论文部分内容阅读
在求解现实中的多目标优化问题(Multi-objectiveOptimizationPloblems, MOP)时，由于采用随机式、群体式以及智能式的搜索，多目标进化算法(Multi-objectiveEvolutionaryAlgorihm,MOEA)能有效地解决求解过程中遇到的各种难题，因而成为智能计算研究领域的热点之一。有异于单目标优化问题(Single-objective Optimizati onPloblem,SOP)，求解多目标优化问题得到的将会是一组折衷解，即Pareto最优解，而不是单一的全局最优解。在过去几十年，研究者通过迭代运行多目标进化算法进行随机群体式的搜索来得到Pareto最优解。然而，随着优化问题目标数的增加，产生的Pareto最优解也随之剧增，这让决策者(DecisionMaker, DM)很难从中做出正确的决策。近三十年，许多基于偏好的多目标进化算法被相继提出，在求解目标维数较高的问题时取得了不错的效果。从决策者的角度考虑，他们对各个目标的喜好程度不同，因此没有必要搜索出所有的Pareto最优解，而只需Pareto最优解中决策者最感兴趣的区域(Region Of Interests, ROI)。基于这个原因，研究者提出在优化方法中混合决策制定策略。在算法优化过程中，将决策者的偏好信息整合到进化算法中，不仅能简化决策制定，而且还能减少不感兴趣区域的搜索代价，引导算法搜索到感兴趣区域。本文所做的工作归纳为如下几点。1．系统地学习了一些有关多目标进化算法的基本概念和基于偏好的多目标进化算法的当前研究现状，并详细说明了在设计与实现基于偏好的多目标进化算法时，需考虑的一些要点。2．根据决策者提供的参考点、目标权值和搜索范围信息建立统一偏好模型。在此模型的基础上，提出一种改进的支配关系。3．根据决策者提供的偏好信息以及ε-Pareto支配的特点，提出一种改进的支配关系。提出的方法都是先构造出新的偏好信息引入方法将角度、搜索范围、参考点和目标权值等偏好信息整合到多目标进化算法中。然后提出新的支配关系来区分Pareto支配不能区分的非支配解，以此提高算法的收敛性。根据原理分析以及对比实验，验证了所提偏好信息引入方法以及支配方法的有效性。