论文部分内容阅读
生产和生活中的很多问题可以归结为动态多目标优化问题,如电力系统资源管理、金融资产配置、救灾机器人路径规划、无线自组织网路由选择、车间流水调度等。受生产工况或运行环境等因素的影响,这些问题的目标函数或/和约束条件往往含有与时间相关的变量。解决这类问题的有效方法之一是动态跟踪,即检测问题变化之后,重新触发寻优过程,以快速、准确地找到新问题的最优解。预测作为动态跟踪的代表方法,从寻找变化的规律出发,旨在产生靠近甚至覆盖新问题真实最优区域的初始种群,提高优化方法跟踪问题变化的效率,被广泛应用于动态多目标优化问题求解中。尽管已有多种基于预测的动态多目标进化优化方法,但是,这些方法仅适用于最优解集平行移动的动态优化问题,难以求解最优解集旋转变化、复合变化甚至多变化组合的动态优化问题,也难以求解目标函数和约束条件均变化的动态优化问题,而这些问题是普遍存在的。针对上述不足,本文研究目标函数或/和约束条件变化的动态优化问题,提出求解这些问题的基于预测的动态多目标进化优化方法。首先,针对约束不变的动态多目标优化问题,提出基于多方向预测的动态多目标进化优化方法。该方法利用历史最优解在新问题的变化,确定Pareto最优解集聚类的个数;利用二分聚类方法,对Pareto最优解聚类,并确定每一类的中心;利用问题变化前后类中心的位置,基于时间序列模型,预测每一类的进化引导方向。这种多方向预测方法有效维持了问题变化后初始种群的多样性。将所提方法应用于9个动态优化问题,并与dNSGA-II、SGEA等常用动态优化方法比较。实验结果表明,该方法能够获得收敛和分布性能优越的Pareto最优解集。然后,针对上述动态多目标优化问题,提出基于多模型预测的动态多目标进化优化方法。该方法定义4种Pareto最优解集的变化类型,并给出每一类型的判定准则;利用关键点位置的变化,确定问题Pareto最优解集的变化类型;根据问题Pareto最优解集变化的类型,选择不同的方法预测问题变化后的初始种群。这种多模型预测方法有效提高了预测的针对性。将所提方法应用于11个动态优化问题,并与DMOPSO、PPS等常用动态优化方法比较。实验结果表明,该方法能够快速、准确地跟踪变化的Pareto最优解集。进一步,针对目标函数和约束条件均变化的动态约束多目标优化问题,提出基于预测和小生境的动态约束多目标进化优化方法。该方法利用Pareto最优解集检测问题约束的变化;利用自回归时间序列模型产生预测子种群,与基于差分变异产生的多样性保持子种群一起,共同构成兼顾分布、收敛和可行性的初始种群;利用小生境方法,引导种群向可行域进化。该方法有效解决了约束条件变化导致的不可行解问题。将所提方法应用于5个动态优化问题,并与C-TAEA、CH等常用约束优化方法比较。实验结果表明,该方法能够跟踪变化的受限Pareto最优解集。最后,将所提动态优化方法应用于机器人救援路径规划问题,建立该问题的动态约束多目标优化模型,并生成基于预测和小生境的路径规划策略。设计典型实验场景,并与dNSGA-II、DMOPSO比较。实验结果表明,所提方法产生的路径能够快速响应问题的变化。上述成果针对不同类型的动态多目标优化问题,提出了有针对性的进化求解方法,这些成果丰富了动态多目标进化优化理论,提高了动态多目标进化优化方法的性能,为复杂动态多目标优化问题的求解提供了行之有效的途径,具有重要的理论意义和实用价值。本文总共有图19幅,表20张,参考文献118篇。