论文部分内容阅读
基于Pareto最优解概念的多目标算法因其快速的随机搜索能力、良好的解集分布性广泛应用于生产、生活中。随着时代发展,工程实际优化问题日趋复杂,寻求一种高效搜索算法日趋紧迫。目标函数梯度因具有指向性质的信息,在单目标优化中已证明是十分有效的,但因梯度信息的求解时间复杂度较高,尚未在多目标优化问题中得到广泛应用。本文以梯度信息在进化算法中的构造与应用为线索,围绕单目标、多目标、约束多目标问题进行了研究,主要内容及创新点如下: 在复杂多目标优化问题中,目标函数梯度很难通过求导直接获得,算法复杂度较高。为解决梯度的构造问题,引入进化梯度搜索算法并进行参数优化及自适应步长改进;为将其应用于多目标问题,结合登山算法下降域的思想提出一种局部搜索算子,并利用适应度概率选择策略,将此算子与进化算法相结合,提出一种基于进化梯度搜索的多目标混合算法(MOEGS),效果比经典算法有较大提高。 传统多目标进化算法求解复杂优化问题速度较慢,且梯度信息的研究大都集中于寻求单一目标改善方向,剥离了多目标问题的本质。为此,本文尝试采用新的自适应聚合、梯度线性搜索、分步排序等策略,提出基于自适应聚合梯度的多目标优化算法(MOAAGS)。通过测试函数测试,该算法在收敛性、分布性及鲁棒性方面表现更佳。将其应用于MDI缩合化工过程中,结果显示该算法具有更高的运行效率。 传统算法求解多约束多目标问题收敛效果较差,且应用梯度信息的算法也较少。为此,本文结合ε约束处理机制,提出一种基于梯度信息的约束多目标差分进化算法(CMOEAGS)。该算法针对差分进化算法易早熟的缺点,提出自适应参数调整策略;结合ε约束伪可行解概念,添加外部集存放非支配解集;利用梯度信息的寻优快速性,采用进化梯度搜索算子提高算法的局部搜索能力。通过CTP系列及其他测试函数表明,CMOEAGS算法具有更出色的分布性及收敛快速性。将其应用于Weld beam等三类工程应用实际中,结果显示本文提出的CMOEAGS算法各项性能更加优秀。