求解高维多目标优化问题的自适应PBI分解方法研究

发布时间：2021-02-26 06:40

　　多目标优化问题广泛存在于不同领域且处于非常关键的地位,因此解决多目标优化问题具有重要科研价值和实际意义。解决多目标优化问题常用的方法是多目标进化算法（MOEA）,其中基于分解的多目标进化算法（MOEA/D）从提出以来便引起了广泛关注。MOEA/D利用分治的思想将复杂的多目标优化问题分解为多个单目标优化问题同时处理,与其它MOEA相比,MOEA/D对于处理多目标优化问题有明显的优势,它对于连续优化问题和组合优化问题具有强大的搜索能力,它的性能与选用的分解方法相关。在现有分解方法中,具有适当惩罚参数的基于惩罚的边界交叉（PBI）法在处理高维多目标优化问题时表现出了它的优越性,但它的缺陷是其算法性能与惩罚参数设置高度相关,而这个参数的范围又很宽广。目前对于PBI方法惩罚参数的研究与如何设置的相关工作很少,本文通过PBI方法惩罚参数的系统研究,针对高维多目标优化问题提出了有效的改进算法。本文主要工作如下:（1）针对高维多目标优化问题,研究了PBI方法惩罚参数的敏感性,并提出了一种分阶段参数自适应的PBI算法Ada-PBI。首先从不同测试问题的最佳惩罚参数不同与同一个问题不同迭代时期表现最佳的惩... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

多样性与收敛性图示

图 2.2 基于分解的多目标进化算法基本框架流程如图 2.2 所示。算法运行前需要一组给定样性，根据权向量之间的欧氏距离，找到离每邻居。算法运行后首先进行种群初始化，在可

图 2.3 PBI 分解方法图示上述边界交叉方法的一个缺陷是必须要处理相等约束的问题，基于惩罚的边界交叉（PBI）方法可以有效改进这个问题。PBI 分解方法具有在目标 MOP 的 PF 上获得良好分布的解集和有效处理 MaOP 的优点而被广泛使用，它利用估计的理想点和通过


本文编号：3052206