论文部分内容阅读
在实际生产生活以及科学研究中,许多问题可以抽象为优化问题。目标数涉及4个及以上的优化问题被称为超多目标优化问题。由于在高维空间中,种群中不可支配个体的数量随着优化问题的目标数呈指数型增长,基于Pareto支配关系的多目标优化算法难以被直接应用于解决超多目标优化问题。实际生活中超多目标优化问题往往存在约束条件的限制,这也成为学者们亟待解决的难题。本文提出了两种算法分别用来解决无约束限制和有约束限制的超多目标优化问题。本文主要工作概述如下:首先针对高维空间中Pareto支配关系失去有效性的问题,我们引入多代理机制。每个代理负责执行引导子种群沿指定参考向量的方向朝真实Pareto前沿进化的任务。代理自治进化,在对子种群进行筛选时不依赖Pareto支配关系,而是将个体的多样性和收敛性综合为一个标量指标作为个体的适应度值,从而有效地对个体的优劣程度进行区分。其次在解决超多目标优化问题时,解集的收敛性和多样性往往难以平衡,对此我们引入多样性存档策略,与多代理机制相结合来改善此问题。由于参考向量均匀地分布在目标空间中,每个代理的子种群分布在对应的参考向量附近,在向真实Pareto前沿进化过程中,种群的收敛性不仅得到加强而且多样性得以维持。多样性存档不仅可以提高种群的多样性,而且通过各代理的个体汇聚到存档中再分配到各代理的操作,可以实现不同任务之间优良个体的迁移,显著地增强种群的收敛性。最后针对约束多目标优化问题中解集的可行性,多样性和收敛性难以平衡的问题,我们提出了一种基于混合约束处理机制的超多目标进化算法。该算法提出了一种自适应惩罚机制,可以根据种群中不可行解的比例实时调整个体的约束违背度对个体适应度的影响。算法将该机制与约束支配机制,多代理机制以及多样性存档策略相结合,能在解决约束限制的同时较好地优化目标问题。