網(wǎng)格機(jī)制多目標(biāo)進(jìn)化算法研究.pdf

1、進(jìn)化算法求解多目標(biāo)優(yōu)化問題已經(jīng)成為多目標(biāo)優(yōu)化領(lǐng)域研究的熱點之一,現(xiàn)實中的優(yōu)化問題通常具備兩個或兩個以上相互沖突的目標(biāo)。跟單目標(biāo)優(yōu)化問題有唯一的最優(yōu)解不同,多目標(biāo)優(yōu)化問題的最優(yōu)解是一組折中解,通常稱為Pareto最優(yōu)解集。多目標(biāo)進(jìn)化算法是模擬生物自然選擇的隨機(jī)搜索算法,并且在求解高度復(fù)雜的非線性多目標(biāo)優(yōu)化問題有很大的優(yōu)勢,因此,在過去的二十年里引起了學(xué)術(shù)界眾多學(xué)者的關(guān)注,同時得到快速的發(fā)展。然而,大部分算法在處理MOPs和CMOPs時,很

2、少考慮從已有的信息(如:種群信息、進(jìn)化軌跡、優(yōu)良個體分布等)中進(jìn)行學(xué)習(xí)、交流。另外,已有的算法沒有考慮種群全局信息對進(jìn)化的作用。實際上這些信息對進(jìn)化種群的影響也是非常重要的,進(jìn)化種群必須在特定的信息中才能更好的進(jìn)化。另一方面,自適應(yīng)網(wǎng)格技術(shù)其難點在于每維目標(biāo)上單元網(wǎng)格的尺寸很難確定,如果其尺寸確定后,即網(wǎng)格總數(shù)相應(yīng)的確定。一般情況下,種群中的個體所占的網(wǎng)格數(shù)目是非常少,導(dǎo)致分布性在一定程序上受到影響。本文主要針對網(wǎng)格機(jī)制多目標(biāo)進(jìn)化算法進(jìn)

3、行研究,所做的主要工作包括下面兩個方面:
　　第一,提出一種網(wǎng)格激勵機(jī)制的約束多目標(biāo)進(jìn)化算法(C-GIEA)。大多數(shù)約束多目標(biāo)進(jìn)化算法沒有考慮種群中的信息交流,缺乏指導(dǎo)性的搜索。C-GIEA利用網(wǎng)格保存各種信息和約束條件來引導(dǎo)種群進(jìn)化。一方面,對約束空間有很強(qiáng)的搜索能力,使其向更優(yōu)的搜索區(qū)域逼近,最終向最優(yōu)解靠近;另一方面,通過種群狀態(tài)調(diào)整網(wǎng)格中其它信息,實現(xiàn)種群與這些信息相互學(xué)習(xí)和共同進(jìn)化。并反過來實現(xiàn)對種群的促進(jìn)、導(dǎo)向功能。通

4、過與2個著名算法的對比實驗,結(jié)果表明C-GIEA在解集的收斂性、分布廣泛性和分布均勻性有良好的性能。
　　第二,提出混合自適應(yīng)網(wǎng)格進(jìn)化算法(HAGA)。自適應(yīng)網(wǎng)格算法中的單元網(wǎng)格在每個目標(biāo)上的尺寸很難確定。如果尺寸選擇不恰當(dāng),將會使得解集的分布性很差。HAGA將局部搜索因子、修剪因子和差分進(jìn)化算子加到自適應(yīng)網(wǎng)格中,并輔助網(wǎng)格算法搜索更優(yōu)解。此方法的主要思想通過等分每個目標(biāo)值將解的搜索空間均勻地劃分成若干網(wǎng)格,并在種群的進(jìn)化過程中隨