算拥挤距离按降序排列，依次加入P t+1，直到种群大小为N 。

参考点的设置就是从这里开始，取代原有的拥挤距离。均匀分布的参考点可以通过一些特定的系统产生。

1）超平面的建立。设F1、F2...Fi 的合集为St ，在这个集合中找到每一个目标函数值最小的点组成理想点min min min min 12(,,...,)M z z z =z ，将目标函数值转化为相对的

min ()=()z i i i f f -u u ‘

，然后种群中的点通过一个聚集函数求最小值（它是相对于在某一维坐标轴上的参考点的）把它当成这一维的端点，通过这M 个端点构造超平面，根据这个超平面重新计算参考点，这个超平面在每一代中都不同，所以它是可以根据种群特性自适应调整。

2）选取低拥挤度的解。为了确定解集拥挤度，需要把所有的点投影到超平面上（如图9左图），找到与之距离最近的参考点，这样每个参考点就会有一定数量的解与之相关联（如图9右图）。选择参考点周围个体最少的参考点，选出F i 解集中在这个参考点下ASF 最小的点加入P t+1。再选出个体数次最少的参考点，选出F i 解集中在这个参考点下ASF 最小的点加入P t+1，直到加满P t+1。

图9 关联操作 3）锦标赛选择。当P t+1形成，用锦标赛方法产生后代Q t+1，具体操作是从P t+1任意挑选两个解，比较策略是如果一个解的非支配等级小于另一个解，选择前一个解；如果同处一个非支配等级但是所属参考点的拥挤度不同，选拥挤度小的点；如果非支配等级和所属参考点的拥挤度都相同，则选ASF 值小的。然后采用模拟二进制交叉算子，产生后代Q t+1，然后在合并进行第一步，依次循环。

2. NSGA-III

本文作者针对上文提出的MO-NSGA-II 作了适当改进，提出了NSGA-III 。

1）超平面的建立。与上文不同的是，本文将超平面进行了归一化处理，找到基于坐标轴上的参考点的每一维端点max z 后，还必须将组成的超平面延伸相交于f i ，坐标系，截距为a i ，如图10所示。

图10 端点归一化示意图 2）个体与参考点的关联操作。上文中是将个体投影到超平面上，而此文是个体与参考线方向的垂直距离（参考线方向是参考点与理想点的连线方向），如图11所示。

图11 关联操作 3）小生境保留操作。此处本文与上文有个很大不同，本文只计算排除F i 的S t ，的小生境数，选出围绕参考线个体为0的参考线，如果有多条则任选一条，即0j

ρ-=，这样Fi 个体就有两种情况。第一，F i 中有一到多个个体与参考点j 相关联，这样就选一个与参考点j 垂直距离最短的个体加入下一代种群P t+1，j

ρ-加1。第二，如果，F i 中没有个体与参考点j 相关联，则这个参考点在当前代就不用考虑了。如果0j ρ->，则从F i 中与参考点j 相关联的个体集合中任选一个，，j ρ-加1。重新调整小生境数，直到加满P t+1。

3. C-NSGA-III

上文提出的NSGA-III 是处理无约束的问题，本文为处理约束条件，对NSGA-III 进行了改进。

1）精英选择操作上的改进，用约束支配取代pareto 支配，和NSGA-II 为处理约束条件的约束支配原则是一样。此时的种群一般既有可行解，还有不可行解，如果可行解的个数f N N ≤，那么还需要从具有最小约束违反度的不可行解中选取个体加满P t+1；如果f N N >，则按照无约束的NSGA-III 精英选择操作进行，接着也要用P t+1中可行解更新理想点和端点。

2）子代种群生成。锦标赛选取规则是任选两个解，如果一个可行解，一个不可行解，选可行解；如果都是不可行解，选约束违反度小的；如果都是可行解，任选一个；这样选择出一个父代，再进行一次，选出另一个父代，模拟二进制交叉，然后变异。

但是通过实验发现上述算法有个不足，由于约束条件的存在，可行区域可能只是整个区域的一小部分，然而参考点是均匀的分布在目标向量空间，导致不是每个参考方向都能与最有前沿面相交，也就是说有一部分参考点是没用的，而用到的参考点会与多个个体相关联，又不能达到好的分布性，如图12所示。

图12 参考点自适应调整这就涉及到一个问题：如何使所有的参考点能均匀分布在可行区域上，理想的方法是能分配所有的参考点均匀地分布在最优前沿面，但是对于不同的问题最优前沿面是未知的。于是本文作者提出了自适应的NSGA-III ，叫做A-NSGA-III ，让它能够自适应鉴别出无用的参考点然后分配他们，希望能找到新的最优解。于是在原有的NSGA-III 生成大小为N 的P t+1后，有两个新的操作1.增加新的参考点 2.消除无用的参考点。

1）增加新的参考点。由于参考点个数等于种群规模，理想情况是一个参考点一个个体，当参考点j 方向的小生境数1j ρ>，则必存在参考点k 方向的小生境数，0k ρ=。我们针对参考点j ，在其周围增加M 个参考点的单纯形（单纯形法是一类在小范围内具有更精细搜索效果的优化算法，能提高点的多样性），如下图所示三维空间中具有三个顶点的单纯形扩展。

图13单纯形扩展法但是扩张的点有两种情况是不接受的：1.不在第一象限 2.在参考点集中已经

存在

2）消除无用的参考点。扩张完后的参考点可能存在一些无用的，则消除那些0j ρ=的扩展点，而原始的参考点0j ρ=是要保留的，有可能下一代就有用了。

4. A 2-NSGA-III

论文针对A-NSGA-III 的四点缺点进行了改进，提出了A 2-NSGA-III ，四点缺点如下：

1）当问题的最优前沿面很小时，A-NSGA-III 扩张操作不能提供足够的参考点使种群分布均匀。

2）扩张操作不适合角点，因为以角点为中心扩张生成的点不在第一象限或出界。

3）由于扩张操作是从第一代开始，种群较分散，离最优前沿面较远，很可能没有足够的时间使种群在各个区域均匀分布而由于额外的扩张点陷入局部最优。

4）只有当所有参考点小生境数为0或1时才开始消除操作，对于高维多目标，由于种群变大，这个条件很难达到。

改进措施：选取参考点为单纯形的一个顶点，而不是中心，且边长减半，而且这样可以有三种外形，如图14所示。

图14 改进单纯形扩展法当添加一个外形后，还有小生境数大于1的，采用另一个外形，直到所有M 个外形都采用，如果还有，则单纯形的边长再取半，直到小生境数为0。在一个外形加入之前，需要进行检查：1.如果外形的点超出边界是不被接受，比如上图Q 点，外形1、3是不被接受的。2.如果外形的点在参考点中存在，也是不被接受。

这样的扩张操作引入了更多的单纯形，能缓解第一个缺点；以参考点为顶点半边长的单纯形适用于定点，比如Q 点，缓解了第二个缺点；只有当原始的参考点小生境数在过去的10代稳定在一个定值，则扩张的点才被接受，这样能克服第三个缺点；只要参考点总数达到原始参看点个数的10倍，消除操作就开始，这样能克服第四个缺点。

（七）MOEA/D-M2M

MOEA/D-M2M 是将高维多目标问题分解为多个简单的多目标优化子问题，通过协同方式解决这些子问题，每个子问题对应一个子种群，通过这种方式种群多样性得到维护。它是针对MOEA/D 的存在的两个缺点进行的改进。

MOEA/D 有两个缺点：

1）一个新个体不该完全根据聚合函数值取代旧个体，因为在有些情况下，

这样完全取代会导致种群多样性的丢失。

2）对于不同的问题，MOEA/D 总是需要设置合适的聚合方法和权重向量，而这个在解决问题之前是很困难的。

均匀生成K 个单位方向向量，将目标空间划分为K 个子区间，通过计算N 个种群个体所在方向与K 个单方方向的夹角，将n 个个体划分到k 个区域里。这样基于方向向量分解目标空间有两个好处：

1）每个子区域的局部最优前沿面可以组成整个最优前沿面。

2）即使整个区域的最优前沿面是非线性几何形状（不规则），经过分解，各个子区域只是整个区域的一小部分，所以最优前沿面在子区域内可以很接近线性形状。而求解线性形状的最优前沿面比非线性几何形状简单得多。

（八）θ-DEA 算法

1. 算法简介

近期进化算法上有人基于NSGA3提出一种基于新型支配关系θ支配的高维多目标优化算法θ-DEA ，它通过引入分解算法MOEA/D 中的PBI 聚合函数来提高NSGA3的收敛性。出发点是整合NSGA-III 和MOEA/D ，达到优势互补。通过分析，文章作者得出：

1）NSGA-III 强调的是个体中靠近参考线的Pareto 非支配解，然而目标维数增大时，会导致非支配解个数也急剧增多，基于pareto 支配关系的NSGA-III 将缺乏足够的选择压力去促使种群向最优PF 面进化，事实上NSGA-III 过多的侧重于多样性而导致收敛性不足。

2）MOEA/D 通过基于聚合函数的选择操作能很好地逼近最优PF 面，在高维情况下收敛性也很好，而多样性试图通过设置均匀分布的权重向量来维护，低维可以到达目的，但是在高维情况下就不适用了，因为在高维空间中，一个具有很好聚合函数值的解有可能离相应的权重向量很远，那么多样性就会缺失。

综上所诉，NSGA-III 收敛性不足，MOEA/D 多样性缺失，因此作者通过引入MOEA/D 的聚合函数来提高NSGA-III 的收敛性，而继承NSGA-III 优良的多样性。

2. 算法步骤

1）合并父代种群t P 和子代种群t Q ，组成t R ，对t R 进行非支配排序，i i F S τ1t =?=，

其中i F 表示第i 层pareto 前沿，τ满足N F i i <∑-=11τ,N F i i ≥∑=τ

2）以N 个权重向量为聚类中心，将t S 中的个体聚类到各个权重向量附近（各个权重向量附近个体数是不一样的），然后通过θ支配关系对每一个类内个体划分等级。这里所说的θ支配也就是MOEA/D 中的PBI 聚合函数，如图15所示。

图15 PBI 聚合函数示意图其中，d1越小，代表x 解的收敛性越好；d2越小说明越靠近权重向量，多样性

越好。

综合这两者表示一个解的优劣，可以令)()()(2,1,x d x d x F j j j θ+=，如果)()(y F x F j j <，我们就说x 支配y ，，其中θ是惩罚系数，实验仿真取5（对5作解释）

说明一下，这里通过θ支配关系对每一个类内个体划分等级，其实每一个等级上只有一个解，因为)(x F j 是一个可以比较大小的数值。

3）以此取每一个类里的第一等级，第二等级，以此类推，直到选择最后一个等级，他加入的话大于N ，不加入就少于N ，然后随机的在这一等级里选取个体满足数量N 。

3. 思考

1）对θ-DEA 的改进，在第三步中，是随机的在最后一等级里选择，而我的想法是定向的选择类内个体数少的那一类的最后等级个体，能够进一步提高多样性。

2）NSGA-III 在多样性维护阶段只是依靠d2来选择个体，会导致收敛性不足，而θ-DEA 在考虑多样性d2的同时稍微考虑一点收敛性d1，根据这一点我对自己的多个子种群进化算法做了进一步改进，将子种群中由以前只依靠d2选择个体变为d1+5d2。

3）NSGA-III 和θ-DEA 都是先进行非支配排序后聚类，不同的是NSGA-III 通过评估每一个类里的小生境数选择小生境数少的类内个体，而θ-DEA 是通过θ支配循环选择每一类个体，因此我可以将我的子种群的NSGA-III 模式改为θ-DEA 模式。

参考文献

[1] R.C. Purshouse, P .J. Fleming. On the Evolutionary Optimization of Many Conflicting Objectives.

Evolutionary Computation, IEEE Transactions on. 2007, 11 (6): 770-784

[2] 孔维健, 丁进良, 柴天佑. 高维多目标进化算法研究综述. 控制与决策. 2010 (03): 321-326

[3] 巩敦卫, 季新芳, 孙晓燕. 基于集合的高维多目标优化问题的进化算法. 电子学报. 2014 (01):

77-83

[4] E. Hughes. Radar Waveform Optimisation as a Many-Objective Application Benchmark. In:

Evolutionary Multi-Criterion Optimization--S. Obayashi, K. Deb, C. Poloni, T. Hiroyasu, T. Murata, eds.: Springer Berlin Heidelberg, 2007: 700-714

[5] A. Sülflow, N. Drechsler, R. Drechsler. Robust Multi-Objective Optimization in High Dimensional

Spaces. In: Evolutionary multi-criterion optimization: Springer, 2007: 715-726

[6] R. Lygoe, M. Cary, P . Fleming. A Real-World Application of a Many-Objective Optimisation

Complexity Reduction Process. In: Evolutionary Multi-Criterion Optimization--R. Purshouse, P . Fleming, C. Fonseca, S. Greco, J. Shaw, eds.: Springer Berlin Heidelberg, 2013: 641-655

[7] K. Deb, A. Pratap, S. Agarwal, T. Meyarivan. A Fast and Elitist Multiobjective Genetic Algorithm:

Nsga-Ii. Evolutionary Computation, IEEE Transactions on. 2002, 6 (2): 182-197

[8] E. Zitzler, M. Laumanns, L. Thiele. Spea2: Improving the Strength Pareto Evolutionary Algorithm.

TIK, Swiss Federal Institute of Technology (ETH. 2001

[9] D.W. Corne, N.R. Jerram, J.D. Knowles, M.J. Oates, J. Martin. Pesa-Ii: Region-Based Selection in

Evolutionary Multiobjective Optimization. In: Proceedings of the Genetic and Evolutionary Computation Conference (GECCO’2001, 2001: 283--290

[10] 陈小红, 李霞, 王娜. 高维多目标优化中基于稀疏特征选择的目标降维方法. 电子学报.

2015 (07): 1300-1307

[11] H. Ishibuchi, N. Tsukamoto, Y. Nojima. Evolutionary Many-Objective Optimization: A Short Review.

In: Evolutionary Computation, 2008. CEC 2008. (IEEE World Congress on Computational Intelligence). IEEE Congress on, 2008: 2419-2426

[12] K. Deb, M. Mohan, S. Mishra. Evaluating the ϵ-Domination Based Multi-Objective

Evolutionary Algorithm for a Quick Computation of Pareto-Optimal Solutions. Evolutionary Computation. 2005, 13 (4): 501-525

[13] H. Sato, H. Aguirre, K. Tanaka. Controlling Dominance Area of Solutions and Its Impact on the

Performance of Moeas. In: Evolutionary Multi-Criterion Optimization--S. Obayashi, K. Deb, C.

Poloni, T. Hiroyasu, T. Murata, eds.: Springer Berlin Heidelberg, 2007: 5-20

[14] Y. Shengxiang, L. Miqing, L. Xiaohui, Z. Jinhua. A Grid-Based Evolutionary Algorithm for

Many-Objective Optimization. Evolutionary Computation, IEEE Transactions on. 2013, 17 (5): 721-736

[15] Z. He, G.G. Yen, J. Zhang. Fuzzy-Based Pareto Optimality for Many-Objective Evolutionary

Algorithms. Evolutionary Computation, IEEE Transactions on. 2014, 18 (2): 269-285

[16] 毕晓君, 张永建, 陈春雨. 基于模糊支配的高维多目标进化算法mfea. 电子学报. 2014 (08):

1653-1659

[17] A. Jaimes, L. Quintero, C.C. Coello. Ranking Methods in Many-Objective Evolutionary Algorithms.

In: Nature-Inspired Algorithms for Optimisation--R. Chiong, ed.: Springer Berlin Heidelberg, 2009: 413-434

[18] Z. Xiufen, C. Yu, L. Minzhong, K. Lishan. A New Evolutionary Algorithm for Solving Many-Objective

Optimization Problems. Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on. 2008, 38 (5): 1402-1412

[19] E. Carreno Jara. Multi-Objective Optimization by Using Evolutionary Algorithms: The

Formulatype="Inline"> $P$ -Optimality Criteria. Evolutionary Computation, IEEE Transactions on. 2014, 18 (2): 167-179

[20] J. Cheng, G.G. Yen, G. Zhang. A Many-Objective Evolutionary Algorithm with Enhanced Mating

and Environmental Selections. IEEE Transactions on Evolutionary Computation. 2015, 19 (4): 592-605

[21] J. Horn, N. Nafpliotis, D.E. Goldberg. A Niched Pareto Genetic Algorithm for Multiobjective

Optimization. In: Evolutionary Computation, 1994. IEEE World Congress on Computational Intelligence., Proceedings of the First IEEE Conference on: Ieee, 1994: 82-87

[22] 郑金华, 申瑞珉, 李密青, 邹娟. 一种基于信息分离的高维多目标进化算法. 软件学报. 2015

(05): 1013-1036

[23] S.F. Adra, P.J. Fleming. Diversity Management in Evolutionary Many-Objective Optimization.

Evolutionary Computation, IEEE Transactions on. 2011, 15 (2): 183-195

[24] K. Deb, H. Jain. An Evolutionary Many-Objective Optimization Algorithm Using

Reference-Point-Based Nondominated Sorting Approach, Part I: Solving Problems with Box Constraints. Evolutionary Computation, IEEE Transactions on. 2014, 18 (4): 577-601

[25] L. Miqing, Y. Shengxiang, L. Xiaohui. Shift-Based Density Estimation for Pareto-Based Algorithms in

Many-Objective Optimization. Evolutionary Computation, IEEE Transactions on. 2014, 18 (3): 348-365

[26] X. Zhang, Y. Tian, Y. Jin. A Knee Point-Driven Evolutionary Algorithm for Many-Objective

Optimization. Evolutionary Computation, IEEE Transactions on. 2015, 19 (6): 761-776

[27] H. Li, D. Landa-Silva. An Adaptive Evolutionary Multi-Objective Approach Based on Simulated

Annealing. Evolutionary Computation. 2011, 19 (4): 561-595

[28] S. Jiang, Z. Cai, J. Zhang, Y.-S. Ong. Multiobjective Optimization by Decomposition with

Pareto-Adaptive Weight Vectors. In: Natural Computation (ICNC), 2011 Seventh International Conference on: IEEE, 2011: 1260-1264

[29] R. Wang, R.C. Purshouse, P.J. Fleming. Preference-Inspired Co-Evolutionary Algorithm Using

Weights for Many-Objective Optimization. In: Proceedings of the 15th annual conference companion on Genetic and evolutionary computation: ACM, 2013: 101-102

[30] Y. Qi, X. Ma, F. Liu, L. Jiao, J. Sun, J. Wu. Moea/D with Adaptive Weight Adjustment. Evolutionary

Computation. 2014, 22 (2): 231-264

[31] R. Cheng, Y. Jin, M. Olhofer, B. Sendhoff. A Reference Vector Guided Evolutionary Algorithm for

Many-Objective Optimization. Evolutionary Computation, IEEE Transactions on. 2016, PP (99): 1-1

[32] D. Hadka, P. Reed. Borg: An Auto-Adaptive Many-Objective Evolutionary Computing Framework.

Evolutionary Computation. 2013, 21 (2): 231-259

[33] Z. He, G.G. Yen, J. Zhang. Fuzzy-Based Pareto Optimality for Many-Objective Evolutionary

Algorithms. IEEE Transactions on Evolutionary Computation. 2014, 18 (2): 269-285

[34] S. Yang, M. Li, X. Liu, J. Zheng. A Grid-Based Evolutionary Algorithm for Many-Objective

Optimization. Evolutionary Computation, IEEE Transactions on. 2013, 17 (5): 721-736 [35] M. Li, S. Yang, X. Liu. Shift-Based Density Estimation for Pareto-Based Algorithms in

Many-Objective Optimization. IEEE Transactions on Evolutionary Computation. 2014, 18 (3): 348-365

工作任务完成情况总结

教师工作任务完成情况总结个人本学年岗位任务完成情况及一年的时间很快过去了，在一年里，在校领导、部门领导及同事们的关心与帮助下我圆满地完成了各项工作，在思想觉悟以及各个层面都有了更进一步的提高，本年度的工作如下：一、思想政治表现、品德素质修养几职业道德。本人坚持四项基本原则，认真参加学校组织的政治学习，还通过报纸、杂志、书籍、电视、网络积极学习政治理论；遵纪守法，关心国内外大事，提高政治觉悟, 严格遵守国家法律。认真学习并充分理解《中小学教师职业道德规范》，并以此作为自己言行准则，工作中时刻牢记自己作为教师的基本职能：具有强烈的责任感和事业心。履行教师职责，树立正确的教育观、人才观。为人师表、爱岗敬业，热爱学校，尽职尽责，教书育人。二、专业知识、工作能力和具体工作。在教育岗位上巳经工作31年了，经过不断学习、不断积累，具备了比较丰富的工作经验，能够从容地处理日常工作中出现的各类问题，在组织管理班级的能力、综合分析问题的能力、协调办事能力以及文字言语表达能力等方面，经过多年的学习锻炼都有了极大的提高。保证了班级教学的正常运行，在实施教学以及各项工作的过程中，没出现过任何失误和差错。三、工作态度和勤奋敬业方面。百年大计教育为本，教育大计系教师为本，教师大计则师德为本，要培养适合时代需要的高素质人才，教师是否具有良好的道德修养至关重要。作为一名小学教师要以德治身，培养良好的师德。塑造师德风范，潜心练功，“给学生一杯水，教师本身应该有一桶水”。在对学生的教育中，我感到在孩子们眼中，教师是一个完美无缺的人物，是最可信赖、最值得依赖的人。你的投手举足，都潜移默化地影响孩子们，孩子从教师身上看到无私奉献，孜孜不倦追求精神，看到社会的形象。师德不只是学识问题，更是塑造良好教师形象的问题。对于师德，我深刻认识了其重要性。因此，我时时刻刻严于律己，身体力行地堪为学生的表率。要求学生做到的，

多目标进化算法总结

MOGA i x 是第t 代种群中个体，其rank 值定义为： () (,)1t i i rank x t p =+ ()t i p 为第t 代种群中所有支配i x 的个体数目适应值（fitness value ）分配算法： 1、将所有个体依照rank 值大小排序分类； 2、利用插值函数给所有个体分配适应值（从rank1到 rank * n N ≤），一般采用线性函数 3、适应值共享：rank 值相同的个体拥有相同的适应值，保证后期选择时同一rank 值的个体概率相同最后采用共享适应值随机选取的方法选择个体进入下一代一种改进的排序机制（ranking scheme ）：向量,1,(,,)a a a q y y y =???和,1,(,,)b b b q y y y =???比较 goal vector ：() 1,,q g g g =??? 分为以下三种情况： 1、 ()() ,,1,,1; 1,,; 1,,; a i i a j j k q i k j k q y g y g ?=???-?=????=+???>∧≤ 2、() ,1,,; a i i i q y g ?=???>

当a y 支配b y 时，选择a y 3、() ,1,,; a j j j q y g ?=???≤ 当b y 支配a y 时，选择b y 优点：算法思想容易，效率优良缺点：算法容易受到小生境的大小影响理论上给出了参数share σ的计算方法

NPGA 基本思想： 1、初始化种群Pop 2、锦标赛选择机制：随机选取两个个体1x 和2x 和一个Pop 的子集CS(Comparison Set)做参照系。若1x 被CS 中不少于一个个体支配，而2x 没有被CS 中任一个体支配，则选择2x 。 3、其他情况一律称为死结（Tie ），采用适应度共享机制选择。个体适应度：i f 小生境计数（Niche Count ）：(),i j Pop m Sh d i j ∈= ????∑ 共享函数：1-,()0,share share share d d Sh d d σσσ? ≤?=??>? 共享适应度（the shared fitness ）： i i f m 选择共享适应度较大的个体进入下一代优点：能够快速找到一些好的非支配最优解域能够维持一个较长的种群更新期缺点：需要设置共享参数

多目标进化算法总结

1、 ()() ,,1,,1; 1,,; 1,,; a i i a j j k q i k j k q y g y g ?=???-?=????=+???>∧≤ 2、() ,1,,; a i i i q y g ?=???> 当a y 支配b y 时，选择a y 3、() ,1,,; a j j j q y g ?=???≤ 当b y 支配a y 时，选择b y 优点：算法思想容易，效率优良缺点：算法容易受到小生境的大小影响理论上给出了参数share σ的计算方法

创建文明城市工作目标完成情况总结

创建文明城市工作目标完成情况总结今年，我区的创建工作根据市委、市政府的统一部署，紧紧围绕市委、市政府制定的争创首批全国文明城市总体目标，结合我区实际，深入贯彻“三个代表”重要思想和十六大、十六届三中全会精神，在巩固已有成果的基础上，不断开拓创新，圆满地完成了各项创建工作目标，为迎接国际龙舟大赛、国际体育舞蹈大赛、全国军转民高科技成果交易会、科博会在绵成功举办作出了应有的贡献。一、加强领导，健全组织体系，完善创建工作制度 2004年，区委、区政府高度重视创建工作，将创建工作纳入区委、区政府的重要议事日程，纳入政府总体工作安排，实行目标管理。（一）加强领导，完善组织机构，明确职责。为了进一步加强对创建工作的领导，确保创建机构不撤、班子不散、责任不变、工作力度不减，区委、区政府及时调整了区创建领导小组成员，充实了创建力量，与各创建责任口片、各乡镇签订了创建工作目标责任书；每次创建会议、创建检查，区级四大班子分管领导都亲自参加，确保了创建工作的顺利开展。城区各创建责任口片、各乡镇、各单位都按照区创建领导小组的要求，根据单位、乡镇一把手为创建工作第一责任人，分管领导为第二责任人，具体工作部门负责人为第三责任人的原则，及时调整了创建领导小组，并逐级签订了目标责任书。确保创建工作从上到下，层层有人抓、级级有人管、事事有人干，从而为创建工作的顺利开展提供了有力的组织保证。

（二）完善工作制度，逗硬奖惩。为了充分调动各部门、各单位广大干部职工参与创建工作的积极性，规范创建行为，圆满完成各项创建任务，区创建领导小组进一步完善了创建工作制度。继续坚持“四到位”（领导、机构、人员、经费到位）、“三纳入”（纳入政府工作总体目标、纳入检查考核、纳入奖惩范围）制度；实行创建工作“一把手负责制”；实行创建保证金制度；实行创建工作“一票否决制”；严格创建工作考勤制度；逗硬创建工作评分奖惩制；实行创建工作成绩通报制；坚持定期检查与随机抽查、明查与暗访相结合的制度等。对创建工作中涌现出来的先进单位及个人，区政府拨出专项资金给予了表彰；对存在的问题，通过简报、公示牌、游仙党政网等形式进行曝光，绝不姑息，有效地保证了创建工作真正落到实处。正因为有了强有力的组织保障和制度保障，因此，各部门、单位、各乡镇目标明确、任务落实，创建成效显著。今年，在全市组织的五次创建大检查中，我区均名列前茅，并圆满地完成了各项重大接待任务；组织了四次乡镇创建检查，乡镇创建水平有了显著提高。二、加强宣传教育，深化创建认识，营造良好的创建氛围创建工作是一项面广量大的系统工程，它需要各行各业、各部门以及全体社会成员的共同参与。为了进一步增强市民的创建意识，营造良好的创建氛围，形成人人动手，个个参与的良好局面，区委、区政府始终坚持以正确的舆论为导向，通过各种形式加强宣传，使今年的创建工作重点家喻户晓，人人皆知。

用于约束多目标优化问题的双群体差分进化算法

用于约束多目标优化问题的双群体差分进化算法孟红云１张小华２刘三阳1 (1.西安电子科技大学应用数学系，西安，71007１; 2.西安电子科技大学智能信息处理研究所，西安,7１0０７1）摘要:首先给出一种改进的差分进化算法,然后提出一种基于双群体搜索机制的求解约束多目标优化问题的差分进化算法．该算法同时使用两个群体，其中一个用于保存搜索过程中找到的可行解，另一个用于记录在搜索过程中得到的部分具有某些优良特性的不可行解，避免了构造罚函数和直接删除不可行解.此外,将本文算法、N ＳGA-Ⅱ和SPEA 的时间复杂度进行比较表明，ＮS ＧA-Ⅱ最优,本文算法与SPE Ａ相当.对经典测试函数的仿真结果表明,与ＮＳGA-Ⅱ相比较，本文算法在均匀性及逼近性方面均具有一定的优势. 关键字: 差分进化算法；约束优化问题；多目标优化问题；中图分类号：TP18 1 引言达尔文的自然选择机理和个体的学习能力推动进化算法的出现和发展,用进化算法求解优化问题已成为一个研究的热点[1-3].但目前研究最多的却是无约束优化问题.然而，在科学研究和工程实践中,许多实际问题最终都归结为求解一个带有约束条件的函数优化问题,因此研究基于进化算法求解约束优化问题是非常有必要的.不失一般性，以最小化问题为例,约束优化问题（Constrai ｎｅd Opti ｍｉｚａtio ｎ Prob ｌｅm ，COP )可定义如下： )(COP ()()()()q j x h p i x g t s x f x f x f x F j i k R x n ,,1,0)( ,,1,0)( ..,,,)(min 21 ===≤=∈ (1) 其中)(x F 为目标函数,)(),(x h x g j i 称为约束条件,n n R x x x x ∈=),,,(21 称为n 维决策向量．将满足所有约束条件的解空间S 称为（1)的可行域.特别的，当1=k 时,（1)为单目标优化问题;当1>k 时，（1）为多目标优化问题.)(x g i 为第i 个不等式约束,)(x h j 是第j 个等式约束.另一方面,对于等式约束0)(=x h j 可通过容许误差（也称容忍度）0>δ将它转化为两个不等式约束: ?????≤--≤-0 )(0)(δδx h x h j j （2）故在以后讨论问题时,仅考虑带不等式约束的优化问题．进一步，如果x 使得不等式约束0)(=x g i ，则称约束()x g i 在x 处是积极的.在搜索空间S 中,满足约束条件的决策变量x 称为可行解，否则称为不可行解. 定义1(全局最优解）() **2*1*,,,n x x x x =是COP 的全局最优解,是指S x ∈*且)(*x F 不劣于可行域内任意解y 所对应的目标函数)(y F ，表示为)( )(* y F x F ．对于单目标优化问题,)( )(*y F x F 等价为)()(*y F x F ≤，而对于多目标优化问题是指不存在y ,使得)(y F Pa ｒe ｔo 优于)(*x F . 目前,进化算法用于无约束优化问题的文献居多，与之比较,对约束优化问题的研究相对

目标任务完成情况自查总结

目标任务完成情况自查总结 2006年我们坚持物质文明、政治文明、精神文明建设协调发展、共同进步的工作方针，全面贯彻落实十六大十六届四中全会精神和”三个代表”重要思想，按照年初制定的《xxx乡2006年农村经济和社会发展目标管理办法》所下达的各项指标任务，突出工作重点、明确工作任务、合理分工配合、加强监督检查、强化责任意识、理顺工作思路、狠抓工作落实，实现了农村各项经济指标基本完成，政治文明建设和精神文明建设稳步推进的良好效果。为了全面了解和把握2006年上半年目标任务的完成情况，我们划分了经济建设、政治文明建设、精神文明建设三个检查督查组深入各单位进行了全面的检查。现将我乡2006年上半年目标任务完成情况进行自查总结如下：一、2006年上半年所做的工作（一）、农村经济发展目标基本完成。在抓经济发展上，高度重视”三农”问题，全面贯彻落实农村经济工作政策，做到与农村发展实际相结合，不断探索、不断创新，创造性地开展工作，实现了政策指导与实践创新的结合。同时，体现阶段性工作特点，突出工作重点，加大工作力度，促进各项经济工作任务整体推进。上半年，完成了农业生产总值元，二、三产业元，农民人均总收入达到了元。(其他完成的经济指标另附表) （二）、政治文明建设扎实有效推进。一落实了党风廉政责任制。落

实党风廉政建设责任制是保证党的建设各项工作落到实处的重要环节，也是有效防止杜绝腐败现象发生的关键。各单位党政一把手为党风廉政建设第一责任人，乡党委要于各村和站所签订党风廉政建设责任制，要落实”一岗三责”，及时纠正和查处党风廉政建设上存在的问题和不正之风，加强宣传和教育，各项工作要有安排、部署、检查考核、落实。二是加强了党风廉政建设教育。对上级下发的有关党风廉政建设文件以及各级领导的讲话加强学习，利用近几年发生的各类案件和正反两方面的典型，剖析原因，吸取教训，要把党风廉政教育作为党员干部尤其是领导干部提高素质，增强自身免疫力的重要途径。三是查处了重大案件和解决群众反映的问题。坚持反腐败三项工作格局，查处重大案件、领导干部廉洁自律和纠正部门和行业不正之风，是取得党风廉政建设工作实效的重大的举措。我们要采取各种方式和方法，从领导体制、工作机制和各种制度等方面下功夫，对重大案件的处理要严、快，对犯罪分子决不迁就姑息，本着教育为本，打击为辅的原则，使重大的犯罪者得到惩处。对于部门和单位的风气，首先要从思想上提醒，引起重视，行动上加强引导，使它们知道怎样做。通过强有力的措施，使作风真正达到较好的转变，案件得到真正的查处。四是加强了班子和队伍建设。根据基层党组织班子和干部队伍的实际情况，廉政建设要突出班子和队伍，要坚持民主集中制的原则，根据”八个坚持、八个反对”的要求深入对照检查，定期开展民

多目标进化算法总结

x 是第 t 代种群中个体，其 rank 值定义为： rank (x ,t ) =1+p (t ) p (t )为第t 代种群中所有支配x 的个体数目适应值 (fitness value )分配算法： 1、将所有个体依照 rank 值大小排序分类； 2、利用插值函数给所有个体分配适应值(从 rank1 到 rank n * N )，一般采用线性函数 3、适应值共享：rank 值相同的个体拥有相同的适应值，保证后期选择时同一 rank 值的个体概率相同最后采用共享适应值随机选取的方法选择个体进入下一代一种改进的排序机制(ranking scheme )：向量y a =(y a ,1,,y a ,q )和y b =(y b ,1,,y b ,q )比较分为以下三种情况： k =1,,q -1; i =1,,k ; j =k +1,,q ; (y a ,i g i )(y a ,j g j ) i =1, ,q ; (y a ,i g i ) 当 y a 支配 y b 时，选择 y a 3、j =1, ,q ; (y a ,j g j ) 当 y b 支配 y a 时，选择 y b 优点：算法思想容易，效率优良缺点：算法容易受到小生境的大小影响理论上给出了参数share 的计算方法 goal vector ： g = (g 1, ,g q ) 1、 2、

基本思想： 1、初始化种群 Pop 2、锦标赛选择机制：随机选取两个个体 x 和 x 和一个 Pop 的子集 CS(Comparison Set)做参照系。若 x 被 CS 中不少于一个个体支配，而 x 没有被 CS 中任一个体支配，则选择 x 。 3、其他情况一律称为死结(Tie )，采用适应度共享机制选择。个体适应度： f i 小生境计数(Niche Count )： m =j Pop Sh d (i , j ) 共享适应度(the shared fitness )：选择共享适应度较大的个体进入下一代优点：能够快速找到一些好的非支配最优解域能够维持一个较长的种群更新期缺点：需要设置共享参数需要选择一个适当的锦标赛机制限制了该算法的实际应用效果 1- 共享函数： Sh (d ) = d share 0, d share d share

关于学年度目标任务完成情况工作总结

用户事务部年工作总结（至）现代教育技术中心：本学年度即将结束，在现教中心直属党支部和行政领导和支持下，新组建的用户事务部在制度建设、岗位工作规范、科室工作协调等方面取得较好的工作成效。现将本科室年下半年和年全年工作情况汇报如下：第一部分（年月—月）一、重点工作完成情况、校园网、闭路电视网及其重要设施二期建设为了学校“一地办学”的校园建设，完成了两网配套的弱电建设如下： ◆二期校园弱电（计算机网、闭路电视、防盗系统、广播系统等）建设工程方案设计和调研。 ◆二期校园网光缆工程方案设计和研讨。 ◆校园网和闭路电视网二期建设布线工程。 ◆二期网络汇接中心、数据中心和电源机房建设方案设计。 ◆二期网络交换设备和服务器、安全网络管理设备与系统建设方案设计。 ◆成都校区校园网整合方案设计和工程实施方案设计。 ◆中心机房强电、空调、监控系统等设计。上述工程招标技术标书拟写、修改和工程实施。、校园一卡通系统建设 ◆校园一卡通系统光缆工程方案设计和施工。 ◆一卡通布线工程与一卡通管理系统平台及管理中心建设。 ◆完成校园一卡通系统的综合查询系统的搭建并启动服务。 ◆完成学生一食堂、学生二三食堂、教工食堂，学生、公寓布线和消费类子系统建设及多台刷卡器的安装。 ◆完成公共浴室控水管理系统（）建设。 ◆完成图书馆管理系统及接入、图书馆通道管理系统及接入和3M自助借书管理系统接入。等待刷卡器设备安装调试即可正式使用。 ◆完成思学楼机房管理系统及接入安装。 ◆完成教工和学生嘉兴超市新系统安装与运行。 ◆完成学生老开水房所有刷卡设备的安装，线路整改，正常投入使用。 ◆学生一食堂二楼西餐厅线路整改，正常投入使用。、建立数字校园服务中心和各服务点 ◆完成数字校园服务中心的建设，包括：工作间强弱电线路设计、数字校园服务中心校园网、校园卡系统服务工作平台、电视信息系统和工作服务平台建设、电子显示屏系统与监控制系统安装等。 ◆完成校园一卡通系统个服务点以及学生公寓，栋重要节点建设，建立校园卡服务网络。 ◆完成了校园一卡通系统及其服务器等从图书馆楼向明理楼搬迁，实现“数字校园服务中心” 对外开展服务。、校园信息化“十二五规划”研讨会议 ◆完成中心下达的“高校校园信息化“十二五规划”研讨会议有关筹备和会务工作。

差分进化算法介绍

1．差分进化算法背景差分进化(Differential Evolution，DE)是启发式优化算法的一种，它是基于群体差异的启发式随机搜索算法，该算法是Raincr Stom和Kenneth Price为求解切比雪夫多项式而提出的。差分进化算法具有原理简单、受控参数少、鲁棒性强等特点。近年来，DE在约束优化计算、聚类优化计算、非线性优化控制、神经网络优化、滤波器设计、阵列天线方向图综合及其它方面得到了广泛的应用。差分算法的研究一直相当活跃，基于优胜劣汰自然选择的思想和简单的差分操作使差分算法在一定程度上具有自组织、自适应、自学习等特征。它的全局寻优能力和易于实施使其在诸多应用中取得成功。 2.差分进化算法简介差分进化算法采用实数编码方式，其算法原理同遗传算法相似刚，主要包括变异、交叉和选择三个基本进化步骤。DE算法中的选择策略通常为锦标赛选择，而交叉操作方式与遗传算法也大体相同，但在变异操作方面使用了差分策略，即：利用种群中个体间的差分向量对个体进行扰动，实现个体的变异。与进化策略(Es)采用Gauss或Cauchy分布作为扰动向量的概率密度函数不同，DE使用的差分策略可根据种群内个体的分布自动调节差分向量(扰动向量)的大小，自适应好；DE 的变异方式，有效地利用了群体分布特性，提高了算法的搜索能力，避免了遗传算法中变异方式的不足。 3.差分进化算法适用情况差分进化算法是一种随机的并行直接搜索算法，最初的设想是用于解决切比雪夫多项式问题，后来发现差分进化算法也是解决复杂优化问题的有效技术。它可以对非线性不可微连续空间的函数进行最小化。目前，差分进化算法的应用和研究主要集中于连续、单目标、无约束的确定性优化问题，但是，差分进化算法在多目标、有约束、离散和噪声等复杂环境下的优化也得到了一些进展。 4.基本DE算法差分进化算法把种群中两个成员之间的加权差向量加到第三个成员上以产生新的参数向量，这一操作称为“变异”。然后，变异向量的参数与另外事先确

高维多目标优化算法及其应用研究

华中科技大学博士学位论文目录摘要............................................................I Abstract..........................................................III 目录............................................................VI 1绪论 1.1研究背景与意义 (1) 1.2高维多目标优化研究现状 (4) 1.3研究趋势与展望 (10) 1.4预备知识 (11) 1.5本文主要工作与组织结构 (15) 2非规则前沿面高维多目标问题优化算法 2.1引言 (19) 2.2非规则前沿面高维多目标问题优化算法 (21) 2.3算法测试与结果分析 (31) 2.4汽车碰撞可靠性设计 (38) 2.5本章小结 (39) 3多样性保持高维多目标优化算法 3.1引言 (41) 3.2雷达映射介绍与分析 (44) 3.3多样性保持高维多目标优化算法 (47) 3.4算法测试与结果分析 (56) 3.5本章小结 (68) 4昂贵高维多目标问题优化算法 4.1引言 (71) 4.2昂贵高维多目标优化算法 (74) 4.3优化算法分析 (82) 4.4算法测试与结果分析 (86) 4.5本章小结 (98)

华中科技大学博士学位论文 5基于多目标优化光伏最大功率点追踪方法 5.1引言 (100) 5.2光伏系统离线MPPT控制器 (102) 5.3基于RSEA的MPPT算法 (102) 5.4仿真实验对比与分析 (108) 5.5本章小结 (112) 6基于高维多目标优化的高阶滤波器设计 6.1引言 (113) 6.2滤波器介绍及高维多目标问题构造 (115) 6.3高阶滤波器设计方法 (120) 6.4实验结果与分析 (123) 6.5本章小结 (128) 7总结与展望 7.1全文总结 (129) 7.2尚待研究的工作 (130) 致谢 (132) 参考文献 (134) 附录1攻读学位期间发表和撰写的学术论文 (149) 附录2博士学位论文章节内容与博士期间论文的关系 (151) 附录3攻读博士学位论文期间参加的科研课题 (152) 附录4攻读博士学位期间申请专利 (153)

Pareto最优概念的多目标进化算法综述

Pareto最优概念的多目标进化算法综述作者：唐云岚，赵青松，高妍方，陈英武， TANG Yun-lan， ZHAO Qing-song， GAO Yan-fang ， CHEN Ying-wu 作者单位：唐云岚,TANG Yun-lan(国防科学技术大学信息系统与管理学院长沙 410073;武警工程学院通信工程系,西安710086)，赵青松,高妍方,陈英武,ZHAO Qing-song,GAO Yan-fang,CHEN Ying-wu(国防科学技术大学信息系统与管理学院长沙 410073) 刊名：计算机科学英文刊名：COMPUTER SCIENCE 年，卷(期)：2008,35(10) 被引用次数：1次参考文献(23条) 1.Zitzler E;Thiele L Multiobjective Evolutionary Algorithms:A Comparative Case Study and the Strength Pareto Approach[外文期刊] 1999(04) 2.Srinivas N;Deb K Muhiobjective Optimization Using Nondomi-nated Sorting in Genetic Algorithms[外文期刊] 1995(03) 3.Hans A E Multicriteria optimization for highly accurate syste-ms 1988 4.Chankong V;Haimes Y Y Multiobjective decision making theo-ry and methodology 1983 5.Knowles J;Come D查看详情 1999 6.Horn J;Nafpliotis N查看详情 1994 7.Fonseca C M;Fleming P J Genetic Algorithm 1993 8.Richardson J T;Palmer M R;Liepins G查看详情[外文期刊] 1989 9.Schaffer J D Some experiments in machine learning using vector evaluated genetic algorithms 1984 10.Rosenberg R S Simulation of Genetic Populations with Bio-chemical Properties 1967 11.Zitzler E Evolutionary algorithms for multiobjeetive optimiza-tion:Methods and applications 1999 12.Deb K Muhiobjeetive Optimization using Evolutionary Algo-rithms 2001 https://www.doczj.com/doc/2516053333.html,umanns M;Thiele L;Deb K Combining Convergence and Diversity in Evolutionary Multi-Objective Optimization[外文期刊] 2002(03) 14.Mann J W;Smith G D A Comparison of Heuristics for Tele-communications Traffic Routing 1996 15.Deb K Genetic algorithms in multimodal function optimization 1989 16.Srinivas N Multiobjective optimization using nondominated sor-ting in genetic algorithms 1994 17.Goldberg D E;Deb K A Comparison of Selsction Schemes used in Genetic Algorithms 1991 18.Goldberg D E;Richardson J查看详情 1987 19.Deb K;Goldberg D E查看详情 1989 20.Osman M S;Abo-Sinna M A;Mousa A A IT-CEMOP:An iter-ative co-evolutionary algorithm for muhiobjeetive optimization problem with nonlinear constraints[外文期刊] 2006(1) 21.Shin S-Y;Lee I-H;Kim D Multiobjeetive Evolutionary O-ptimization of DNA Sequences for Reliable DNA Computing[外文期刊] 2005(02) 22.Deb K;Prata PA;Agatwal S A Fast and Elitist Muhiob-jective Genetic Algorithm:NSGA-II 2002 23.Zitzler E;Laumanns M;Thiele L SPEA2:ImprovingtheS-trength Pareto Evolutionary Algorithm 2001

2017年工作目标完成情况报告

2017年工作目标完成情况报告 2017年合同法规部工作目标完成情况报告 2017年，在各级领导的关怀和支持下、在同事的关心和帮助下, 合同法规部顺利完成了每一项工作目标和工作要点，认真做好领导布置的每一项任务，同时本部门人员虚心向其他部门同事学习请教, 断提高充实自己，很好的完成了自己所承担的工作任务。一年来，我们感觉收获颇多、感慨颇多，其中既有经验也有教训。为了在2018 年更好的完成各项工作和任务，迎接新的挑战，特将2017年工作情况按照合同管理部分和法务管理部分，总结如下：一、合同管理部分：工作要点1.1 : OA系统中提交到我部门的合同100%进行审核。在2017年度，我局大部分的合同已经实现在OA系统中进行审核, 凡是在OA系统中提交至我部门的合同，均100%进行了审核。全年O. 系统中共审核合同3791份。其中，对于项目金额大于三千万且单个合同金额大于十万元的合同在处机关审核完毕，并发起局审批流程后，需要经过局合同法规部、项目管理中心、财务物资部、审计监察部、主管局领导审核，各部门提出修改意见后，处机关合同管理人员和项目上合同管理人员进行沟通，依据修改意见对合同进行修改，特殊情况不能修改的我们再联系局机关各部门进行沟通，说明情

况，最终修改完毕且经我部门核对无误后方可加盖电子签章。对于其他金额的合同，在处机关审核完毕，并发起局审批流程后, 我部门进行审核，并提出修改意见，处机关合同管理人员和项目上合同管理人员进行沟通，依据修改意见对合同进行修改，特殊情况不能修改的需要和我部门进行沟通，说明情况，最终修改完毕且经我部门核对无误后方可加盖电子签章。工作要点1.2 : 0A系统之外，走手工审批流程的合同100%进行审核。在2017年度，对于一些由于特殊原因，不适宜在OA系统中进行审核的合同，我们要求相关单位和部门走手工审批流程，对于提交至我部门的手工审批的合同，我们对其100%进行了审核。全年共审核此类合同1412份，其中合作项目联合施工协议70份，房地产建设部各类合同15份，局机关其他部门各类合同11份，其他合同1316份。由于一些合同属于阴合同（比如合作项目的联合施工协议及某些工程分包类合同），不适宜在OA系统中进行审核；还有一些合同（主要是局机关各部门合同）由于数量较少，并没有在OA系统中设置专门的审核流程。对于上述合同我们要求相关单位或部门填写合同审批表，我部门负责联系局机关相关部门进行审核，并提出修改意见，主办单位或部门依据修改意见进行修改，并在我部门核对无误后方可签订。工作要点1.3 :合同签订之后100%进行备案。在2017年度，我部门对签订的各类合同，进行了100%备案。对于在OA系统中进行审核的合同，我们要求相关单位在合同签订完毕后，将合同相关信息录入OA系统中的项目管理模块，并将双方签字盖章的

2017年年度目标任务完成情况汇报

**县2017年度目标责任制完成情况及重点工作情况汇报（2017年11月23日）根据市考核督察组安排要求，现将我县2017年目标责任考核指标进展以及今年以来的经济社会运行情况简要汇报如下：一、2017年度目标责任考核指标完成情况今年以来，在市委、市政府的正确领导下，我县围绕市委、市政府下达的年度目标任务，加强领导，强化责任，落实措施，狠抓督导，各项目标任务得到了较好的落实，取得了阶段性成果。（一）经济发展方面市下达考核指标共16项，其中有项已经完成，有项到年底可以顺利完成。 1、地区生产总值，市下达增长目标为14%。1-9月份完成23.9亿元，占计划的81%，同比增幅达16.1%。 2、财政总收入，市下达任务为31800万元，截至10月

底，完成3.77亿元，为调整预算的106.1%。 3、一般预算收入，市下达任务为12800万元，截至10月底，完成13204万元，为调整预算的106.3%。 4、全社会固定资产投资，市下达任务为20.2亿元。截至10月底，完成13.3亿元，同比增长35.3%，完成计划的80%，年底可完成目标任务。 5、省市县重点工程年度计划投资14.2亿元，其中省市重点工程完成11.96亿元，县级重点工程完成2.24亿元。截至10月底，省市重点工程完成亿元，完成计划任务的 %；市监测县级重点项目完成投资3.5亿，完成计划任务的157%。 6、重点工程落地指标，市下达任务15亿元。截至10月底，完成13.8亿元，完成计划任务的92%，年底可完成目标任务。 7、规模以上工业增加值，市下达任务为增幅19%。截至10月底完成371497,4万元，增幅达53.63%。 8、新型工业化水平，市下达任务为33.8%。经与市经信局沟通，该项指标只考核到市级，县级没有任务。 9、粮食总产量，市下达任务为8.33万吨。截至10月底，完成105545万吨，完成计划任务的126.7%。 10、基本农田保护面积，市下达任务为31.11万亩，目前完成31.6万亩，已超额完成任务。

用于约束多目标优化问题的双群体差分进化算法精编

用于约束多目标优化问题的双群体差分进化算法精编 Document number：WTT-LKK-GBB-08921-EIGG-22986

用于约束多目标优化问题的双群体差分进化算法孟红云 1 张小华2刘三阳1 (1.西安电子科技大学应用数学系，西安，710071； 2.西安电子科技大学智能信息处理研究所，西安，710071)摘要：首先给出一种改进的差分进化算法，然后提出一种基于双群体搜索机制的求解约束多目标优化问题的差分进化算法．该算法同时使用两个群体，其中一个用于保存搜索过程中找到的可行解，另一个用于记录在搜索过程中得到的部分具有某些优良特性的不可行解，避免了构造罚函数和直接删除不可行解．此外，将本文算法、NSGA-Ⅱ和SPEA的时间复杂度进行比较表明，NSGA-Ⅱ最优，本文算法与SPEA相当.对经典测试函数的仿真结果表明，与NSGA-Ⅱ相比较，本文算法在均匀性及逼近性方面均具有一定的优势. 关键字：差分进化算法；约束优化问题；多目标优化问题；中图分类号：TP18 1 引言达尔文的自然选择机理和个体的学习能力推动进化算法的出现和发展，用进化算法求解优化问题已成为一个研究的热点[1-3]．但目前研究最多的却是无约束优化问题．然而，在科学研究和工程实践中，许多实际问题最终都归结为求解一个带有约束条件的函数优化问题，因此研究基于进化算法求解约束优化问题是非常有必要的．不失一般

性，以最小化问题为例，约束优化问题（Constrained Optimization Problem ，COP ）可定义如下： )(COP ()()()()q j x h p i x g t s x f x f x f x F j i k R x n ,,1,0)( ,,1,0)( ..,,,)(min 21 ===≤=∈ （1）其中)(x F 为目标函数，)(),(x h x g j i 称为约束条件， n n R x x x x ∈=),,,(21 称为n 维决策向量．将满足所有约束条件的解空间S 称为(1)的可行域．特别的，当1=k 时，(1)为单目标优化问题；当1>k 时，（1）为多目标优化问题．)(x g i 为第i 个不等式约束，)(x h j 是第j 个等式约束．另一方面，对于等式约束0)(=x h j 可通过容许误差（也称容忍度）0>δ将它转化为两个不等式约束： ?????≤--≤-0)(0)(δδx h x h j j （2）故在以后讨论问题时，仅考虑带不等式约束的优化问题．进一步，如果x 使得不等式约束0)(=x g i ，则称约束() x g i 在x 处是积极的．在搜索空间S 中，满足约束条件的决策变量x 称为可行解，否则称为不可行解．定义1（全局最优解）()**2 *1*,,,n x x x x =是COP 的全局最优解，是指S x ∈*且)(*x F 不劣于可行域内任意解y 所对应的目标函数)(y F ，表示为)( )(*y F x F ．对于单目标优化问题， )( )(*y F x F 等价为)()(*y F x F ≤，而对于多目标优化问题是指不存在y ，使得)(y F Pareto 优于)(*x F ．目前，进化算法用于无约束优化问题的文献居多，与之比较，对约束优化问题的研究相对较少[4-6]。文[7] 对当前基于进化算法的各种约束处理方法进行了较为详细的综述. 对于约束优化问题的约束处理方法基本上分为两类：基于罚函数的约束处理技术和基于多目标优化技术的约束处理

目标任务完成情况自查总结

目标任务完成情况自查总结 ××××年我们坚持物质文明、政治文明、精神文明建设协调发展、共同进步的工作方针，全面贯彻落实十六大十六届四中全会精神和三个代表重要思想，按照年初制定的《乡××××年农村经济和社会发展目标管理办法》所下达的各项指标任务，突出工作重点、明确工作任务、合理分工配合、加强监督检查、强化责任意识、理顺工作思路、狠抓工作落实，实现了农村各项经济指标基本完成，政治文明建设和精神文明建设稳步推进的良好效果。为了全面了解和把握××××年上半年目标任务的完成情况，我们划分了经济建设、政治文明建设、精神文明建设三个检查督查组深入各单位进行了全面的检查。现将我乡××××年上半年目标任务

完成情况进行自查总结如下：一、××××年上半年所做的工作（一）、农村经济发展目标基本完成。在抓经济发展上，高度重视三农问题，全面贯彻落实农村经济工作政策，做到与农村发展实际相结合，不断探索、不断创新，创造性地开展工作，实现了政策指导与实践创新的结合。同时，体现阶段性工作特点，突出工作重点，加大工作力度，促进各项经济工作任务整体推进。上半年，完成了农业生产总值元，二、三产业元，农民人均总收入达到了元。其他完成的经济指标另附表（二）、政治文明建设扎实有效推进。一落实了党风廉政责任制。落实党风廉政建设责任制是保证党的建设各项工作落到实处的重要环节，也是有效防止杜绝腐败现象发生的关键。各单位党政一把手为党风廉政建设第一责任人，乡党委要于各村和站所签订党风廉政建设责任制，要落实一岗三责，及时纠正和查处党风廉政建设上存在的问题和不正之

风，加强宣传和教育，各项工作要有安排、部署、检查考核、落实。二是加强了党风廉政建设教育。对上级下发的有关党风廉政建设文件以及各级领导的讲话加强学习，利用近几年发生的各类案件和正反两方面的典型，剖析原因，吸取教训，要把党风廉政教育作为党员干部尤其是领导干部提高素质，增强自身免疫力的重要途径。三是查处了重大案件和解决群众反映的问题。坚持反腐败三项工作格局，查处重大案件、领导干部廉洁自律和纠正部门和行业不正之风，是取得党风廉政建设工作实效的重大的举措。我们要采取各种方式和方法，从领导体制、工作机制和各种制度等方面下功夫，对重大案件的处理要严、快，对犯罪分子决不迁就姑息，本着教育为本，打击为辅的原则，使重大的犯罪者得到惩处。对于部门和单位的风气，首先要从思想上提醒，引起重视，行动上加强引导，使它们知道怎样做。通过强有力的措施，