基于偏好信息的多目标进化算法的研究
发布时间：2022-01-14 09:33
经典多目标优化进化算法（Multi-objective Optimization Evolutionary Algorithms,MOEAs）在处理二维或三维多目标优化问题（Multi-objective Optimization Problems,MOPs）时获得的结果都很不错。但是在现实世界的实际问题中,决策者（Decision Maker,DM）只是对一部分最优解（Optimal Solutions）感兴趣,而并不是完整的帕累托前沿（Pareto Front,PF）。另外,当多目标优化问题的目标数量逐渐增加到大于3,即通常所认识的高维优化问题（Many-objective Optimization Problems）时,基于帕累托支配关系的多目标优化进化算法（Pareto-based MOEAs）就会因为缺乏足够的选择压力而极大地削弱算法的有效性。基于以上两点,将决策者的偏好信息（Preference Information）引入MOEA并用其帮助搜索一组能最符合决策者要求的、具有代表性的解集这一方法被很多研究者所研究,这就是偏好多目标优化进化算法（Preferennce-bas...
【文章来源】：湘潭大学湖南省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图1-1两个目标的最优边界
5()={1if≤(x),=1,2,,;1if≥(x),=1,2,.;0otherwise;公式（1-2）g是参考点。如下图1-3所示，两个区域阵营（Flag=1和Flag=0）利用虚线将整个目标空间分割成多个部分，在Flag=1的区域内的个体g支配Flag=0区域内的个体。黑色加粗曲线标记的部分是ROI。算法1-1是Flag的计算方式。g支配可以采用交互的方式引导种群的收敛。如果决策者对当前代给出的结果不满意，将通过更改参考点或在解集中选择一个解作为新参考点的方式来交互更新偏好信息。对于第t代的参考点，它下一代更新的参考点定义如下：+1=(1)+公式（13）其中∈(0,1)是一个代表收敛速度的参数，是当前第t代解集中的代表解。越接近1，新参考点就越接近。参考点更新的效果见图1-4。当然，g支配也存在一定的缺陷，当参考点在PF上或接近PF时，g-NSGA-II算法在收敛性和分布性方面就表现的不如人意[28]。图1-3g支配在两维目标空间
更新参考点
【参考文献】：
期刊论文
[1]约束优化进化算法[J]. 王勇,蔡自兴,周育人,肖赤心. 软件学报. 2009(01)
硕士论文
[1]基于分解的偏好多目标进化算法及其评价指标的研究[D]. 喻果.湘潭大学 2015
本文编号：3588267
【文章来源】：湘潭大学湖南省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图1-1两个目标的最优边界
5()={1if≤(x),=1,2,,;1if≥(x),=1,2,.;0otherwise;公式（1-2）g是参考点。如下图1-3所示，两个区域阵营（Flag=1和Flag=0）利用虚线将整个目标空间分割成多个部分，在Flag=1的区域内的个体g支配Flag=0区域内的个体。黑色加粗曲线标记的部分是ROI。算法1-1是Flag的计算方式。g支配可以采用交互的方式引导种群的收敛。如果决策者对当前代给出的结果不满意，将通过更改参考点或在解集中选择一个解作为新参考点的方式来交互更新偏好信息。对于第t代的参考点，它下一代更新的参考点定义如下：+1=(1)+公式（13）其中∈(0,1)是一个代表收敛速度的参数，是当前第t代解集中的代表解。越接近1，新参考点就越接近。参考点更新的效果见图1-4。当然，g支配也存在一定的缺陷，当参考点在PF上或接近PF时，g-NSGA-II算法在收敛性和分布性方面就表现的不如人意[28]。图1-3g支配在两维目标空间
更新参考点
【参考文献】：
期刊论文
[1]约束优化进化算法[J]. 王勇,蔡自兴,周育人,肖赤心. 软件学报. 2009(01)
硕士论文
[1]基于分解的偏好多目标进化算法及其评价指标的研究[D]. 喻果.湘潭大学 2015
本文编号：3588267
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3588267.html
