论文部分内容阅读
在传统的多目标优化问题(Multiobjective Optimization Problems,MOPs)中,目标空间中一个真实的帕累托前沿(Pareto Front,PF)被决策空间中唯一一个帕累托最优解集(Pareto optimal Set,PS)所映射,当所映射的帕累托最优解集个数大于等于2个时,MOPs便被定义为多模多目标优化问题(Multi-modal Multi-objective Optimization Problems,MMOPs)。经典的多目标进化算法(Multi-objective Evolutionary Algorithms,MOEAs),如NSGA-II,SPEA2和MOEA/D等,能有效的解决MOPs,但是在处理MMOPs时由于缺乏决策空间中多样性维护机制,导致算法在决策空间中的多样性丢失。因此,在多模多目标环境下平衡算法在决策空间和目标空间的多样性是亟待解决的问题。除此之外,在保证算法优化最终得到的解集在两个空间中具有良好多样性的同时,MOEAs还需要保证最终的解收敛到每个PS上。因此,平衡两个空间中的收敛性和多样性是在设计MOEAs必须要考虑的。本文提出了一种基于两归档集的进化多模多目标算法(Evolutionary Multi-modal Multi-objective Algorithms,EMMOAs)来解决MMOPs,我们把提出的EMMOAs命名为基于分解和适应度分配的两归档集算法解决多模多目标优化问题(A Two-Archive Algorithm with Decomposition and Fitness Allocation for Multi-modal Multi-objective Optimization,TA&DF)。算法的整体框架是基于两个归档集合,收敛性归档集(Convergence Archive,CA)促进种群的收敛性,多样性归档集(Diversity Archive,DA)维护种群的多样性。两个归档集合的更新都是基于分解的框架。在CA中,TA&DF通过分析种群进化过程中目标空间的收敛性和决策空间的多样性的变化状态,提出了一种新的适应度选择方案,促使种群搜索到不同的PS。在DA中,TA&DF使用基于决策空间的拥挤距离来维持决策空间的多样性。此外,在两个归档集中我们采用不同的邻域准则来保证种群的收敛性和多样性。本文提出的方法与5种经典的EMMOAs(MO_PSO_Ring_SCD,DNEA,Tri MOEA-TA&R,DN-NSGA-II和Omni_optimizer)在MMF、Omni、SYM_PART和IDMP系列测试问题上进行了对比。通过比较IGDM和IGDX评价指标结果发现,本文提出的方法在不同的测试问题下都具有优秀的表现。为了验证本文提出的新的适应度选择方案的有效性,该方案与SPEA2的适应度方案和MOEA/D的PBI聚合函数在上述系列测试问题以及评价指标上做了横向对比,本文提出的适应度选择方案在解决MMOPs时是有效的。