基于决策变量分类的大规模多目标进化算法研究
发布时间：2021-06-07 11:31
在多目标优化领域,传统的多目标优化算法（Multi-objective Evolutionary Algorithms,MOEAs）主要关注于目标数增加的情况,很少有考虑到问题决策变量维数（Decision Variables）增高时算法的解决能力。而现实生活中,往往许多问题同时具备了多目标和决策变量多这两种特性。另一方面实验表明,尽管大多数的多目标进化算法（MOEAs）在解决少量决策变量的问题上有较好的结果,在解决决策变量高达成百上千维的问题上,性能会急剧下降。为了解决大规模多目标问题,近几年有学者提出了一些方法,能够有效解决大规模多目标问题,第一种类型的是基于问题转换方法的,第二种类型的是基于协同进化框架的,第三种类型的是基于变量分类分别优化的。其中基于变量分类方法的算法以MOEA/DVA算法和LEMA算法为代表。MOEA/DVA算法通过变量间关系探测将变量分为三类:收敛性相关、分布性相关和同时相关,而LEMA算法则通过按角度聚类的方法判断变量是更多影响收敛性还是分布性将变量分为两类。本文算法结合以上两种算法的优点,先采用了一种基于扰动后个体形成种群的支配层数来进行变量分类的方法,...
【文章来源】：湘潭大学湖南省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
图2.1两个相互干扰的决策变量
11个大规模问题。由于以上的一些问题，ZhenYuYang等学者在2008年提出了一种随机动态的分组策略，并采取的权重优化的方式，这是一种新的协同进化框架。其中，这个新的框架在除了采用了随机分组的策略将D维的决策变量分成m个S维的子部分，此时D=m*S。并且采用一组m维的权重w应用在在每一组上，w权重的定义为：=(1,2,…,)。通过优化权重来优化原问题，这就把一个高维问题转化维低维优化问题了。分组过程可以见图2.2[45]。图2.2分组策略图示由上图可以看出，随意分组后，每一个子组就回对应一个子种群，然后其它的维度不变，优化该组的维度，另外，权重是动态调整的，在每一轮cycle后，将权重应用到每一个子组，再用某个特定优化器优化权重向量。ZhengYuYang将这种新的CC框架叫做EACC-G[7]，算法的主要步骤如下：算法2.2：EACC-G的基本框架1：参数设置：初始化种群P，最大循环次数cycle，子问题评估次数FEs2：随机初始化种群P3：seti=1，开始一个cycle4：采用某个分解策略（分组策略）将个体的向量随机分解成m个低维问题，如：D=m*S，S是子问题的维度。这里的随机是指：任何两个决策变量都有概率会分到同一组5：对于分组后的子问题，采取某个特定的EA算法优化固定的FEs次6：当i<m时，跳到Step57：应用一个权重向量到每一个子部分。然后优化这个m维的权重向量，分别
15算法2.4：多目标协同进化的基本框架输入：种群NP，算法迭代次数Cycles，子问题评估次数Gmax，子问题分组NumEsp输出：结果集SolutionSet1：PobsPopulations(NP，NumEsp)2：InitializeSpecies(Pob)3：forj1~Cyclesdo4：fori1~NumEspdo5：fork1~Gmaxdo6：MOEA(Pobs[i])7：endfor8：endfor9：endfor10：SolutionSetObtainNonDominatedSet(Pobs)11：returnSolutionSet图2.3CCGED3算法的种群融合过程2.3基于问题转换的大规模多目标算法在第一章里我们有简单介绍过基于问题转换的大规模多目标算法。本章将详细介绍基于权重变换的大规模多目标算法WOF。受第二章所讲的一种新的协同
【参考文献】：
期刊论文
[1]Evolutionary Optimization: Pitfalls and Booby Traps[J]. Thomas Weise,Raymond Chiong. Journal of Computer Science & Technology. 2012(05)
本文编号：3216494
【文章来源】：湘潭大学湖南省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
图2.1两个相互干扰的决策变量
11个大规模问题。由于以上的一些问题，ZhenYuYang等学者在2008年提出了一种随机动态的分组策略，并采取的权重优化的方式，这是一种新的协同进化框架。其中，这个新的框架在除了采用了随机分组的策略将D维的决策变量分成m个S维的子部分，此时D=m*S。并且采用一组m维的权重w应用在在每一组上，w权重的定义为：=(1,2,…,)。通过优化权重来优化原问题，这就把一个高维问题转化维低维优化问题了。分组过程可以见图2.2[45]。图2.2分组策略图示由上图可以看出，随意分组后，每一个子组就回对应一个子种群，然后其它的维度不变，优化该组的维度，另外，权重是动态调整的，在每一轮cycle后，将权重应用到每一个子组，再用某个特定优化器优化权重向量。ZhengYuYang将这种新的CC框架叫做EACC-G[7]，算法的主要步骤如下：算法2.2：EACC-G的基本框架1：参数设置：初始化种群P，最大循环次数cycle，子问题评估次数FEs2：随机初始化种群P3：seti=1，开始一个cycle4：采用某个分解策略（分组策略）将个体的向量随机分解成m个低维问题，如：D=m*S，S是子问题的维度。这里的随机是指：任何两个决策变量都有概率会分到同一组5：对于分组后的子问题，采取某个特定的EA算法优化固定的FEs次6：当i<m时，跳到Step57：应用一个权重向量到每一个子部分。然后优化这个m维的权重向量，分别
15算法2.4：多目标协同进化的基本框架输入：种群NP，算法迭代次数Cycles，子问题评估次数Gmax，子问题分组NumEsp输出：结果集SolutionSet1：PobsPopulations(NP，NumEsp)2：InitializeSpecies(Pob)3：forj1~Cyclesdo4：fori1~NumEspdo5：fork1~Gmaxdo6：MOEA(Pobs[i])7：endfor8：endfor9：endfor10：SolutionSetObtainNonDominatedSet(Pobs)11：returnSolutionSet图2.3CCGED3算法的种群融合过程2.3基于问题转换的大规模多目标算法在第一章里我们有简单介绍过基于问题转换的大规模多目标算法。本章将详细介绍基于权重变换的大规模多目标算法WOF。受第二章所讲的一种新的协同
【参考文献】：
期刊论文
[1]Evolutionary Optimization: Pitfalls and Booby Traps[J]. Thomas Weise,Raymond Chiong. Journal of Computer Science & Technology. 2012(05)
本文编号：3216494
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3216494.html
