论文部分内容阅读
近年来,进化多目标优化(Evolutionary Multi-objective Optimization,EMO)算法研究逐渐成为进化计算研究领域的一个重要内容。EMO算法一次运行就可以获得一组具有代表性的Pareto最优解的集合,已经逐渐成为求解多目标优化问题的主流方法之一。但是多数现有的EMO算法更多的关注了目标空间上的选择机制,在决策空间的搜索上只是简单继承了单目标优化算法的策略,而很少针对多目标优化问题的特点设计有效的搜索算子。班德文学习理论近年来已被广泛引入进化计算,为求解多目标优化问题提供了一条崭新的道路。本文正是针对连续多目标优化问题,利用其独有的规律性,设计了一种基于种群分布模型学习的班德文进化算子。并将这种班德文进化算子分别引入两种不同的进化多目标优化算法,从而提出了两种班德文进化多目标优化算法。因此,本文主要内容为：(1)提出了一种基于种群分布模型学习的班德文进化算子。基于连续多目标优化问题的规律性,此算子通过建立当前种群的分段概率分布模型来获取当前进化信息,并考虑父代种群的历史进化信息,从而结合当前进化信息和父代的历史进化信息产生预测性的进化方向对个体进行搜索。(2)将设计的班德文进化算子分别引入两种不同类型的算法非支配近邻免疫多目标优化算法和基于分解的进化多目标优化算法,提出了基于免疫克隆的班德文多目标优化算法(Baldwinian Evolutionary Multi-objective Optimization Algorithm Based on Immue Clone,MIAB)和基于分解的班德文进化多目标优化算法MOEA/D/BL(Baldwinian Evolutionary Multi-objective Optimization Algorithm Based on Decomposition,MOEA/D/BL)。通过分析两种原算法的特性以及优势和不足,MIAB和MOEA/D/BL均在适当的位置以适当的结合方式引入和使用班德文进化算子对个体进行搜索。实验结果表明,这种针对问题特点设计的班德文进化算子是有效的,不仅可以加快原算法的收敛速度,而且能够保持较好的种群多样性。