进化算法以其搜索的全局性逐渐成为解决MOP问题的有效工具。以下按照Coello Coello[14,15]的总结方式来简介多目标进化优化领域的一些代表性算法。第一代多目标进化算法1989年,Goldberg建议用非支配排序和小生境技术来解决MOP问题。第一代多目标进化算法以基于非支配排序的选择和基于共享函数的多样性保持为其主要特点,但这一代MOEA算法的缺点也十分明显。因此,第二代多目标进化算法普遍使用了精英策略。......
2023-11-26
1.智力激励法
智力激励法又称智暴法,其英文原文是Brain Storming,故又被称为头脑风暴法或BS法,是创造学的奠基人——美国学者奥斯本于1939年创立的。智力激励法是运用群体创造原理,充分发挥集体创造力来解决问题的一种创新设计方法。这种方法的操作过程是:针对一个设计问题,将五六个人召集到一起进行讨论,与会者可以敞开思想,畅所欲言,充分表明自己对解决该问题的意见,供设计者参考和研究。
智力激励法的中心思想是:激发每个人的直觉、灵感和想象力,让大家在和睦、融洽的气氛中自由思考。不论什么想法,都可以原原本本地讲出来,不必顾虑这个想法是否“荒唐可笑”。为此,组织者对与会者提出以下四条规定原则:
(1)自由思考原则。这一原则是要求与会者尽可能地解放思想,无拘无束地思考问题,不必顾虑自己的想法是否“离经叛道”或“荒唐可笑”。
(2)延迟评判原则。这一原则是限制在讨论问题时过早地进行评判。传统会议上,人们习惯于对自以为不正确、不可行的设想迫不及待地提出批评意见或做出结论,这实际上是压制不同的想法,甚至还会扼杀具有创造性的萌芽方案。因此,奥斯本智力激励会特别强调,与会者在会上不要使用诸如“这根本行不通!”“这个想法太荒唐了!”“这个方案真是绝了!”之类的“扼杀句”或“捧杀句”。至于对设想的评判,应等到大家畅谈结束后,再组织有关人士进行分析。
(3)以量求质原则。奥斯本认为,在设想问题时,越是增加设想的数量,就越有可能获得有价值的创意。通常,最初的设想不大可能最佳。有人曾用试验表明,一批设想的后半部分的价值要比前半部分高78%。因此,奥斯本智力激励法强调与会者要在规定的时间内加快思维的流畅性、灵活性和求异性,尽可能多而广地提出有一定水平的新设想,以大量的设想来保证质量较高的设想的存在。
(4)综合改善原则。这是鼓励与会者积极参与知识互补、智力互激和信息增殖活动。俗话说:“三个臭皮匠,顶个诸葛亮。”几个人在一起商量或综合大家的想法,总可以强化自己的思维能力和提高思考的水平。因此,奥斯本智力激励会要求与会者仔细倾听他人的发言,注意在他人启发下及时修正自己不完善的设想,或将自己的想法与他人的想法加以综合,再提出更完善的创意或方案。在智力激励会上,任何一个人提出的新设想都构成对其他人的信息刺激,具有知识互补和互相诱发激励的作用。
由于会议强调自由思考,不受约束,因而可以激励动因,同时通过相互补充和启发,又增加了联想的机会,使创造性的思维在与会者中间产生共振和连锁反应,由此诱发出更多的创新设想。只要在提出的设想中有几个新颖又有价值的设想可供进一步仔细研究,也就达到了会议的目的。
例如,美国北部冬季气候严寒,大跨度的输电线常被线上的积雪压断造成事故。如何避免这类事故,过去一直未能找到很好的解决方案。后来,电力公司决定采用智暴法来解决这个问题。会上有人提出设计一种专用电线扫雪机;有人提出用电热来化解冰雪;也有人提出用振荡技术来清除积雪。其中有人提出一个几乎十分滑稽可笑的方案:乘坐直升机去扫除电线上的积雪。一位工程师在听到这个想法后,思维受到激励,马上提出利用直升机螺旋桨产生的高速下降气流扇落积雪的方案。方案提出后,顿时又引起其他与会者的联想,进一步提出制造专用的“除雪飞机”和“特殊扇雪螺旋桨”等创意。会后,公司组织专家对各种设想进行论证,最终选择了用改进直升机扇雪的方案。于是一种专门用于清除电线上积雪的小型直升机就这样诞生了。
2.书面集智法
在推广应用智力激励法的过程中,人们发现经典的智力激励法虽然能自由探讨、得到互相激智的气氛,但也有一些局限性。如有的创造性强的人喜欢沉思,但会议无此条件;会上表现力和控制力强的人会影响他人提出设想;会议严禁批评,虽然保证了自由思考,但难于及时对众多的设想进行评价和集中。为了克服这些局限,许多人针对与会者的不同情况,先后对奥斯本技法进行了改进,形成了基本激励原理不变但操作形式和规则有异的改进型技法。其中最常用的是书面集智法,即以笔代口的默写式智力激励法。实施时人们又常采用“635法”的模式,即每次会议请6人参加,每人在卡片上默写3个设想,每轮历时5 min。
实施以“635法”为特点的书面集智,可采用以下程序:
(1)会议的准备。选择对书面集智基本原理和做法熟悉的会议主持者,确定会议的议题,并邀请6名与会者参加。
(2)进行轮番性默写激智。在会议主持人宣布议题(创造目标)并对与会者提出的疑问解释后,便可开始默写激智。组织者给每人发几张卡片,每张卡片上标上1、2、3号,在每两个设想之间留出一定空隙,好让其他人再填写新设想。
在第一个5 min内,要求每个人针对议题在卡片上填写3个设想,然后将设想卡传递给右邻的与会者。在第二个5 min内,要求每个人参考他人的设想后,再在卡片上填写3个新的设想,这些设想可以是对自己原设想的修正和补充,也可以是对他人设想的完善,还允许将几种设想进行取长补短式的综合,填写好后再右传给他人。这样,半小时内传递5次,可产生108条设想。
(3)筛选有价值的新设想。从收集上来的设想卡片中,将各种设想,尤其是最后一轮填写的设想进行分类整理,然后根据一定的评判准则筛选出有价值的设想。
3.函询集智法
函询集智法又称德尔菲法,其基本原理是借助信息反馈,反复征求专家书面意见来获得新的创意。其基本做法是:就某一课题选择若干名专家作为函询调查对象,以调查表形式将问题及要求寄给专家,限期索取书面回答。收到全部复函后,将所得设想或建议加以概括,整理成一份综合表。然后,将此表连同设想函询表再次寄给各位专家,使其在别人设想的激励启发下提出新的设想或对已有设想予以补充或修改。视情况需要,经过数轮函询,就可得到许多有价值的新设想。
函询集智法有两个特点,也是其优点。它不是把专家召集起来开会讨论,而是用书信方式征询和问答,使整个提设想过程具有相对的匿名性。专家相互之间不见面,有利于克服一些心理障碍,便于充分发表新颖意见或独特看法。轮间反馈则保证了专家之间的信息交流和思维激励。
此法一般需要较长的时间,专家的设想多是建立在稳重思考的基础之上的,因此提出的设想可信度或可行性较好。但由于没有奥斯本智力激励法所提供的那种自由奔放和激励创造的气氛,在提出新颖性高的设想方面可能要逊色一些。
有关工业机器人基础的文章
进化算法以其搜索的全局性逐渐成为解决MOP问题的有效工具。以下按照Coello Coello[14,15]的总结方式来简介多目标进化优化领域的一些代表性算法。第一代多目标进化算法1989年,Goldberg建议用非支配排序和小生境技术来解决MOP问题。第一代多目标进化算法以基于非支配排序的选择和基于共享函数的多样性保持为其主要特点,但这一代MOEA算法的缺点也十分明显。因此,第二代多目标进化算法普遍使用了精英策略。......
2023-11-26
鉴于此,一些研究者提出了设计多目标优化测试问题的系统方法和基本原则。为此,Deb等[20]提出了以下三种设计多目标优化测试问题集的方法:将单目标优化问题组合成多目标优化问题;采用自底向上的设计方法;对曲面进行约束设计。Deb详细阐述了构造多目标测试函数的系统方法及其特点,指出设计一个(组)测试函数的主要依据是基于多目标优化方法所期望的函数特征。......
2023-11-26
事实上,“Ta在”也有类似的措施。另外,通过整合众多个体的贡献,“Ta在”能够学习人类的智慧。这样一来,我们就可以更明显地观察“Ta在”智慧水平的变化。例如,在2019年8月19日,“Ta在”的系统智商为19.16。毫无疑问,这些都体现了“Ta在”群体智能算法的演化特征。就这样,对于内容来说,“Ta在”通过演化群体智能算法,能够实现一种新的组织和分发方式,以及检索方式。......
2023-08-06
例如,基于分布估计算法提出的RM-MEDA算法[20]、将传统的数学规划方法与进化算法相结合提出的MOEA/D[21]等。这些新型进化范例的引入提高了MOEA算法解题的效率与效果,它们为MOP问题的求解开辟了更广阔的空间。这一类MOEA算法避免了Pareto占优引起的大量比较问题,但由于超体积本身的计算量较大,需要引入蒙特卡罗估计等方法来提高计算速度。因此,单链模式便成为影响MOEAs收敛的重要潜在因素。......
2023-11-26
鉴于多目标优化问题在科学研究和实际应用中普遍存在,因此,研究MOP问题的求解具有重要的现实意义。多目标优化这一概念在早期的研究文献中也被称为多准则决策或多属性决策。意大利经济学家L.Pareto[8]于1896年在其关于经济福利的著作中最早提了到多目标优化问题以及后来被称为Pareto最优的均衡状态。因此,ε约束法实质上是将MOP问题转化为带约束的单目标优化问题进行求解。......
2023-11-26
基于此,对eMOFEOA算法不同世代的烟花种群采用非线性递减的半径变化方式,而在同一代群体内则基于个体间Pareto支配强度的差异而被赋予不同的爆炸半径。选择火星eMOFEOA算法均匀随机初始化种群之后,从第二代起将当前种群中每一个个体都视为一个炸点,这些炸点爆炸后将会产生大量的火星,这些火星与炸点一起进行评估以选择出较优的火星(炸点)参与下一次爆炸。......
2023-11-26
MOPSO算法的创新性设计及其优异的性能,使其成为利用粒子群优化算法求解多目标优化算法的经典范例。目前,基于分解的多目标进化算法获得了较快的发展。由于运用聚合函数[31]将多目标优化问题转化为多个单目标子优化问题,因此如何选择合适的聚合函数就成为MOEA/D算法的重要问题。Solima等[38]将协同进化与局部搜索的思想融入多目标差分进化算法,以指导搜索向着Pareto最优解逼近。......
2023-11-26
根据优化的对偶理论,只需考虑最小化问题。不失一般性,一个具有n个决策变量,m个目标函数,(p+q)个约束的MOP问题可定义为:其中,x=(x1,x2,…定义2假设x1,x2∈Xf是上述MOP问题的可行解,称x1 Pareto支配x2当且仅当i=1,2,…,m)成立且至少有一个是严格不等式,则称x是(7.6)式的Pareto最优解。,Tmax,Tmax为MOEA算法最大进化代数,|·|为集合的基数。同理,对于y2,y3∈Pop,使得y3y2,即有y3y2y1成立。......
2023-11-26
相关推荐