论文部分内容阅读
超多目标优化问题作为一类重要的优化问题,其广泛出现在工业界的各个领域,如航空发动机健康管理系统、水流分配系统、汽车发动机校准问题、土地有效使用问题。因此解决超多目标优化问题具有重要的实际意义。本文在进化算法的基础上,提出了两种有效求解超多目标优化问题的超多目标进化算法。本文的主要研究工作和创新如下:(1)为了增大算法的选择压力以及维持解集的多样性,本文在PDMOEA算法的基础上提出了基于目标函数均值和方差Pareto排序的超多目标进化算法(MOEADAVR)。MOEAD-AVR算法通过引入参考点集将目标空间划分为多个子空间;然后将种群内的个体按照欧式距离的大小分配到子空间;其次利用目标函数值的均值和方差对每一个子空间内的个体进行排序;接着按照排序顺序和Pareto支配关系从子空间中选出父代放入匹配池;最后随机从匹配池中选取两个个体,利用个体相似度产生新的后代,进而更新整个子种群。MOEAD-AVR算法创新如下:1)提出基于目标函数值均值和方差的Pareto排序方法;2)提出利用个体之间的相似度产生新的后代。实验结果表明,与超多目标进化算法PDMOEA、KnEA、和GrEA算法相比,MOEADAVR算法在DTLZ和WFG系列测试函数集上有比较好的收敛性和多样性。根据测试函数的特征,MOEAD-AVR算法更为适合处理凹形的超多目标优化问题。(2)为了维持解集的多样性,本文在Two-Arch算法的基础上提出了基于参考点和分解的双档案超多目标进化算法(Two-Arch-ARDD)。该算法通过引入参考点集,将收敛性档案和多样性档案结合起来,实现了收敛性档案到多样性档案的信息传递。在Two-Arch-ARDD算法中,我们首先使用二元指标算子更新收敛性档案;然后利用最大拥挤度距离从收敛性档案中选择一系列个体;其次使用虚拟参考点生成方法对选出来的个体进行操作,产生虚拟参考点集;接着利用虚拟参考点集和修改的边界惩罚距离方法更新多样性档案。Two-Arch-ARDD算法创新成果如下:1)在Two-Arch算法的框架下引入参考点集作为收敛性和多样性档案之间的信息桥梁;2)提出一种新的产生自适应参考点集的方法;最后,Two-Arch-ARDD算法与NSGAIII、MOEAD、IDBEA和θ-DEA算法进行对比,通过实验结果可知,Two-Arch-ARDD算法能够很好地解决超多目标优化问题,在WFG4-WFG9测试函数集上,Two-Arch-ARDD有32个结果均优于其他四个对比算法。根据测试函数的特性可知,Two-Arch-ARDD能够很好地解决有多峰的、欺骗的、有偏转的、有欺骗的凹超多目标优化问题。