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。