基于平衡法则的多目标演化模型及应用研究

发布时间：2020-06-08 15:01

【摘要】：在科学研究和工程优化设计过程中,存在着大量带有多标准、多约束及高度非线性且相互冲突等特征的多目标优化问题。该类问题的最优解具有不唯一特性,而演化算法在一次搜索中可以获得一组解,因此,演化算法是一类求解多目标优化问题的有效方法。目前,多目标演化算法的分析与探索已逐渐成为当今的研究热点,其研究的关键点之一是平衡局部探索和全局开发的能力,即双“E”,(Exploration和Exploitation)。论文基于化学反应演化算法勘探和开采策略的调节机制,主要从演化算法的算子改进、学习策略引导和多方向搜索三个方面研究了多目标演化模型中的局部探索和全局开发的平衡问题,并将所提出的基于平衡法则的多目标演化模型应用于求解复杂连续多目标优化问题、多目标车辆路径优化问题及动态多目标优化问题。论文的主要工作如下:1.针对演化算法不同算子适用于求解不同特征的优化问题,提出基于演化算法中算子改进的多目标化学反应算法用于解决变量相关的复杂多目标优化问题。首先,将化学反应演化算法作为载体,提出分解的多目标化学反应演化算法;其次,为了使基本化学反应演化算法能够有效的求解变量相关的复杂多目标优化问题,提出了一种扩展的化学反应演化算法;最后,与8个多目标演化算法在变量相关和变量不相关的两种测试集上进行算法性能的比较。实验结果表明,基本的多目标化学反应算法在求解变量不相关的问题时表现出显著的性能优势。提出的扩展多目标化学反应算法在求解变量不相关和变量相关的解耦能力方面表现出显著的性能优势。2.受粒子群算法学习引导策略的启发,提出了一种学习引导的混合多目标化学反应演化算法。该算法首先采用自组织方法,根据多目标的(m-1)维流型的属性将演化群体分为若干个子群;其次,为了能够提高化学反应演化算法的收敛速度,提出化学反应演化算法和粒子群算法相结合的混合多目标化学反应演化算法,使用粒子群算法的全局和局部引导算法加快算法收敛;再者,混合演化算法的局部最优从当前子群中选择,以此方式引导而增加搜索的多样性;最后,在大量的基准测试函数上将所提算法与其它23个多目标演化算法进行性能比较,实验结果表明,算法在收敛性、多样性和鲁棒性方面具有较对比算法有显著的性能优势。3.针对中心点预测策略不能预测到复杂动态多目标优化问题的整个Pareto最优解集现象,提出多方向预测策略。该策略首先,根据历史演化群体的时间序列使用指数平滑法预测下一时刻的演化群体;其次,为了更加准确预测下一时刻的演化群体,提出多方向引导演化群体准确搜索;再者,为了能够保持演化群体的多样性,采用随机初始化一组个体来维持预测群体的多样性;最后,对12个标准动态多目标测试问题进行仿真实验分析,实验结果表明,提出的多方向预测策略与4个动态多目标预测算法相比在处理动态多目标优化问题时能够保持较好的快速收敛性和鲁棒性。4.针对带时间窗同时存取货的多目标车辆路径优化问题的特性,提出了一种离散的多目标化学反应算法。首先,针对问题属性,使用十进制编码方式对解进行编码;其次,根据实际问题的Pareto前沿未知的特性,采用一种幂变换的方法将当前解转换到一种更容易分配到均匀权重向量的解集来求解;最后,提出的算法与其它两个多目标演化算法在45个实际测试实例上进行算法性能比较,实验结果表明,提出的基于分解的多目标化学反应演化算法总体上具有显著的优势。
【学位授予单位】：西安理工大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP18

【相似文献】