论文部分内容阅读
经过三十多年的发展,对多目标进化算法的研究已经取得了较多相对成熟的研究成果。然而,在实际应用中,很多问题十分复杂,优化的目标维数很高,因此,越来越多的研究学者把目光投向了高维多目标优化问题。在高维优化问题中,存在着Pareto支配关系失效,收敛性与分布性相互影响,以及可视化十分困难等问题。也就是说,当优化目标维数比较大时,现有的许多算法优化效果差,甚至不收敛。这对算法设计者来说是一个严峻的挑战。Kata Praditwong等于2006年提出了双归档集算法,首次提出用两个归档集处理非支配个体。收敛性归档集用于提升算法的收敛性,分布性归档集用于提升算法的分布性。但是,该算法是一个基于Pareto支配关系的算法,在处理高维问题时表现得不甚理想。此外,在收敛性归档集中,没有对分布性进行维护的机制,在某些情况下会导致算法的停滞。为此,本文提出了基于HD指标和边界淘汰选择的双归档集算法(HB_Two_Arch):(1)设置收敛性归档集(CA)引导整个种群朝着真实Pareto面逼近,设置分布性归档集(DA)增加高维情况下的种群分布性,CA和DA的成员个数分别都是固定值;(2)采用HD指标辅助收敛性归档集(CA)进行个体移除操作,首先计算CA中每个个体的适应度值,删除适应度值最小的个体,然后更新CA中剩余个体的适应度值。采用边界淘汰选择策略辅助分布性归档集进行个体移除操作,首先对DA中的成员进行非支配排序,然后对非支配排序后的临界层(本层个体只有部分个体将进入下一代)的个体进行处理。随机打乱坐标轴顺序,依次循环选取坐标轴作为标准轴,选择当前函数值最小的个体作为优秀个体进入下一代DA。同时根据选中的优秀个体设定惩罚区域,惩罚区域内的个体在后续选择中将不会被选中;(3)种群的交叉操作在CA和DA中各选择一个个体进行,而种群的变异操作仅在CA中进行。(4)DA为最终输出解集。为了评价本文提出的算法,将与MOEA/D、IBEA、NSGA-Ⅲ、AGE-II以及双归档集算法在WFG和DTLZ测试问题的不同维数上进行比较。通过实验证明,在绝大多数测试问题上,本文提出的算法都具有良好的性能。最后,对本文的工作进行了高度总结,并提出了可能的改进方向。