多模态多目标进化算法的研究与应用

发布时间：2020-09-18 11:54

　　在许多实际工程中存在一类多目标优化问题,它的帕累托解集对应同一个帕累托前沿,这类问题被称为多模态多目标优化问题。传统的多目标优化算法解决这类问题时通常提高目标空间中帕累托前沿的分布,这样往往会导致获得帕累托解集的多样性较差,因而不能很好的解决多模态多目标优化问题。因此需要对传统多目标优化算法进行改进从而达到提高决策空间中帕累托解集的分布性。花朵授粉算法、蝙蝠算法和和声搜索算法能够很好的提供算法前期倾向于全局勘探和后期注重于局部开采,且具有良好的收敛速度和搜索效率,因而被广泛应用到多目标优化问题中。综上所述,本文提出三种多模态多目标优化算法用于解决多模态多目标优化问题。多模态多目标花朵授粉算法采用特殊拥挤距离的策略,用于保证决策空间中解的多样性。小生境多目标蝙蝠算法采用动态环形拓扑的思想,增强算法的局部开采能力。小生境和声搜索算法利用动态领域的策略,能够提高算法的收敛速度。通过将所提算法与当前最新的六个多目标算法进行对比,实验结果表明所提算法是一种有效且可行的多模态多目标优化算法,其性能明显优于其他算法。本文的主要内容如下:首先,阐述了多模态多目标优化问题的研究背景,阐述了花朵授粉算法、蝙蝠算法和和声搜索算法的研究现状,并对多模态多目标优化问题的研究现状进行了详细阐述。其次,提出一种自适应多策略花朵授粉算法求解单目标优化问题。该算法利用佳点集构造初始化种群以提高种群的多样性;采用自适应的转换概率平衡算法的全局勘探能力和局部开采能力;使用步长调整策略以提高全局勘探能力,同时借鉴全局最优的信息以提升算法局部深度开采能力。并将改进的花朵授粉算法对多模态多目标优化问题进行求解。再次,提出一种小生境多目标蝙蝠算法。该算法结合动态环形拓扑和停滞检测策略。动态环形拓扑结构利用邻域信息形成稳定的小生境。并将小生境多目标蝙蝠算法在测试函数上进行测试,包括所提算法与其他算法的测试结果对比。接着,提出一种小生境和声搜索算法。该算法采用邻域信息来增强种群多样性;应用和声库考虑规则以防止算法的过早收敛;通过动态参数自适应来实现全局和局部搜索能力之间的良好平衡。并将所提算法在12个测试函数上与其他多目标算法进行对比,以验证算法的有效性。最后,对本文进行总结和展望,并指出了进一步完善的方向。
【学位单位】：中原工学院
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP18
【部分图文】：

分布情况,非支配解,决策空间,目标空间

[25]。图1.1 非支配解在决策空间和目标空间分布情况也就是说，在多目标优化问题中，可能存在两个或更多不同的帕累托解集对应于相同的帕累托前沿[26]。可以说，找到这些多个 PS 中的一个可能就足够解决某些问题[27]。然而，不能找到更多的 PS 解可能会阻止决策者考虑更好的选择方案。现实世界中一个简单的例子，比如路径规划问题(如图 1.2)[29]，在最短的时间和最少的交叉点条件下，旅客从起点有六个选择。已知{方案 1，方案 2

决策空间,目标空间,多目标优化,路径规划

图 1.2 路径规划问题面对这样的一类问题，在多目标优化中，其最优解在决策空间位置不同但是标空间位置相同或接近。这些解在目标空间对应的解拥挤度很高，但是在决策是相当分散的[14]。如图1.3所示，决策空间中有两个区域对应目标空间同一个托前沿，决策空间的点A对应目标空间的点A'，决策空间的点B对应目标空间

多目标问题,多模态,目标空间,决策空间

间是相当分散的[14]。如图1.3所示，决策空间中有两个区域对应目标空间同一个帕累托前沿，决策空间的点A对应目标空间的点A'，决策空间的点B对应目标空间点B'。由图可知，目标空间点A'与点B'之间的距离2d 非常小，即目标空间点A和点B相当拥挤，但是决策空间点A和点B之间的距离1d 相对而言非常大，即决策空间点A点B相当分散。常规的多目标优化算法往往只能保留其中的一个或一部分解

【相似文献】