基于动态多策略差分进化模型的MOEA/D算法

发布时间：2021-01-17 20:41

　　在基于分解技术的多目标进化算法的框架中,引入一种动态多策略差分进化模型。该模型在分析不同差分进化策略的特点基础上,选择了三种差分进化策略,并对每种策略分配一子种群。在进化过程中,依据每种策略对邻域更新的贡献度,动态地调整其子种群的大小。对比分析采用不同差分进化算法的性能,结果表明运用多个策略之间相互协同进化,有利于提高算法性能。将新算法同NSGA-Ⅱ与MOEA/D算法在LZ09系列基准函数上进行性能对比,实验结果显示该算法的收敛性和多样性均优于对比算法。将新应用于Ⅰ型梁多目标优化设计问题中,获得的Pareto前沿均匀,且解集域较宽广,对比分析表明了算法的工程实用性。 

【文章来源】：计算机应用研究. 2017,34(09)北大核心

【文章页数】：5 页

【部分图文】：

MOEA/D-DMDE算法在求解P2问题上获得Fmeta最优解和PS

由表3可知，九个测试函数中MOEA/D-DMDE算法获得了六个最优值;MOEA/D算法获得三个最优值;NSGA-Ⅱ算法不能取得较优值。数据表明，在F3、F4和F6问题上，MOEA/D算法性能较好，其余的测试函数性能MOEA/D-DMDE算法表现更好。从t-test结果来看，MOEA/D-DMDE算法依旧对NS-GA-Ⅱ算法占有绝对的优势，净胜分为9，对于MOEA/D算法净胜分为3。图2～4为MOEA/D-DMDE算法在求解F2、F3和F6问题上获得Pareto最优解集和PS集合。由图2和3可知，本文算法求得Pareto最优解均匀地分布于真实的PF上，且PS分布性较好。F6问题是一个3目标问题。从图4中可知，本文算法求解的分布较广泛，但在边缘区收敛性于分布性较差。综合以上分析可以得出结论，MOEA/D-DMDE与MOEA/D、NSGA-Ⅱ算法相比具有较强的竞争力。从统计意义上的t-test检验结果表明，MOEA/D-DMDE算法在九个具有复杂PS的测试函数上获得HV和IGD性能总体上显著地好于另外两种算法。不过依据“没有免费午餐定律”，不可能期望本文算法能够在每一个测试问题上均取得最优值。3工程实例鉴于MOEA/D-DMDE算法在求解无约束多目标算法的良好性能，为了进一步验证其在求解多目标约束问题的能力，将其应用于某主梁的多目标设计问题［26］。主梁的示意图如图5所示。主梁的尺寸在满足几何和强度约束条件下，梁的截面积和静载弯曲力最小，其中已知E=2×104kN/cm2，σα=16kN/cm2，P=600kN，Q=50kN，L=200cm。由于问题存在约束，本文采用Deb等人［27］提出的多目标法处理违反约束的个体。MOEA/D-DMDE算法的基本参数为:最大进化代数为500次，种群大小为800，邻域大小T=25，邻域搜索概率δ=0．9，子问题更新数目nr=3，DE策略的控制参数均取CR=1．0，F=0．5，多项式变异操作数参数η=20，Pm=1

型彭汾计示青图

【参考文献】：
期刊论文
[1]一种基于混合高斯模型的多目标进化算法[J]. 周爱民,张青富,张桂戌.  软件学报. 2014(05)
[2]求解复杂多目标优化问题MOEA/D-GEP算法[J]. 张冬梅,龚小胜,戴光明,彭雷.  华中科技大学学报(自然科学版). 2012(04)
[3]基于自适应差分进化的多目标进化算法[J]. 毕晓君,肖婧.  计算机集成制造系统. 2011(12)



本文编号：2983559