论文部分内容阅读
传统优化方法在求解具有高度复杂性、非凸性、多极值等特征的优化问题时,往往表现出较大的局限性,而进化算法(Evolutionary Algorithm,EA)是一种基于达尔文进化理论构造的基于种群的随机搜索算法,具有良好的鲁棒性和普适性,能有效的求解传统数学优化方法难以解决的问题。其中,多目标进化算法(Algorithmry Evolutiona objective-Multi,MOEA)更备受关注,它能够对复杂的、包含多个目标的优化问题进行求解,并已成为智能计算领域的热点研究方向之一。基于分解的多目标进化算(Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)是一种将一个多目标优化问题分解为多个单目标子问题进行求解的算法框架。从精英个体筛选机制的角度而言,其有别于基于Pareto最优理论的算法(如NSGA-II)以及基于性能指标评价的其他算法(如IBEAs)。由于每个子问题实质上是一个标量函数,评价个体的优劣实际上变成了对个体的适应度函数值的直接比较,从而简单、高效的保留了种群中的精英个体。本文在对分解多目标进化算法深入探讨的基础上,提出了一种自适应局部搜索策略,通过评价重组算子在算法执行过程中表现出的性能,自适应的选择最适合当前问题以及当前进化阶段的算子;通过评价子问题的解在若干进化迭代阶段中收敛性的改善程度,自适应的调整子问题的搜索范围,有效的避免算法所获得的解集过早收敛,在保持解集广泛性的同时提高了算法的收敛效率。总体来说,本文工作主要有以下几个部分:1)提出了一种自适应的交叉算子选择策略,选取几种典型的交叉策略作为候选算子,根据交叉算子在算法执行过程中表现出的性能,自适应的选择最适合当前问题和当前进化阶段的算子,改善了算法的全局寻优能力。2)提出了一种自适应局部搜索策略,通过评价子问题的解在一定进化时间段内的改进程度,判断该子问题是否陷于局部最优,动态的调整算法在子问题上的搜索范围,避免解集过早收敛,提高了算法的收敛效率。3)将自适应局部搜索策略引入MOEA/D,提出了一种基于自适应局部搜索策略的分解多目标进化算法,并在ZDT和DTLZ两个系列的多目标测试问题上,与几种著名的进化多目标优化算法进行了对比实验,从解集性能评价指标的角度,讨论了各个算法在求解多目标优化问题上的优势和不足。最后对本文工作进行了总结,并提出了一些值得进一步研究的内容。