论文部分内容阅读
在实际生活中,很多问题所需要优化的目标个数很多,往往会大于甚至远大于3个,我们将这一类问题称为高维多目标优化问题(Many-objective Optimization Problems,MaOPs),而解决这类问题的多目标进化算法,则称之为高维多目标进化算法(Many-objective Evolutionary Algorithms,MaOEAs)。一般来说,对于一个高维多目标优化问题,随着目标个数的增加,收敛性能和分布性能之间的冲突关系会逐渐恶化。而且,Pareto支配关系在高维问题中也失去其效力,传统的MOEAs的选择机制所能提供的选择压力不足以从大量充斥在目标空间中的非支配解中区分出更优秀的个体。因此,需要一个有效的选择方法来平衡收敛性和分布性,增加选择压力。本文提出了一个高维多目标进化算法,“自适应邻域选择的多目标进化算法(Adaptive neighborhood selection for many-objective optimization problems,ANS-MOEA)”,来处理高维多目标优化问题。对于每个个体设计两个信息:收敛信息(CI)和分部信息(DI)。在临界层选择中,一个收敛性好的个体首先从种群中选择出来,而它邻域内的个体(通过DI求出)随后被放到邻域集合(NC)内。在NC未满的时候,这些邻域内的个体会直接放到里面,而当NC饱和的时候,待放入的邻域个体会与NC当中已经存在的个体进行比较,通过个体之间DI的比较使得拥有较大DI值的个体保留在种群中,而拥有较小DI值的个体则被暂存于NC中,直到归档集(Archive)满后,NC中的个体即被淘汰掉。为了验证ANS-MOEA效果,本文选择了 4个先进的高维多目标进化算法,NSGA-III,IBEA,BIGE,GrEA,来作为对比算法。实验结果显示ANS-MOEA能有效的提高算法的选择压力,从而在解决高维问题时提供一组能平衡收敛与分布的Pareto最优解集。