基于指标和分解的超多目标进化算法研究

发布时间：2024-05-17 06:55

　　多目标优化问题在现实生活中广泛存在,这些问题具有复杂度高,不易求解等特点,传统的数学方法难以对该类问题进行很好的求解。为解决这个问题,多目标进化算法被提出来并获得了广泛应用。多目标进化算法是启发式搜索算法中的一种,在处理多目标优化问题上,该类算法表现出了良好的鲁棒性和适用性。然而,随着目标个数的增加,这些多目标优化算法的有效性将逐渐地失效。原因是当目标数大于三个时,非支配解的数量将快速的占据整个种群的数量,传统的支配关系将失去收敛压力的功能,导致整个种群无法收敛到真实的帕累托最优面(Pareto optimal front,PF)上。为处理好该问题,基于指标类的超多目标进化算法和基于分解类的超多目标进化算法被提出来用于增强环境选择。然而,指标类算法获得的解集易于收敛到某些特定的帕累托区域,从而导致种群多样性和覆盖度方面的缺失;分解类算法的性能又依赖于真实PF的形状。针对指标类和分解类的超多目标进化算法存在的不足,本文主要致力于对基于指标和基于分解的超多目标进化算法进行改进,提出了两种超多目标进化算法,其内容如下:1)提出了一种基于指标带边界保护策略的超多目标进化算法(An Indica...

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

图2.1三目标空间中k=1，2的三

基于指标和分解的超多目标进化算法研究8边界解定义为同时优化k（k<m）目标的解，如图2-1所示，其中m为目标个数。给定K个特定的目标，如果仅存在一个边界解，则该边界解被称为角落解[43][44][45]，如图2-2所示。角落解是边界解的子集。图2.1三目标空间中k=1，2的三种不....

图2.1三目标空间中k=1，2的三种不同PFs的边界解（红线上）

基于指标和分解的超多目标进化算法研究8边界解定义为同时优化k（k<m）目标的解，如图2-1所示，其中m为目标个数。给定K个特定的目标，如果仅存在一个边界解，则该边界解被称为角落解[43][44][45]，如图2-2所示。角落解是边界解的子集。图2.1三目标空间中k=1，2的三种不....

图2.2三个不同PFs在三目标空间的角落解（红圈），前两种情况为k=2，后一种情况为k=1

基于指标和分解的超多目标进化算法研究8边界解定义为同时优化k（k<m）目标的解，如图2-1所示，其中m为目标个数。给定K个特定的目标，如果仅存在一个边界解，则该边界解被称为角落解[43][44][45]，如图2-2所示。角落解是边界解的子集。图2.1三目标空间中k=1，2的三种不....

图2.3超多目标进化算法的流程图

基于指标和分解的超多目标进化算法研究9SBX[47])和多项式变异算子(PolynomialMutation,PM[48])。4）环境选择：环境选择主要用于更新种群，以便优秀的个体能被保留进入到下一代迭代过程中。在更新种群的过程中，研究者们提出了各种各样的策略，这些策略都有一定的....

本文编号：3975545