论文部分内容阅读
多目标优化问题的研究主要是提高非支配解集以达到Pareto最优解,但应用于多目标优化的算法存在过早收敛、非支配解集获取差、旋转空间对非支配解集的影响等问题。针对这些问题,本文将协方差矩阵自适应学习机制(CMA-ES变体,即精英CMA-ES)应用于多目标优化问题,解决多目标优化问题过早收敛、非支配解集效率差的问题。完成的工作如下:(1)针对Cholesky因子更新标准CMA-ES的不足,提出Cholesky因子秩-μ更新协方差矩阵方法。将Cholesky因子秩-μ更新方法结合Cholesky因子秩-1更新方法应用标准CMA-ES和Active-CMAES,并将其与其他CMA-ES变体进行比较。实验结果表明,提出的Cholesky因子秩-μ更新方法有效提高协方差矩阵秩-μ更新的时间,应用于标准CMA-ES和Active-CMAES后,算法的运行时间快于原始算法。(2)针对三角Cholesky因子秩-1更新CMA-ES的不足,提出一种新的累积进化路径。新的累积进化路径代替三角Cholesky因子更新CMA-ES时的共轭进化路径更新步长,不再需要计算逆三角Cholesky因子。为了验证改进三角Cholesky因子秩-1更新CMA-ES的效率,同时对比两种Cholesky因子秩-1和秩-μ更新CMA-ES的时间与效率。实验选取基准测试函数进行仿真验证,实验结果表明新的累积进化路径结合三角Cholesky因子更新协方差矩阵时,步长值不受影响,且算法的运行时间快于原始算法,目标函数值保持最优。(3)基于(1)和(2)的工作,改进精英CMA-ES算法。一是使用辅助进化路径改进精英CMA-ES中Cholesky因子秩-1更新的时间复杂度高的问题。二是将Cholesky因子秩-μ更新模型应用于精英CMA-ES中,通过实验比较改进的精英CMA-ES与其他精英CMA-ES变体的效率。实验结果表明,改进的精英CMA-ES具有较好的性能。(4)将(3)中的改进的精英CMA-ES算法结合非支配排序、拥挤距离应用于求解多目标优化问题形成MOCholCMA算法,并在多目标测试函数集中比较MOCholCMA算法与其他经典多目标进化算法。实验结果表明,MOCholCMA算法具有很好的收敛性、IGD指标值、DM指标,非支配解集构成的Pareto前沿接近真正的Pareto前沿,MOCholCMA算法继承CMA-ES算法的不变属性,对旋转空间具有不变性。