摘要：针对超限超重货物运输专列路径优化问题,引入限界改造和桥梁加固要素,以铁路运能损失、运输时间和运输费用的最小化为优化目标,构建铁路超限超重货物运输专列路径优化模型;考虑专列同时运送多件超限超重货物的特点,设计货物综合投影算法,并以Pareto支配关系框架下的NSGA-Ⅱ多目标进化算法为基础,结合基于移动不可行解的自适应惩罚函数的约束处理技术及超限超重货物运输专列开行特征,提出一种基于多目标进化的铁路超限超重货物运输专列路径优化算法。实例分析结果表明:该方法能高效合理地处理路径优化任务中的多个目标;与常用的3种约束多目标算法相比,设计的优化算法能使计算耗时降低0.24%~29.94%、超体积指标值提高4.25%~13.11%,并得到一组收敛性和多样性更好的相对最优方案。该方法克服了传统专列路径优化中单纯依靠经验或从备选方案中择优的弊端,可为铁路超限超重货物运输专列路径决策提供技术支持。

摘要：通过与传统优化方法的优缺点对比,提出针对飞行器环境参数存在不确定性影响时的气动稳健优化设计模型,并应用多目标进化算法和代理模型技术对稳健模型进行优化设计研究。提供了翼型稳健性优化实例,通过选择合适的翼型参数化方法和CFD求解程序以及不确定性分析方法,得到了稳健设计结果的Pareto前缘图。从其中选择的设计结果可以看出,稳健设计结果表现出更稳定的特性,证明了稳健设计的优势所在。

摘要：将基于Pareto最优解的多目标进化算法引入星座设计中,提出了一种改进的Pareto最优解多目标进化算法,并应用于带有星间链路的卫星移动通信系统星座优化设计,计算结果表明算法的有效性。

摘要：现有的多目标进化聚类算法应用于图像分割时,往往是在图像像素层面上进行聚类,运行时间过长,而且忽略了图像区域信息使得图像分割效果不太理想。为了提高多目标进化聚类算法的分割效果和时间效率,该文将图像区域信息与部分监督信息引入多目标进化聚类,提出图像区域信息驱动的多目标进化半监督模糊聚类图像分割算法。该算法首先利用超像素策略获得图像的区域信息,然后结合部分监督信息,设计融合区域信息和监督信息的适应度函数,接着通过多目标进化策略对多个适应度函数进行优化得到最优解集。最后构造融合区域信息与监督信息的最优解评价指标,实现从最优解集中选取一个最优解。实验结果表明:与已有多目标进化聚类算法相比,该算法不但分割效果有所提升,而且运行效率得以提高。

摘要：理论上只要根据初始轨道转移点和目标轨道进入点的信息,计算并产生转移所需速度增量,就可以完成航天器的轨道转移。但是由于误差的影响,需要在转移轨道飞行中进行中途修正,修正时刻的选择决定了入轨精度和燃料消耗。本文选择二次修正策略,设计了一种多目标进化算法,以Pareto秩和小生境参数共享函数计算个体适应度,采用共享函数选择法、自适应变异法进行遗传操作。同时构造外部种群储存Pareto最优解,并引入最优解集边界值以加快算法收敛至非劣解集前端的速度。通过仿真验证,该算法能够较完整地得到中途修正时机问题的Pareto最优解集,且分布均匀,满足工程实际的需要。

摘要：提出一种改进的遗传算法 ,通过网表级编码、多目标评估和遗传参数自适应等措施 ,可依据多个设计目标 ,以较少的运算量自动生成和优化逻辑电路 在数字乘法器、偶校验器等进化设计实验中 。

摘要：针对图像滤波的可硬件化和细节保留中存在的问题,提出一种多目标学习的图像滤波电路函数级进化设计方法.首先建立平均绝对误差最小和高误差点数量最少的多目标滤波学习模型,以函数级基因表达式为进化电路个体的表征;采用离线进化模式搜索近似目标的最优进化电路个体,并对该个体的基因表达式进行VHDL转换,再将转换的VHDL移植于可编程逻辑器件上实现滤波电路.与多种滤波方法在边缘保留、峰值信噪比-均方误差的比较结果表明,电路在细节和边缘保留上有较大的提高,视觉效果更好.

摘要：基于分解的多目标优化算法在整个进化过程中由于种群规模和权向量保持不变,容易导致种群多样性下降和早熟收敛。针对这一问题,提出了一种基于成绩标量函数搜索的分解多目标进化算法。为使基于分解的多目标优化算法对决策空间均匀探索,首先通过分析当前种群的稀疏度,设计了一种自适应基于成绩标量函数的局部搜索策略,动态地增加种群规模和权向量;其次,提出了一种具有自适应缩放因子的改进混合差分算子,平衡算法的全局探索和局部开发能力。通过对10个函数进行数值实验,并与5种经典的多目标优化算法和6种基于分解的多目标优化算法相比,数值结果表明所提算法能够获得分布均匀且充分靠近Pareto最优前沿的解集。

摘要：COVID-19的流行在全球范围内造成巨大影响,对于这种突发的流行性疾病,如何有效和准确地对其诊断是后续医治的关键。近年来,基于卷积神经网络(Convolutional Neural Networks,CNN)的医学图像分类技术被广泛应用于COVID-19的诊断和识别。然而,针对特定问题设计出CNN网络架构,需要丰富的先验知识和高额的试错成本,影响CNN在实际问题中的适用性。因此,神经网络架构搜索(Neural Architecture Search,NAS)技术作为一种能够在特定数据集中自动搜索高性能网络架构的方法,已成为深度学习领域的一个热门研究领域。提出了一种基于多目标进化算法的神经网络架构搜索框架(MOEvoNAS),以分类准确率、召回率以及网络复杂度为优化目标,设计出轻量化、高性能的CNN,用于COVID-19计算机断层扫描图像的分类和识别。实验结果表明,相比于其他对比网络,所提出的MOEvoNAS在小型COVID-CT数据集以及更复杂的大型COVIDx-CT和COVIDx-CT 2A数据集上均表现出较好的性能。

摘要：目的基于物理模拟的人体运动生成方法由于能够合成符合自然规律的运动片段,可实时响应环境的变化,且生成的物理运动不是机械性的重复,因此是近年来计算机动画和虚拟现实领域中最活跃的研究方向之一。然而人体物理模型具有高维、非线性及关节间强耦合性等特点,求解人体物理运动十分困难。反馈控制器常用于人体物理运动控制,求解时通常需要对多个目标函数加权求和,然而权重的设置需多次试验,烦杂耗时。针对运动控制器求解困难的问题,本文提出了一种面向反馈运动控制器的多目标求解方法。方法首先,对运动数据进行预处理并提取关键帧求解初始控制器,并设计一种改进的反馈控制机制;在此基础上,种群父代个体变异产生子代,采用禁选区域预筛选策略去除不满足约束的个体,并通过重采样获取新解;然后,通过物理仿真获得多目标适应度值,采用区域密度多层取优选取分布均匀的优秀个体作为下一代父代,并通过基于剪枝的多阶段物理求解算法决定是否进入下一阶段优化;经过多次迭代后获得物理控制器,从而生成具有反馈的人体物理运动。结果针对提出的方法,本文针对多个测试函数和物理运动分别进行实验:在测试函数实验中,本文分别采用经典的测试函数进行实验对比,在相同的迭代次数下,相比之前算法,本文算法中满足约束的优秀个体命中率更高,反转世距离更小,且最优解集的分布更加均匀;物理运动生成实验中,分别针对走路、跑步和翻滚等运动进行物理运动生成,与之前算法进行对比,本文算法可以更早地完成收敛,同时目标函数值更小,表明生成的运动效果更好。结论本文提出的进化求解方法可以生成不同运动的控制器,该控制器不仅可以生成物理运动,而且还具备外力干扰下保持平衡的能力,解决了运动控制器求解中多目标权重设置困难、优化时间长的问题;除此之外,本文算法还对具有约束的多目标问题具有较好的求解效果。