一类新型动态多目标鲁棒进化优化方法

发布时间：2018-02-28 13:36

  本文关键词： 动态多目标优化 进化算法 鲁棒Pareto最优解 鲁棒生存时间　出处：《自动化学报》2017年11期 　论文类型：期刊论文

【摘要】：传统动态多目标优化问题(Dynamic multi-objective optimization problems,DMOPs)的求解方法,通常需要在新环境下,通过重新激发寻优过程,获得适应该环境的Pareto最优解.这可能导致较高的计算代价和资源成本,甚至无法在有限时间内执行该优化解.由此,提出一类寻找动态鲁棒Pareto最优解集的进化优化方法.动态鲁棒Pareto解集是指某一时刻下的Pareto较优解可以以一定稳定性阈值,逼近未来多个连续动态环境下的真实前沿,从而直接作为这些环境下的Pareto解集,以减小计算代价.为合理度量Pareto解的环境适应性,给出了时间鲁棒性和性能鲁棒性定义,并将其转化为两类鲁棒优化模型.引入基于分解的多目标进化优化方法和无惩罚约束处理方法,构建了动态多目标分解鲁棒进化优化方法.特别是基于移动平均预测模型实现了未来动态环境下适应值的多维时间序列预测.基于提出的两类新型性能评价测度,针对8个典型动态测试函数的仿真实验,结果表明该方法得到满足决策者精度要求,且具有较长平均生存时间的动态鲁棒Pareto最优解.
[Abstract]:The traditional method of solving dynamic multi-objective optimization problems (DMOPs) usually needs to obtain the optimal solution of Pareto suitable for this environment by reactivating the optimization process under the new environment, which may lead to higher computational cost and resource cost. It is impossible even to execute the optimal solution in a finite time. Therefore, an evolutionary optimization method for finding the optimal set of dynamic robust Pareto solutions is proposed. The dynamic robust Pareto solution set means that the Pareto optimal solution at a certain time can be obtained at a certain stability threshold. In order to reduce the computational cost, we approach the real frontiers of the future continuous dynamic environments and directly serve as the set of Pareto solutions in these environments. In order to reasonably measure the environmental adaptability of Pareto solutions, the time robustness and performance robustness are defined. It is transformed into two classes of robust optimization models. The decomposition based multi-objective evolutionary optimization method and the unpunished constraint processing method are introduced. The robust evolutionary optimization method of dynamic multiobjective decomposition is constructed, especially the multi-dimensional time series prediction in the future dynamic environment based on the moving average prediction model. Based on the proposed two new performance evaluation measures, the dynamic multi-objective decomposition robust evolutionary optimization method is proposed. The simulation results of eight typical dynamic test functions show that the dynamic robust Pareto optimal solution can meet the precision requirements of the decision makers and has a long average survival time.
【作者单位】： 中国矿业大学信息与电气工程学院;中国矿业大学数学学院;
【基金】：国家重点基础研究发展计划(973计划)(2014CB046300) 国家自然科学基金(61573361) 中国矿业大学创新团队(2015QN003)资助~~
【分类号】：TP18

【相似文献】

相关期刊论文 前10条

1 孟凡丽;黄敏;王兴伟;;基于双边多议题的Pareto最优协商研究[J];计算机工程;2011年01期

2 ;Design of high performance multilayer microwave absorbers using fast Pareto genetic algorithm[J];Science in China(Series E:Technological Sciences);2009年09期

3 董红斌;黄厚宽;何军;侯薇;穆成坡;;一种混合策略的Pareto演化规划[J];模式识别与人工智能;2006年06期

4 宋冠英;李海楠;邹玉静;;一种基于Pareto解集的无约束条件的多目标粒子群算法[J];机械工程师;2008年05期

5 ;Diversity of Pareto front: A multiobjective genetic algorithm based on dominating information[J];Journal of Control Theory and Applications;2010年02期

6 李俊青;潘全科;王玉亭;;多目标柔性车间调度的Pareto混合禁忌搜索算法[J];计算机集成制造系统;2010年07期

7 潘伟杰;谢庆生;李少波;;基于Pareto的制造资源能力评价[J];制造业自动化;2011年04期

8 邢宇飞;王成恩;柳强;;基于Pareto解集蚁群算法的拆卸序列规划[J];机械工程学报;2012年09期

9 毕晓君;李博;;基于决策偏好信息的n维Pareto前沿可视化[J];系统工程与电子技术;2013年03期

10 汤可宗;丰建文;柳炳祥;徐星;;基于Pareto的双群体多目标微分进化算法[J];系统仿真学报;2013年08期

相关会议论文 前9条

1 ;A Pareto-Based Differential Evolution Algorithm for Multi-objective Optimization Problems[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

2 周秀玲;孙承意;;Pareto-MEC算法的收敛性分析[A];2005年中国智能自动化会议论文集[C];2005年

3 ;Multiobjective Optimization with Competitive Coevolutionary Genetic Algorithms[A];第二十九届中国控制会议论文集[C];2010年

4 ;Study on New Coordination Mechanisms of Generalized Supply Chains with Loss-averse Agents[A];2009中国控制与决策会议论文集（3）[C];2009年

5 陈银美;石连栓;;一种改进的求解均匀分布Pareto解集的多目标遗传算法[A];中国运筹学会第十届学术交流会论文集[C];2010年

6 谭光兴;毛宗源;;人工免疫算法用于求多目标优化的Pareto前端[A];第二十四届中国控制会议论文集（下册）[C];2005年

7 ;A Selective Migration Parallel Multi-objective Genetic Algorithm[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

8 李慷;刘咸姝;;一种新型的多目标协调决策方法——变距离交互搜索法[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年

9 ;Design of an optimal fractional-order PID controller using Multi-Objective GA optimization[A];2009中国控制与决策会议论文集（3）[C];2009年

相关博士学位论文 前2条

1 杨蕴;多目标进化算法及其在地下水优化管理中的应用研究[D];南京大学;2012年

2 陈泯融;基于极值动力学的优化方法及其应用研究[D];上海交通大学;2008年

相关硕士学位论文 前10条

1 范超;基于Pareto蚁群算法的MVB周期轮询表设计问题研究[D];大连理工大学;2015年

2 丁冲冲;基于Pareto多目标人工蜂群算法的Web服务组合优化研究[D];南京财经大学;2014年

3 韩红艳;基于Pareto支配的高维多目标进化算法研究[D];大连理工大学;2016年

4 桂行东;基于Pareto多目标遗传算法的列车节能运行方法研究[D];南京理工大学;2017年

5 汪开普;基于Pareto人工鱼群算法的多目标斗链式拆卸线平衡特性研究[D];西南交通大学;2017年

6 陈鹏;基于Pareto多目标遗传算法的CMOS运放优化设计[D];杭州电子科技大学;2012年

7 曾文静;多目标优化Pareto支配性预测及算法研究[D];中南大学;2014年

8 童晶;多目标优化的Pareto解的表达与求取[D];武汉科技大学;2009年

9 张晓芳;基于Pareto多目标优化的SVM多类分类算法的实现[D];武汉科技大学;2008年

10 孙奉林;融入偏好区域的高维多目标集合进化优化[D];中国矿业大学;2016年

，

本文编号：1547518