论文部分内容阅读
在科学研究和工程应用中存在着各种各样的多目标优化问题。由于目标之间往往互相矛盾，不可能同时达到最优，因此决策者需要结合实际从中选择折中的解。多目标进化算法是解决多目标优化问题的有效工具。近年来，各种多目标进化算法大量涌现，其已成为科学研究和工程应用中的一个热点研究方向。 本文对基本的多目标元胞差分算法(CellDE)进行了详细介绍，分析了该算法在求解多目标优化问题时存在的不足，即算法在进化过程中对外部种群的维护时间开销比较大，算法采用部分反馈机制导致其在运行前期搜索效率比较低，算法现有的差分变异方式存在着不易使其跳出局部最优的缺陷。鉴于此，本文提出了改进的多目标元胞差分算法，并将其应用于工程优化设计。论文主要研究内容如下: 1.为了提高CellDE求解多目标优化问题的性能，提出外部种群完全反馈的元胞差分算法(NCellDE)。在每一代进化之后，根据秩与k最近邻距离对外部种群进行修剪，并将修剪后的整个外部种群随机分配到二维网状结构，在原有变异操作中引入新的扰动来避免算法陷入局部最优。通过对6个基准函数及车间设备布局优化问题进行测试，结果表明新算法相对于其他算法具有更好的前端覆盖性，新的变异方式能提高算法跳出局部最优解的能力。 2.为了进一步提高Pareto前端的分布均匀性和收敛性，论文又对NCellDE的外部种群反馈机制和维护策略进行调整，提出两阶段外部种群充分引导的元胞差分算法(DLCellDE)。第一阶段采用NCellDE算法。第二阶段引入CellDE的外部种群保留策略，同时将外部种群完全反馈。通过对15个基准函数及格林斯基减速器优化问题进行测试，对比实验表明DLCellDE能获得分布更加均匀的Pareto前端，同时算法的收敛性也得到了提高。 3.以摆线针轮行星减速器的多目标优化设计为例，对目标函数与约束条件进行选取与推导，建立其多目标优化模型，采用DLCellDE对模型进行求解。DLCellDE获得了比CellDE更好的Pareto前端解，并且提供了优于常规设计的可选方案。 本文主要从外部种群的多样性维护和反馈机制及差分变异方式对CellDE的求解性能进行改进。优化设计案例进一步证实了改进算法的工程可行性和有效性。