论文部分内容阅读
多目标和超多目标优化问题在实际生产和工程领域中广泛存在。这些问题具有复杂度高,不易求解等特点,传统的数学方法难以处理这些问题。进化算法作为一类启发式搜索算法,通过借鉴生物遗传学和自然选择的机理,为此类问题的解决提供了有效且新颖的方法和思路,已被广泛应用于实际的多目标和超多目标问题求解。目前,研究人员已提出了大量超多目标进化算法,然而,面对新的测试问题,已有算法的整体性能尚待改进。本文针对非约束的超多目标优化问题和带约束的超多目标优化问题,分别提出了基于两轮环境选择策略的超多目标进化算法和基于双种群的带约束超多目标进化算法,具体如下:1)针对非约束的超多目标优化问题,本文提出了一个基于两轮选择策略的超多目标进化算法(2REA)。2REA采用一种新的两轮环境选择策略,以更好的平衡种群多样性和收敛性。在第一轮选择中,基于本文所提出的自适应空间点转换策略,对个体的邻域密度进行计算,将邻域密度小的个体挑选至候选池中。在第二轮选择中,从候选池中选择收敛性最好的个体进入下一代种群。重复上述两轮选择过程,直到下一代种群的规模达到N。为了验证所提策略的性能,2REA和7个最新的超多目标算法在25个广泛使用的超多目标测试问题进行了对比,实验结果表明,2REA在处理超多目标问题上具有优越的竞争力。2)针对带约束的超多目标优化问题,本文提出了一个基于双种群的约束超多目标进化算法(C2PEA)。C2PEA通过两个种群之间的相互合作,以达到更好的解决带约束的超多目标优化问题的目的。该算法同时维护两个种群的进化:一个为主种群PC,用于推动整个种群向可行区域帕累托前沿面进化;另外一个为辅助种群PN,为主种群PC提供更多的可行性信息。具体地,为了使种群PC能获取到更多有用的信息,种群PN对PC未探测的区间进行全面探测,包括不可行区域。同时,C2PEA采用了一种新颖的双种群父代挑选机制,用于加强两个种群之间的交流。为了验证C2PEA的性能,基于6类带约束的超多目标问题,通过与6个最先进的带约束的超多目标进化算法进行对比,实验结果表明,C2PEA在处理带约束的超多目标问题上具有很强的竞争性。