求解眾目標(biāo)優(yōu)化問(wèn)題的演化算法研究.pdf

1、演化算法作為一種具有群體搜索策略的啟發(fā)式算法，被越來(lái)越多地應(yīng)用到科學(xué)研究、工業(yè)制造中。近年來(lái)，被用來(lái)解決眾目標(biāo)優(yōu)化問(wèn)題(many-objectiveoptimization problems)的有效演化算法也越來(lái)越多。在本文中，我們提出了兩個(gè)新的分別用于解決無(wú)約束和有約束眾目標(biāo)優(yōu)化問(wèn)題的算法。
　　(1)眾目標(biāo)優(yōu)化問(wèn)題有很多個(gè)可能存在沖突關(guān)系的目標(biāo)，同時(shí)優(yōu)化所有的目標(biāo)往往面臨很多困難，如無(wú)法比較解的質(zhì)量等。我們提出了一個(gè)只在選中的

2、部分目標(biāo)上比較解的算法:在選中的兩個(gè)目標(biāo)上進(jìn)行Pareto部分支配的眾目標(biāo)演化算法PPDSO-MOEA(Pareto partial dominance on two selected objectivesmany-objective evolutionary algorithm)。本算法設(shè)計(jì)了一個(gè)選擇部分目標(biāo)的方法，在選擇父群體時(shí)，只使用兩個(gè)選中的目標(biāo)計(jì)算解之間的支配關(guān)系。本算法中選中的兩個(gè)目標(biāo)是離最優(yōu)點(diǎn)Rpoint最遠(yuǎn)和次遠(yuǎn)的兩個(gè)目

3、標(biāo)。最優(yōu)點(diǎn)point中存儲(chǔ)的是到目前為止，每個(gè)目標(biāo)上的歷史最優(yōu)值。當(dāng)有新的解生成時(shí)，實(shí)時(shí)更新Rpoint。每隔一定的演化次數(shù)就重新使用選擇目標(biāo)的方法更換兩目標(biāo)組合來(lái)優(yōu)化所有的目標(biāo)。在無(wú)約束的DTLZ2和DTLZ4問(wèn)題上驗(yàn)證算法的性能。選擇算法MOEA/D，SPEA2+SDE，MyODEMR，PPD-MOEA和隨機(jī)選擇目標(biāo)方法RSO2作為對(duì)比算法，實(shí)驗(yàn)結(jié)果表明我們的算法PPDSO-MOEA在多數(shù)情況下要優(yōu)于其他的算法。
　　(2)現(xiàn)

4、實(shí)中的很多問(wèn)題都是有約束的，算法PPDSO-MOEA主要解決的是無(wú)約束的問(wèn)題，為了解決有約束問(wèn)題，我們對(duì)PPDSO-MOEA進(jìn)行改進(jìn)，設(shè)計(jì)一個(gè)新的基于部分支配的算法:PPDSO2-MOEA。由于PPDSO2-MOEA針對(duì)的是有約束問(wèn)題，違反約束的解不是可行解，所以當(dāng)?shù)玫降慕馐遣豢尚薪鈺r(shí)，需要使用貪心修復(fù)策略進(jìn)行修復(fù)。PPDSO2-MOEA中的archive集合中存放的不一定全是非支配解，因?yàn)橛袝r(shí)可行的非支配解的個(gè)數(shù)不一定達(dá)到要求，就要用

5、非支配解填充。而PPDSO-MOEA中的archive集合中只存放非支配解，并且archive集合大小是動(dòng)態(tài)變化的。從archive中選擇父群體時(shí)，PPDSO2-MOEA需要計(jì)算crowdingdistance并對(duì)解進(jìn)行排序，然后按層逐個(gè)選擇解。考慮選出的目標(biāo)之間的沖突性，選擇目標(biāo)的方法除了PPDSO-MOEA中的方法外，在群體性能不能明顯改善時(shí)，使用一次隨機(jī)選擇目標(biāo)的方法。在有約束的眾目標(biāo)0/1背包問(wèn)題上驗(yàn)證算法的性能。算法PPD-M