高维多目标优化设计的改进多重单目标Pareto采样算法研究.pdfVIP

第 32卷 第 1期 电工 电 能 新 技 术 Vo1．32，No．1 2013年 1月 AdvancedTechnologyofElectricalEngineeringandEnergy Jan．2013 高维多 目标优化设计的改进多重单 目标Pareto 采样算法研究 刘 磊 ，杨仕友 (浙江大学电气工程学院，浙江 杭州310027) 摘要：电气工程 中的设计 问题常归结为多目标优化问题 。对于 目标函数超过三维的高维多目标优 化设计 ，目前基于非控关系的多 目标进化算法很难获得理想的优化结果。为此，人们提 出了多重单 目标 Pareto采样(MuhipleSingleObjectiveParetoSampling，MSOPS)算法。该算法结构简单，计算复 杂度低 。然而，研究表明，这种方法的最终优化结果往往缺乏多样性。为此，本文对MSOPS算法进 行 了改进研究，提 出了目标矢量的拥挤操作 ，非均匀的 目标矢量更新 以及 附加外部档案等改进措施 以提高优化结果的多样性。通过与 MSOPS-H、HypE以及 NSGA．H算法在求解测试 函数上的性能 比较 ，证明了改进算法在 Pareto解集上获得 了更好的收敛性与多样性。最后 ，通过八木天线的优化 设计验证 了改进算法解决实际问题的有效性。 关键词：高维多目标算法；进化算法；多重单 目标 Pareto采样算法；多样性保持 中图分类号：TM133 文献标识码 ：A 文章编号：1003．3076(2013)O1．0089—05 多单 目标优化问题 。因此，MSOPS算法实现简单， 1 引言 计算复杂度低。此外，基于单 目标优化的聚合类算 电气工程 中的综合问题常归结为多 目标优化设 法易于保持进化过程 的选择压力 。然而 ，研究也发 计 问题 。这类优化 问题 的解不再是单一 的 “最优 现，MSOPS算法难以维持较好 的种群多样性 。为 解”，而是 Pareto解集 ，即一组全局非控解。因此 ， 此，本文提出了若干改进措施 ，以期在保证 MSOPS 多 目标优化需要 同时发现并均匀采样 Pareto解集。 算法选择压力的同时获得优良的种群多样性 。 众所周知 ，由于具有种群特征 ，进化算法可在一次优 2 改进的MSOPS算法 化 中实现对 Pareto解集的近似采样 。因此，该算法 在工程综合设计 中获得广泛应用。然而 ，目前基于 2．1 MSOPS算法简介 非控关系的进化算法在解决 目标超过三维的高维多 与一般进化算法不同，除了初始种群，MSOPS 目标优化设计 问题时很难获得全局非控解 。其主要 算法还需一组预先设定的单位矢量 。这组矢量指 原因在于此时种群中的多数个体彼此非控 ，无法赋 明了算法在 目标超空间中的搜索方 向，称其为 目标 予个体合理的适应度 ，导致选择压力过小，从而使启 矢量。这是因为在传统的标量化多 目标算法 中，需 发式的搜索退化为随机的盲 目搜索 。 要 目标矢量为标量化后 的 目标 函数确定其进化方 为解决高维多 目标优化设计问题 ，人们又转而 向。根据不同的 目标矢量，种群 P中的每个个体都 研究传统的矢量优化标量化技术 ]。其 中多重单 可以获得一组不同的适应度值以代表其在各 目标矢 目标 Pareto采样算法 (MSOPS)可 以看成是一种并 量下的优劣。取最优者为该个体最终 的适应度 ，便 行的自适应标量化搜索方法 。在该算法中，通过 可用于进化算法