基于决策变量分类的多种群协同进化动态多目标算法研究

发布时间：2023-02-08 18:13

　　动态多目标优化问题(DMOPs)有着冲突的优化目标,而且DMOPs的问题环境会随着时间动态变化,从而导致问题的Pareto最优前沿(PF)和/或Pareto最优集合(PS)发生变化。算法的研究很多时候都取决于所研究的问题,对于DMOPs而言,它要求算法能在环境变化后迅速搜索到变化后的PS或最PF,同时保持种群的收敛性和分布性的平衡。为了解决DMOPs,本文提出了一种基于决策变量分类的动态多目标算法,该算法利用决策变量分类的信息去指导进化,并提出了一个新的多种群协同进化方法。该算法首先对问题进行随机采样分析,将决策空间分为收敛性控制维度和分布性控制维度。然后使用多个子种群进行优化,并将子种群分为两大类:收敛子种群和分布子种群,收敛子种群的数量对应于收敛性维度的数量,每个收敛子种群优化一个收敛性维度;使用一个分布子种群去对应所有分布性维度,但该子种群优化的是所有的决策维度。收敛子种群之间使用传统的协同进化的方式进行,而且子种群内部个体的分布性维度的值是相同的。从而避免了分布性对收敛性的影响,使得收敛子种群能集中资源去优化个体的收敛性,加快算法的收敛速度。为了规避多种群协同进化在种群分布性上...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 多目标优化概述
    1.2 动态多目标优化问题
    1.3 国内外动态多目标优化的研究现状
    1.4 论文的研究内容
    1.5 论文的章节安排
第2章 相关工作
    2.1 基于竞争合作的协同进化DMOA
        2.1.1 算法总体框架
        2.1.2 多种群协同合作
        2.1.3 多种群竞争
        2.1.4 动态响应策略
    2.2 决策变量分析
第3章 基于决策变量分类的多种群协同进化DMOEA
    3.1 问题采样分析决策变量
    3.2 子代个体生成
        3.2.1 子种群CS的繁殖进化
        3.2.2 收敛子种群检测
        3.2.3 子种群DS的繁殖进化
    3.3 动态响应策略
    3.4 算法总体框架
第4章 实验设计及分析
    4.1 实验设置
        4.1.1 测试问题
        4.1.2 性能评价指标
        4.1.3 参数设置
    4.2 实验结果及分析
        4.2.1 算法在FDAs和 d MOPs上的实验结果
        4.2.2 算法在JY系列问题上的实验结果
        4.2.3 比较不同算法的进化过程
    4.3 讨论
        4.3.1 环境变化强度对算法的影响
        4.3.2 参数对算法的影响
第5章 总结与展望
参考文献
致谢
附录A



本文编号：3738144