基于目标空间分解的自适应多目标进化算法.pdfVIP

高技术通讯2013年第23卷第7期：67l～678 doi：10．3772／j．issn．1002JD470．2013．07．002 基于目标空间分解的自适应多目标进化算法① 郑金华②张作峰③邹娟 (湘潭大学信息工程学院“智能计算与信息处理”教育部重点实验室 湘潭411105) 摘要 针对基于分解的多目标进化算法(MOEA／D)个体与子问题的匹配问题，在分析 MOEA／D的进化规律的基础上，提出了一种基于目标空间分解的自适应多目标进化算法 (MOEA／OSD)。该算法采用以测试问题的参考点为起点的均匀权重向量分解目标空间， 根据个体信息动态选择适合的子问题，并使用辅助向量的方法弥补分解方法的不足。对 比实验结果表明，MOEA／OSD拥有较好的收敛性和分布性，采用不同的分解方法均能搜 索到最优解，且具有较好的收敛速度。 关键词 多目标优化，目标空间分解，子问题，自适应，适合的子问题 预先产生均匀分布的权值向量将多目标优化问题转 O 引言 换为一组单目标子问题，并为每个子问题分配一个 个体，从而提出基于分解的多目标进化算法(MOEA 现实世界中的许多实际问题是多属性的，往往 basedon 需要同时优化多个目标。多目标进化算法(multi．地处理高维问题及决策空间不连续问题¨l12j。之 objectiveevolutionaryalgorithms，MOEAs)由于通用后，涌现出多种不同版本的MOEA／D，性能也得到 性强且不依赖于函数模型，适用于处理复杂的多目 显著提高，如MOEA／D—DE¨列引入差分交叉算子， 标优化问题，因而在过去10年中得到了很大发展。 提高了处理复杂PS的能力；MOEA／D．DRA¨4o根据 根据选择机制的不同，可将MOEAs分成三类：基于子问题进化程度动态调整计算资源，增强了统筹计 Pareto支配的算法，基于群体的算法以及基于聚集算资源的能力；MOEA／D．EGOu纠引进高斯模型，能 函数的算法¨J。目前，尽管基于Pareto的算法已成有效地解决昂贵问题；ENS．MOEA／Du刮根据子问题 为MOEAs的主流拉j，同时也涌现出了许多经典的生成优秀解的概率动态调整邻域，使收敛性能得到 J、PAES¨J、PESA—II∞o较大改进。尽管不同版本的MOEA／D有较理想的 算法，如NSGA—II【3|、SPEA2H 等，此类算法适用于处理低维优化问题，但随着目标 性能，但个体与子问题间的匹配问题仍旧是个难点， 维数的增加，算法的搜索能力显著下降1，无法找 严重制约了其性能的进一步提高。由于MOEA／D 随机地为子问题分配个体，无法为子问题分配合适 到优化问题的近似Pareto最优面。基于群体方法的 MOEAs往往考虑一个目标而忽视其他目标，不能对的个体，因而难以满足邻近子问题解的相似性，也就 优化问题的所有目标同时优化，进而致使算法难以 无法通过邻域内交叉变异产生有利于特定子问题的 搜索到完整的最优Pareto面呻J。基于聚合函数的个体。加之各子问题同时进化，容易出现重复搜索， 进而直接影响了算法的运行效率。本文从不同于以 MOEAs则采用加权法将多目标优化问题分解成单 目标优化问题，并结合归档集保优策略，不断调整权 往的多目标优化研究重点(进化算法的性能和搜索 重向量，进而搜索到优化问题的Pareto最优解，但解能力)的角度出发，分析了原有MOEA／D的进化规 集的分布性无法保持一j。 律，提出了个体与子问题的匹配方法，并在此基础上 针对现有MOEAs的不足，ZhaIlg和Li¨叫通过构造了一种新的算法：基于目标空间分解的自适应 ②男，1963年生，博士，教授；研究方向：进化计算；E—maii：jhzlleng@xtu．edu．cn ③