论文部分内容阅读
多目标优化算法作为一种可以求解复杂问题的方法,已经广泛应用在工业、商业等许多实际领域中。传统的多目标优化算法,比如NSGA-II、MOEA/D在解集的分布性和收敛性上已经有了非常好的结果。但是,在现实生活和具体的生产经营活动中,决策者会根据自己的专业知识以及企业经营状况,对于不同的优化目标表达出不同的偏好程度。因此,在最优解集当中,只有一部分解是决策者感兴趣的。同时,随着市场环境的变化,决策者的偏好也会动态变化。所以,人们更愿意得到决策者感兴趣的偏好解而不是获得全部的最优解。并且,随着决策者偏好的改变,快速收敛到新的偏好最优解集上,不但可以提高算法的收敛性能,还可以减少算法的时间开销。因此,论文对基于决策偏好的多目标优化算法进行了深入的研究。针对如何将优化目标之间的重要度关系融入到多目标优化算法中的问题,论文提出了一种偏好三支分解模型。该模型将决策者给出的目标间重要度关系即权重值融合到适应度函数中以计算种群中个体的适应度值,最后根据这个适应度值挑选进入下个迭代过程中的个体。同时以每个目标的权重值为标准,可以将这些目标分为三个不同的部分,然后分别优化这三部分,最后得到整体的最优集,这样做的好处可以降低优化问题的规模以及难度。实验结果说明,当决策者给出不同的偏好信息时,所提算法可以根据偏好信息调整种群的搜索范围。另外将所提算法和传统NSGA-II算法在6个目标的DTLZ1测试问题上进行了对比,实验结果表明,所提算法有着更好的收敛性。针对决策偏好动态变化的情况,论文提出了一个基于动态偏好的多目标优化模型。该模型发现无论决策者的偏好如何变化,新旧偏好区域的位置关系只有四种:新旧偏好区域没有重叠部分、新旧偏好区域有重叠部分但互不包含、新偏好区域包含旧偏好区域和新偏好区域包含于旧偏好区域。针对这四种情况,所提模型提供了不同的优化策略。主要解决了传统模型不能快速响应决策者偏好变化的缺点,在二维测试问题和三维测试问题上,实验结果证明,所提模型在收敛性上相比传统的MOEA/D-PRE模型更优。