论文部分内容阅读
多目标优化问题是现实生活和生产实践中常见的一类优化问题。对求解多目标优化问题的算法研究一直是学者们热衷的领域。传统的多目标优化算法对于目标函数具有严格的限制,如连续,可导等。这大大地限制了传统多目标优化算法的应用范围。随着上世纪90年代进化算法的兴起,该研究领域取得了重要的进展。多目标进化算法具有对目标函数要求低,智能性,隐并行性以及自适应性的特点,并且运行一次就可以同时获得一组Pareto最优解。MOEA/D(Multi-objective Evolutionary Algorithm based on Decomposition)算法是近年提出的一类基于分解技术的多目标进化算法。由于其简单并且优越的性能,在众多的多目标进化算法中脱颖而出。与其他的多目标进化算法相比,MOEA/D算法在连续的多目标优化问题上具有优势,但是面对较难的和目标个数较多的多目标优化问题仍然存在很大的挑战,如容易陷入局部最优,收敛速度慢等。本文着重围绕MOEA/D算法的改进以及应用两方面进行了深入的研究,主要的创新性研究成果如下:①针对MOEA/D-DRA(MOEA/D with Dynamic Resource Allocation)算法在解决较难的多目标优化问题时,该算法的效用函数无法合理地分配计算资源的缺点,提出了一种基于新效用函数的MOEA/D-DRA(MOEA/D-DRA-NU,MOEA/D-DRA with New Utility function)算法。在MOEA/D-DRA-NU算法的效用函数中,将个体到该个体的方向向量的垂直距离或者该个体沿方向向量到理想点的距离的相对减少量作为度量子问题难易程度的标准。在UF测试函数集上进行测试,实验结果表明,MOEA/D-DRA-NU算法比原MOEA/D-DRA算法和经典的MOEA/D-DE算法的性能都要优越。与最新提出的多目标进化算法MOEA/D-IR,ED/DPP-DRA和MOEA/D-FRRMAB相比较,MOEA/D-DRA-NU算法的耗费时间最短,而且优化效果较好。②现实生活中,决策者可能并不需要整个Pareto前沿的数据,而是仅仅需要其中一部分的数据。为了得到便于决策者选择的部分Pareto前沿,本文提出了一种改进的RMEAD(Reference point based Multi-objective Evolutionary Algorithm by Decomposition)算法,(记为IRMEAD,Improved RMEAD)。该算法从如下两方面修改了RMEAD算法。其一,提出了一种简单的寻找基权重向量的新方法;其二,修改了原算法的权重向量更新步骤。大量的实验结果表明,与RMEAD算法相比,在所有的测试函数上,IRMEAD算法得到了在多样性和收敛性上更好的结果。与最新提出的融合偏好的多目标进化算法MOEA/D-PRE相比,IRMEAD算法在大部分测试函数上具有明显优势。③提出了基于分解的多目标进化算法的多序列比对方法MOMSA(Multi-objective evolutionary algorithm based on decomposition for Multiple Sequence Alignment)。首先,对多序列比对问题进行建模,将多序列比对问题转化为一个多目标优化问题,然后将MOEA/D算法应用于求解该多目标优化问题。在该方法中,本文发展了一种新的种群初始化方法和一种新的变异操作。与经典的以及最先进的多序列比对方法比较,大量的实验结果表明,在测试集BAli BASE 2.0和3.0上,MOMSA得到的比对精度高于最近提出的基于单目标进化算法的多序列比对方法VDGA,GAPAM和IMSA。另外,与14种经典的多序列比对方法相比,实验结果也表明本文提出的MOMSA算法得到的多序列比对精度具有较强的竞争力。