论文部分内容阅读
基于分解的多目标进化算法(MOEAs)利用了分而治之的思想有效降低了求解多目标或高维多目标优化问题的难度。根据分解的形式不同,基于分解的MOEAs又进一步细分为基于聚合的MOEAs和基于参考点的MOEAs。尽管基于分解的MOEAs是目前求解高维多目标优化问题最有前景的技术之一,然而它在方法和应用层面均存在着缺陷和不足。本文围绕该类方法,着眼于“如何在目标空间中平衡收敛性和多样性”以及“如何在决策空间中平衡探索与开发”这两个科学问题,展开了系统性的研究,旨在进一步完善其理论框架并推广其在具体问题上的应用。本文的主要研究成果和创新点包括:(1)针对基于聚合的MOEAs在高维多目标优化中存在多样性损失的问题,提出利用目标空间中解到权向量的垂直距离显式地在进化过程中保持解的理想分布,以期在高维目标空间更好地平衡收敛性和多样性。利用该思想,改进了两种典型的基于聚合的算法,即问题分解多目标进化算法(MOEA/D)和集成适应度排序。(2)针对一个代表性的基于参考点的MOEAs,即第三代非支配排序遗传算法(NSGA-III),在高维多目标优化中存在收敛性不足的问题,提出了一种基于新型支配关系的多目标进化算法。该算法利用MOEA/D中的适应度评价机制,以增强NSGA-III的收敛性,同时仍然继承了NSGA-III在多样性保持方面的能力。(3)针对基于分解的MOEAs在求解高维多目标优化问题时应如何平衡探索与开发的关系,实验研究了变化算子对NSGA-III性能的影响,并提出了三种新的NSGA-III变体。实验结果显示NSGA-III中所使用的变化算子是其性能瓶颈所在。(4)针对生产调度领域的一个重要问题,即多目标柔性作业车间调度问题,提出了一种新的模因演算法。该算法将基于关键操作的局部搜索过程嵌入到改编的NSGA-II中,其中局部搜索初始解和搜索方向的选择使用了类似于多目标遗传局部搜索中的选择机制。此外,局部搜索中还采用了一种新颖的分层策略,以不同的优先级处理所考虑的三个优化目标。