论文部分内容阅读
在优化领域中,同时优化多个目标是生活实际中经常遇到并需要解决的问题。为解决这一类问题,多目标进化算法被提出,并成为不可或缺的主流算法。多目标进化算法是一种启发式搜索算法,通过借鉴自然选择和生物智慧的存在机理,为优化问题提供了一种好的解决思路。目前主流的多目标进化算法在解决二维、三维优化问题时,展现了非常好的效果,但当目标数量超过三个时,多目标进化算法尚不能较好的解决此类问题。基于分解的多目标进化算法(MOEA/D)在高维优化问题中很大程度减轻了种群选择压力,在超多目标优化问题上展示出了较好的效能。MOEA/D通过一组预设的参考向量将问题分解为一定数量的子问题来解决原问题。在优化过程中,每一个子问题都由一个参考向量去代表非支配个体寻找帕累托最优解。基于分解的多目标算法在领域内被成功地广泛研究和应用。然而,这些预设的参考向量并不能很好地解决一些更为复杂超多目标优化问题。对于复杂超多目标优化问题,本文采用参考向量自适应的方式来进行处理。一方面,针对具有不规则帕累托前沿特征的超多目标优化问题,本文提出两种全新参考向量自适应策略,这两个策略可以结合在绝大多数基于参考向量的算法里,让种群获得更好的多样性分布。另一方面,针对具有倒置帕累托前沿特性的超多目标优化问题,文中提出了一种极值点寻找策略,能有效地寻找到复杂问题的所有极值点。基于这些极值点提出了一种内部均匀补充的参考向量自适应生成策略。具体而言,本文的主要工作如下:1)针对具有不规则帕累托前沿特性的超多目标优化问题,本文提出两种全新的参考向量自适应策略,分别叫向量缩放策略和种群转换向量策略。特别地,求解具有凹形或凸形帕累托特性的优化问题,向量缩放策略引入了一个特定中心向量,并通过此中心向量来缩放调整中心向量周围的所有向量。另外,对于具有不连续和退化问题特性的优化问题,种群转换向量策略将具有较好多样性的个体目标空间位置转换为一组具有高多样性的参考向量,从而获得均匀分布的种群。此外,结合这两种策略,能有效地决绝大多数具有不规则帕累托特性的优化问题。2)针对具有倒置帕累托前沿特性的超多目标优化问题,本文提出了一种参考向量反转策略,具有简单易用、快速高效的特点。该策略首先寻找目标函数的极值点,然后基于已找到的极值点提出了一种内部均匀补充的参考向量生成方法,让种群内部产生均匀的个体,从而获得较好的多样性。具体地,首先产生一个各极值点的重心点,利用重心点每次在邻接的两个极值点子区域中产生一组均匀的子参考向量,最后连接所有子参考向量并获得最终均匀分布在内部的填充参考向量。这种参考向量反转策略很好地解决了原始预设向量与具有倒置特性的问题相悖的情形。3)提出了两个全新的反转帕累托前沿问题集——IDTLZ问题集和IWFG问题集,在帕累托反转之后,它们拥有与原DTLZ和WFG相同的问题性质。本文在IDTLZ和IWFG问题上对几个现有的超多目标进化算法进行了测试,并对本文提出的参考向量反转策略在具有倒置特性的问题集上进行了验证。