论文部分内容阅读
多目标优化问题广泛存在于科学研究和生产应用中,且变得越来越复杂。这些目标之间既相互联系又彼此冲突,很难找到一个解能够满足所有目标同时达到最优值。进化算法作为一种基于种群迭代寻优的智能优化算法,一次运行可以获得一组非支配解,且使用简单,控制参数少,近二十年来被广泛应用于求解多目标优化问题。本文针对多目标进化算法目前存在的收敛速度较慢和多样性欠佳以及难以求解具有不规则真实Pareto前沿问题等不足,提出了三种改进的多目标进化算法。本文的主要研究成果和创新点如下:1.针对进化算法在求解多目标优化问题中存在的收敛速度较慢和多样性欠佳等不足,提出了一种改进的排序变异多目标差分进化算法(MODE-IRM)。该算法在排序变异策略的基础上,将种群中的最优个体作为变异过程中的基向量,采用反向参数控制方法对种群中的个体进行变异操作,并引入改进的拥挤距离计算公式选择下一代的进化种群。利用标准多目标优化问题ZDTl~ZDT4,ZDT6和DTLZ6~DTLZ7进行仿真实验,MODE-IMR在收敛性和多样性方面优于其他对比算法。2.为进一步提高多目标进化算法的寻优性能,提出了一种模糊自适应排序变异多目标差分进化算法(MODE-FARM)。该算法将一种基于模糊系统的指标反馈策略融入排序变异过程来平衡算法的探索性和开发性,并采用改进的种群初始化方法和基于双种群的选择策略来提高种群进化过程中的多样性。利用ZDT和DTLZ的7个测试函数进行仿真实验,结果表明所提算法比其他算法能够更好地收敛到真实Pareto前沿,并且验证了模糊自适应排序变异策略的有效性。3.目标个数超过3的高维多目标优化问题已经成为当今多目标优化领域中的一个研究热点。针对具有不规则真实Pareto前沿的高维多目标优化问题,提出了一种基于动态资源分配的高维多目标进化算法(MaOEA-DRA)。所提算法采用切比雪夫方法将目标函数分解为一些子目标函数,并采用动态资源分配的方法,根据真实Pareto前沿的不同形状分配计算资源。此外,采用一种转换的密度评估方法对种群进行排序选择。在11个具有不规则真实Pareto前沿测试问题上的仿真实验结果表明,所提算法在收敛性和多样性方面明显优于其他对比算法,并且验证了切比雪夫方法的有效性。