高维多目标进化算法的关键技术研究

发布时间：2020-04-18 04:45

【摘要】：高维多目标优化问题广泛存在于科学研究和工程应用领域,目前已成为智能信息处理领域的研究热点。基于参考点的和基于Pareto支配的高维多目标进化算法是当前求解高维多目标优化问题的两个主流框架,但是两者均面临计算复杂度高、求解效率慢的问题。同时基于参考点的高维多目标进化算法还存在收敛性不佳及对问题前沿面形状敏感的缺陷;而基于Pareto支配的高维多目标进化算法存在多样性维护能力不足和参数不便于调节的问题。特别是,近年来带约束条件的高维多目标优化问题越来越多,上述两种算法框架均无法有效处理。因此,研究更为高效且实用的高维多目标进化算法具有重要的理论意义和实际应用价值。针对上述问题,本文对高维多目标进化算法的目标空间变换、收敛性增强、多样性提升以及约束处理四个关键技术展开深入研究,提出一系列改进措施,旨在求解性能上得到全面提升。论文的主要研究内容包括以下四个方面。(1)针对多目标进化算法在求解高维多目标优化问题时存在计算复杂度高的问题,对目标空间变换技术进行研究,提出一种基于目标空间分解的高维多目标进化算法NSGA-III-OSD。通过采用K均值聚类技术,将整个目标空间分解为不同的子空间,然后子空间对应的子问题采用单独的子种群进行寻优。仿真实验结果表明,该算法在降低复杂度的同时能保证优良的求解效果。(2)针对基于参考点的高维多目标进化算法存在收敛性不佳及对问题前沿面形状敏感的问题,对收敛性增强技术进行研究,提出一种基于自适应惩罚距离的高维多目标进化算法NSGA-III-NE。通过采用惩罚参数动态变化的距离形式,自适应地调节收敛性和多样性的比重,以期增强收敛性而不对问题前沿面形状敏感。仿真实验结果验证了该算法在求解各类问题上的通用性。(3)针对基于Pareto支配的高维多目标进化算法存在多样性维护能力不足以及参数不易调节的问题,对多样性提升技术进行研究,分别提出基于超平面投影的高维多目标进化算法HPEA和基于角度惩罚距离的高维多目标进化算法MaOEA-APD。其中,HPEA算法是基于距离信息的多样性评估体系,采用超平面投影技术提高算法的多样性;而MaOEA-APD算法是基于角度信息的多样性评估体系,通过构造新型的角度惩罚距离,消除算法中对问题前沿面特性敏感的参数。实验结果表明,两种算法相对于其他算法,综合性能有了较大的提升。(4)针对现有高维多目标进化算法无法将高维特征与约束处理技术进行有效结合的缺陷,对约束处理技术进行研究,提出设计一种基于参考点的约束支配关系,将可行解与不可行解作为一个整体看待,进而综合考虑它们的收敛性,多样性和可行性。实验结果表明,该约束支配关系能显著提高可行解集的收敛性和分布性。
【图文】：

示意图,章节,结构关系,论文

论文各章节结构关系示意图

示意图,目标空间,示意图,子空间

30得注意的是，NSGA-III-OSD 采用了两阶段分解机制来类后的聚类中心将整个目标空间分解为 M 个子空间；点来确定子空间中的子区域。其中，子区域的定义是为。通过两阶段分解机制，NSGA-III-OSD 算法能够很好度，计算复杂度分析将在 3.2.4 节给出。为了与目标空角作为 K 均值聚类算法的相似度准则。这里，子空间的似，都是基于参考点的位置关系；不同的是，MOEA/D NSGA-III-OSD 的子空间是相互独立的。重组操作一个子种群通过重组操作生成后代种群来对自身进行更
【学位授予单位】：哈尔滨工程大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP18

【相似文献】