论文部分内容阅读
进化算法是一类模拟生物进化机制的种群式优化算法,因其具有较强的全局优化能力而受到广泛应用。近年来,利用进化算法求解多目标优化问题成为多目标优化研究领域的一个研究热点。然而,一方面,现有的多目标进化算法大多以Pareto支配排序来实现个体选择,这就使得种群在高维目标空间失去了选择压力,从而导致算法无法收敛；另一方面,高维目标优化问题中Pareto前沿形状的不规则导致现有算法很难保持最优解集的分布均匀性,从而无法提供多样化的Pareto解。针对这两个难点问题,本文以多偏好为研究切入点,研究基于多偏好的高维目标进化算法及应用,通过多偏好来提升个体选择压力和解集分布均匀性,并将算法用于解决五目标天线阵列优化实际问题。本文的研究内容如下：1.提出了一种基于多偏好自适应协同的高维目标进化算法。首先,围绕如何利用多个随机偏好来引导种群,并实现偏好与种群的共同进化,建立了一种多偏好与种群的自适应协同进化策略。其次,通过对多偏好更新频率的统计分析,获取多偏好与种群间的最优协同模式。在算法性能评估实验中,将所提算法用于求解2到10目标的WFG测试函数,实验结果上验证了算法的有效性与优越性。2.提出了一种基于双极偏好高维目标优化算法的阵列天线优化方法。首先,结合实际问题中决策者对于优秀目标值的偏好,以及对劣质目标值的厌恶,引入了TOPSIS方法比较解之间的相对贴近度值,建立更为严格的非支配关系,引导种群向更高的定向辐射模式及更低的零陷值靠近。其次,使用一种高维空间对角技术法(HSDC)对高维空间上的解进行可视化。在算法性能评估实验中,将该方法的运行结果与三种现有算法进行性能比较,实验结果显示了所提方法在收敛精度上的优越性。