论文部分内容阅读
在现代的生产生活实际中存在着数量可观的多目标优化问题(multiobjective problems,MOPs),这些问题的特点是具有不止一个需要同时优化的目标,并且它们一般彼此存在冲突的关系。与应用于单个目标的进化算法不同,多目标进化算法(multiobjective optimization evolutionary algorithms,MOEAs)在解决多目标优化问题时,最终结果将得出一系列Pareto最优解用于问题决策者进行选择。将Pareto支配关系加入到多目标优化中极大地推动了优化算法的发展,并且在解决包含2至3个目标的优化问题中的应用取得了有效的成果。但是在如今生产生活实际中,高维多目标优化问题占了很大的比例。传统基于Pareto支配的进化算法在解决这类问题时由于在适应度评价的过程中缺乏足够的选择压力,因此面临着Pareto支配无效的困境。除此之外,Pareto分层排序会消耗大量时间,收敛性和多样性难以平衡也是一般基于Pareto支配的进化算法在处理高维多目标优化问题时容易遇到的问题。为了提高进化算法在高维多目标优化问题上的性能,有效改善算法的收敛性和解集的分布性,本文提出了以模糊逻辑为基础的模糊支配规则(fuzzy dominance rules,FDR),以经典Pareto支配进化算法的框架为基础,本文采用一种新的适应度评估机制来将最优解区分为多个不同的优化等级。作为研究的案例,本文首先将模糊支配的概念加入到目前较为先进和常用的以参考点为基础的第三代快速非劣排序遗传算法中,将原有基于Pareto支配的适应度评估规则替换为模糊适应度评估机制。将改进之后的算法与目前常用的几个性能较好的经典进化算法在DTLZ系列标准测试函数集上展开对比仿真实验,实验结果证明本文提出的算法相比于其他算法存在一定优势。在接下来的工作中,本文将模糊理论与多目标优化中的分解策略相结合,在以分解思想为核心的经典多目标进化算法MOEA/D中加入了模糊支配等级的计算规则,提出了一种改进的基于分解的模糊支配高维多目标进化算法MOEA/D-FPD。为了验证改进后算法获得的性能,本文将MOEA/D-FPD算法与当前性能较好的几种常用多目标进化算法在WFG系列标准测试函数集上进行仿真试验,通过将各进化算法在具有不同难度特征和含有不同目标数的测试问题上的寻优性能表现进行对比分析,证明了引入模糊支配规则对改善进化算法解集多样性和收敛性的作用。