基于进化多目标算法的研究
群体智能优化算法是一种模拟自然界生物和非生物群体行为的随机搜索算法，由于其适用于高度复杂的非线性问题，因而得到了广泛的应用，在解决复杂的单目标系统优化问题中的优势已经得到了充分的体现。然而，现实世界中的优化问题往往是多属性的，通常是针对多个目标同时进行的，在大多数情况下，同时进行优化的多个目标相互影响、相互冲突。为了实现总目标的最优化，往往需要以综合的方式考虑相互冲突的子目标，也就是说，在各个子目标之间折衷。因此，为了优化多目标，出现了进化多目标算法。现有的大多数多目标优化算法试图将全部解均匀分布在目标空间中，而对于不规则的Pareto前沿,这些算法往往难以发现真实的Pareto前沿。针对Pareto前沿不规则的多目标优化问题，本文有针对性的提出了一种自适应拟合优势面的多目标进化算法。算法在每次迭代前对所有候选解进行非支配排序，使用排序序列在最前面的解，在目标空间拟合出一个超平面，称为当前优势面。当前优势面能够反映当前代优势群体进化的趋势，引导非优势群体快速收敛。将所有候选解投影到超平面上，计算投影点之间的距离，每个点到其最近的点的距离为该点的优势面拥挤距离，采用拥挤距离筛选临界层中的点，优势解参与筛选非优势解，从而使群体均匀分布在不规则的Pareto前沿上。 本文的主要贡献如下: （1）提出Pareto优势面。在每次迭代前，将非支配排序最前一层的解在目标空间中拟合为一个超平面，称为Pareto优势面。Pareto优势面能够良好的反映出当前代种群的非支配解进化状态，随着种群的不断进化，Pareto优势面逐渐接近真实Pareto前沿的形状。 （2）提出投影到Pareto优势面的点之间的拥挤距离作为新的指标，对临界层进行筛选。由于将临界层之前的解也投影到优势面上，计算拥挤距离时涵盖所有投影点，可以筛选出真正分布均匀的临界层点。 （3）构造一个新的偏序关系，首先判断个体的非支配排序数，数小的为更优解，在非支配排序数相同时判断个体向优势面的投影点的拥挤距离，拥挤距离大的更优，在保障种群多样性的条件下加快算法的收敛速度。 （4）提出一种自适应拟合优势面的多目标进化算法，采用基于优势面的投影点的拥挤距离作为偏序关系进行环境选择操作，在临界层中，拥挤距离较大的个体进入下一代，这种方式有效地提高了种群的多样性。 （5）提出一种自适应拟合优势面的多目标粒子群算法，将优势面的投影点的密度作为粒子适应度，在选择临界层粒子进入档案集时，令适应度排序最好的个体进入档案集。当粒子向最优个体学习时，采用以投影点密度为概率的轮盘赌方式选择最优粒子（gbest），使多目标粒子群算法能够快速收敛。
多目标优化;Pareto优势面;拥挤距离;进化算法;粒子群算法
长春工业大学
硕士
计算机科学与技术
韩旭明
2022
中文
TP301.6
2022-10-12（万方平台首次上网日期，不代表论文的发表时间）