论文部分内容阅读
在科学研究和工程领域中许多问题都是由多个相互冲突的目标组成,我们称这一类问题为多目标优化问题。基于种群的进化算法在单次运行中能得到一个近似的Pareto解集,因此多目标进化算法已经成为一种较为普遍且有效的求解多目标优化问题的方法。近年来,基于分解的多目标进化算法(MOEA/D)在众多多目标进化算法中脱颖而出,它采用了分解的方法将一个多目标优化问题分解为多个单目标优化子问题并对它们进行同时优化。但是,MOEA/D算法在求解多目标优化问题时仍存在多样性的损失、收敛速度慢等缺点。本文从权重向量产生的方法、子问题的分解方法和后代产生算子等三个方面对MOEA/D算法进行了改进并提出了改进算法Hybrid-MOEA/D-ASD。同时针对无线传感网络的特性,基于MOEA/D框架提出了两个算法Hybrid-MOEA/D-Ⅰ和Hybrid-MOEA/D-Ⅱ用于求解无线传感网络多目标覆盖优化问题。本文的主要工作如下:(1)针对MOEA/D算法的改进,提出了一种基于分解的具有自适应搜索方向的混合多目标进化算法(Hybrid-MOEA/D-ASD)。该算法采用基于分解的多目标进化算法作为框架,在权重向量产生的方法上通过自适应的调整子问题的权重向量来控制搜索方向;在分解策略上采用了切比雪夫聚合法和子种群分解法相结合的方法:在后代产生算子上采用了混合交叉策略充分利用不同算子的优势。通过实验结果证明,与经典的多目标进化算法MOEA/D、MOEA/D-M2M和MOEA/D-DRA相比,本文提出的算法Hybrid-MOEA/D-ASD在ZDT和DTLZ系列标准的测试函数上有更好的收敛性和多样性。(2)基于分解的无线传感网络覆盖优化算法中只考虑了覆盖率和网络寿命两个优化目标,由于整个网络的能耗均衡对网络的性能有很大的影响,因此在该算法的基础上加入能耗均衡的目标函数。为了解决该算法中使用遗传算法单一搜索策略带来的搜索效果的局限性,提出了 Hybrid-MOEA/D-I算法即在经典的MOEA/D算法的基础上,采用遗传算法和差分算法的交叉混合方法来优化每一个子问题。针对Hybrid-MOEA/D-Ⅰ中缺少对本代优质个体的保存和最优解集中的个体极少的问题,本文进一步引入改进的离散二进制粒子群算法,提出了 Hybrid-MOEA/D-Ⅱ算法。由于Hybrid-MOEA/D-Ⅰ算法中每个子问题的权值是固定的,因此在一定程度上搜索方向也确定。为了进一步优化每个子问题,试图改变搜索方向即将Hybrid-MOEA/D-Ⅰ输出结果作为改进的二进制粒子群算的初始解,用改进的二进制粒子群算法对每个子问题的解进行深度优化,使得到的解更优。实验结果表明本文提出的算法Hybrid-MOEA/D-Ⅱ与其他算法相比在保证覆盖率的前提下延长了网络寿命。