分解策略型多目标进化算法中的自适应机制研究

发布时间：2021-06-28 23:13

　　多目标优化问题始终是生产生活中不可避免的问题,对于求解此类问题的算法的研究和优化,始终是智能计算领域的重要课题。目前,分解策略型多目标进化算法（MOEA/D）由于其在解决工程优化问题上表现出的易扩展、收敛快、复杂度低等特性,逐渐成为了当前进化计算领域的研究热点。但是,在实际求解过程中,特别在处理复杂、高维问题时,MOEA/D使用固定规模的邻域,且精英解选择过程功能单一、缺乏全局性,这些操作都缺乏动态调整的能力,无疑会在一定程度上破坏算法在收敛性和分布性上的平衡,限制种群的进化。为了使算法能够更好地服务于复杂的工程应用领域,MOEA/D的自适应机制研究也逐渐成为了亟待突破的问题。基于此,本文为了提高分解策略型多目标进化算法的自适应性能,通过探究种群进化规律,展开了对于MOEA/D的邻域设置方法和选择策略的自适应机制的研究,并将自适应MOEA/D用于复杂、高维问题的求解当中,具体工作及创新点如下:1.设计了一种新的自适应邻域策略。在对MOEA/D进化规律进行深入探究的基础上,通过挖掘个体邻域更新的信息,总结出一种能够较好反应种群进化阶段和进化状态的基于更新能力的进化潜力判断机制。然后,综合... 

【文章来源】：南京信息工程大学江苏省

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

图３．１算法不同阶段种群分布情况??

?第三章ＭＯＥＡ／Ｄ自适应邻域策略研宄???明显的不确定性变化，但是纵观整个进化过程，其ＩＧＤ值则是处在下降的趋势的。而在??进化后期，３６０－５００代之间，此时Ｌ值保持在较小的范围内，而其ＩＧＤ值则也相应的处??在相对稳定的区间。以上所述的Ｌ和ＩＧＤ值之间的关系，在图３．４?（ａ）中也有很明显的??体现，这就说明了?Ｌ值和种群ＩＧＤ性能指标值具有一定的相关性，种群中进化潜力大??的邻域数Ｌ能够较好的表达种群的整体性能。???＾＇１

（ａ）?＜＊＞＞??图３．３?ＭＯＥＡ／Ｄ求解ＷＦＧ１时种群进化潜力和指标性能对比示意图??￣＾￣￣￣＾￣￣￣Ｔ＝ｃｎ?ｌｉ＇￣￣￣￣＇＂＂＂ｉ?二?“Ｉ??０．９?－?０．９?１?Ｌ－——Ｊ?－??＼??０．Ｂ?０．８?ｆｌ??。，?－－??０．６?０．６?＾??????????０．Ｓ?Ｉ?－?０．５??Ｉ?１??０．２?■?｜｜?０－２?Ｕ??〇．?－ｊｉ?？?私?“?Ｉｎ?ｉＵｕｈ?“屋?ｉｉ?ｍ?■?〇，ｙｊｊｆｆｉｉｌｌｍ／ｙＪｌｊｉｉｉＬｉＬｉｕｍｌｕ?ｉｌａｉｕ?ｉ?ｕ贏ｎ?ｍ胤．??０?５０?１００?ＩＳＯ?２００?２Ｓ０?３００?３５０?４００?４５０?５００?０?５０?１００?１５０?２００?２５０?３００?３５０?４００?４５６?６Ｇ０??＜？＞?（ｂ）??图３．４?ＭＯＥＡ／Ｄ求解ＷＦＧ２时种群更新能力和指标性能示意图??而在图３．３?（ｂ），?Ｌ的变化对于Ｓｐｒｅａｄ值的影响更加明显，Ｓｐｒｅａｄ值的每一个峰值??和谷值几乎都会对应于Ｌ的一个峰值，而且若Ｌ的峰值较大时，Ｓｐｒｅａｄ的值的变化幅度??则会非常的剧烈，如图中５０、６０、１６０、２１０代，而在Ｌ值较小时，其Ｓｐｒｅａｄ值则相对??平稳，如图中１４０－１６０、２２０－２４０、３５０－５００代时。综合图３．４?（ｂ），说明了?Ｌ值和种群??Ｓｐｒｅａｄ性能指标值具有一定的相关性，Ｌ能够表达种群的分布性，但是与ＩＧＤ值不同，??较大的Ｌ值会有更大的概率导致Ｓｐｒｅａｄ值的变差

【参考文献】：
期刊论文
[1]一种基于群体分布特征的自适应多目标粒子群优化算法[J]. 耿焕同,陈哲,陈正鹏,薛羽.  控制与决策. 2017(08)
[2]Enhancing MOEA/D with uniform population initialization,weight vector design and adjustment using uniform design[J]. Ying Zhang,Rennong Yang,Jialiang Zuo,Xiaoning Jing.  Journal of Systems Engineering and Electronics. 2015(05)
[3]变邻域分解多目标自适应差分进化算法[J]. 刘志君,高亚奎,章卫国,王晓光,袁燎原.  控制理论与应用. 2014(11)
[4]基于幂变换的多目标进化算法MOEA?D权重设计方法[J]. 刘海林,辜方清,张晓明.  计算机研究与发展. 2012(06)



本文编号：3255222