基于参考向量动态适应的高维多目标进化算法的研究

发布时间：2020-10-25 05:17

　　 在多目标问题(Multi-objective Optimization Problems,MOP)优化过程中,由于缺乏对帕累托前沿(Pareto Front,PF)的选择压力,导致经典的多目标进化算法(Multi-objective Evolutionary Algorithms,MOEAs)求解多目标优化问题无效。此外,众所周知,在收敛性和多样性之间如何保持良好的平衡对于MOEAs的性能也是至关重要的。上述两个方面对设计MOEAs提出了很大的挑战。为了解决这些问题,研究人员开发了基于参考点的方法,在优化过程中使用预先产生的参考向量助其保持良好的种群多样性。但是,不同测试问题形状(Shape of PF)在搜索过程中会严重影响MOEAs的性能。本文提出一种基于参考点自适应的高维多目标算法,“基于自适应参考点的多目标进化算法(An Adaptation Reference-point-based Multi-Objective Evolutionary Algorithm,ARMA)”,此方法根据种群的候选解集来学习MOP的PF形状。这种自适应方法是调整参考点的相对位置和调整参考平面的形状,使其可以处理具有凹形的多目标优化问题或凸形多目标优化问题,并且根据整个种群的目标值,使用参数φ来控制参考点集的超平面形状和个体解在超平面上的分布情况。根据参考点的分布概况,提出的新聚类方法就可以用来平衡多目标优化中的小生境精英个体保存操作。我们通过比例和角度值将种群划分为若干个局部环境,这种局部环境被称为小生境,然后在环境选择策略中根据不同的适应度值挑选不同的或者更好的精英解方案。在这种方法的环境选择期间,通过聚合函数值能加强种群的收敛性能,并且基于比例和角度方法作为衡量种群多样性的指标,能够提高种群分布性能。在实验中选择六种最先进的进化算法,HYPE、SPEA2+SDE、MOEA/D、MOEA/DD、NSGA-III和RVEA作为对比算法。在实验中用来测试算法的优化问题选自于ZDT系列,DTLZ系列和WFG系列。这三个系列问题在多目标优化问题中具有良好的扩展性和分布难度。同时,测试的多目标优化问题具有各种特征,例如具有线性,多模态,凹凸面,不连续或退化特性。在与六个进化算法对比中发现,本算法产生了一组具有多样性和收敛性种群,具有强大的竞争力与有效性,满足不同测试问题的需求。此外,随着进化代数的增加,参数φ控制的参考点平面能自适应测试问题的真实PF,具有测试问题的凹凸性,线性等特征。
【学位单位】：湘潭大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP18
【部分图文】：

多目标遗传算法中的交配选择是在种群中选选作为生成下一代的父亲。交配选择的好坏直接父代生成的子代也是较好的，较差的父代在产代。因此，交配选择的算法在遗传过程中也具两个父代个体发生基因数据交换的过程，此过与父代不同的个体行为。交叉后的新个体的数生各种各样的变异，数据位发生突变或者整个。之后，产生的新个体所组成的种群具有较好的行下一代迭代至关重要。在交配进化算法的发择过程要有能选择精英个体排序劣质解的能力的有 pareto 支配，权重分解，指标操作的算法新种群含有收敛性好，分布性广的特点，满足遗传算法进化过程是一种重复性迭代的过程。

参考点集的比例计算图

种群的比例计算图
【相似文献】

相关期刊论文 前10条

1 ;科技文摘[J];中国农业文摘-农业工程;2017年04期

2 梅志伟;;多目标进化算法综述[J];软件导刊;2017年06期

3 李鸿鑫;李银红;李智欢;;多目标进化算法求解无功优化问题的比较与评估[J];电网技术;2013年06期

4 赵晶晶;许峰;;基于分布估计的分解多目标进化算法[J];软件导刊;2012年10期

5 李珂;郑金华;;一种改进的基于差分进化的多目标进化算法[J];计算机工程与应用;2008年29期

6 关志华;多目标进化算法研究初步[J];石家庄经济学院学报;2002年02期

7 于建伟;;多目标进化算法研究综述[J];海南大学学报(自然科学版);2005年04期

8 周欢;孟利民;王丽萍;林梦嫚;江波;;动态邻域的分解多目标进化算法[J];小型微型计算机系统;2017年09期

9 张丽丽;许峰;;基于聚集密度的约束多目标进化算法[J];安徽理工大学学报(自然科学版);2016年01期

10 许峰;季洪霄;;基于种群分类的动态约束多目标进化算法[J];皖西学院学报;2015年05期

相关博士学位论文 前10条

1 罗娟娟;多目标进化学习与稀疏聚类理论及应用研究[D];西安电子科技大学;2017年

2 王朝;高维多目标进化算法的关键技术研究[D];哈尔滨工程大学;2018年

3 王鹏;兼顾收敛性与多样性的多目标进化算法研究[D];东北大学;2017年

4 呼子宇;多目标进化算法的改进及其在轧制负荷分配中的应用研究[D];燕山大学;2017年

5 付亚平;多目标进化算法及其在生产调度中的应用研究[D];东北大学;2015年

6 付国忠;多目标进化算法及其在矿用挖掘机提升机构减速器中的应用[D];电子科技大学;2018年

7 张鹏翔;多目标进化算法及其在电力系统中的应用研究[D];华中科技大学;2004年

8 孟红云;多目标进化算法及其应用研究[D];西安电子科技大学;2005年

9 张利彪;基于粒子群和微分进化的优化算法研究[D];吉林大学;2007年

10 郭秀萍;多目标进化算法及其在制造系统中的应用研究[D];上海交通大学;2007年

相关硕士学位论文 前10条

1 吕文鹏;免疫多目标进化算法的研究与应用[D];安徽理工大学;2019年

2 付刘伟;基于参考向量动态适应的高维多目标进化算法的研究[D];湘潭大学;2019年

3 侯章禄;基于偏好信息的多目标进化算法及其评价指标的研究[D];湘潭大学;2019年

4 周克飞;基于并行多目标进化算法的大规模复杂网络社团检测研究[D];安徽大学;2019年

5 张菘洺;基于膜结构的多目标进化算法[D];厦门大学;2017年

6 吴峰;基于差异化邻域策略的分解多目标进化算法研究及应用[D];浙江工业大学;2018年

7 何伟鹏;锥形分解多目标进化算法的约束处理技术研究[D];华南理工大学;2018年

8 张奇胜;基于分解思想的多目标进化算法研究[D];湖南大学;2018年

9 丁洋洋;分解策略型多目标进化算法中的自适应机制研究[D];南京信息工程大学;2018年

10 班阳;基于分解的多目标进化算法和多目标狼群算法的改进[D];陕西师范大学;2018年

本文编号：2855521