杂草克隆多目标算法.docVIP

杂草克隆多目标算法 ; MOPSO[1]能解决一些多目标优化问题[2],但是处理一些复杂的尤其是Pareto前沿是分段不连续的优化函数,如KUR测试函数,该方法求得的Pareto最优解多样性不好,分布也不均匀,得到的非劣解的分布范围也有限。本文针对MOPSO在这方面的缺陷,提出一种基于杂草克隆的多目标粒子群算法。该算法引入杂草克隆机制[3],有效地解决了处理前沿不连续函数收敛性差、多样性差的问题,另外,还改善了自适应网格法对档案粒子的裁断操作,使每个网格能够自适应地删除粒子,提高了计算效率。; 1MOPSO的缺陷; 1.1档案维护的缺陷MOPSO采用外部档案保存找到的最优解,当所找到的解超出外部档案的容量范围时,传统的甚至不少多目标粒子群算法都是通过找出粒子数较多的网格,然后从这些网格中随机地删除多余的粒子。如图1所示,假设档案规模为10,而将最优解保存到档案中时,规模已经达到14,于是选出粒子数较多的网格,共5个,从其中随机删除4个粒子,这时候就可能出现如图2所示的情况,即粒子数为4的网格可能没有被删除粒子,而其它几个粒子数多于1的网格均被清除1个粒子,从图可以明显看出,这样删除后的网格粒子多样性很差,经历多次类似这样的操作后,会造成个别网格密度很大,这对于获得具有好的多样性的Pareto前沿很不利。; 1.2对复杂函数尤其对Pareto前沿是分段不连续的函数优化的缺陷MOPSO在优化具有分段不连续Pareto前沿的函数时,往往会遇到两个问题:1)经过很多代的进化往往得到的档案中Pareto非劣解的个数并不多;2)得到的Pareto非劣解收敛性差、多样性差,在真实前沿周围波动。如测试KUR函数时,用MOPSO算法经1000代优化得到的Pareto解如图4所示。该函数真实前沿是由一个点(-20,0)和3段分段曲线组成,由图4看出,用MOPSO求得的前沿没有逼近真实前沿,第1个点离真实前沿较远,第1段曲线粒子数很少,多样性差,分布很不均匀,大部分非劣解在真实前沿周围波动。图4用自适应网格法求解的前沿; 2对MOPSO缺陷的解决方案; 2.1档案维护的改进针对大部分MOPSO在档案维护上的缺陷,本文提出自适应维护网格的方法n=(N-M)*ηα(1)式中,n是该网格要删除的粒子数,N是当前档案中的粒子数,M是指定的档案规模,(N-M)是总共要删除的粒子数,η是该网格中粒子数占所有粒子数的比例,α是尺度收缩因子,αgt;1。该方法进行档案维护的思想是:多者去多,少者去少。即若该网格多余粒子数相对较多(少),则删除较多(少)的粒子。用该方法进行档案维护的结果如图4所示,可见,采用该方法既可以很好地保持多样性和均匀性,又能减小计算量。; 2.2针对优化Pareto前沿不连续函数缺陷的分析与解决方案优化不连续前沿出现收敛性差、多样性差、非劣解集分布不均匀的主要原因是没有好的搜索机制,光靠档案中的粒子引导群体中的粒子飞行,因此很难找到非支配解。下面通过图示加以解释。图5前沿连续图6前沿分段不连续如图5所示,对于Pareto前沿连续的函数,档案中粒子指导种群中的粒子A飞行,A可能先受粒子1引导,再经粒子2引导,经过几次飞行后可能会达到C点,即位于Pareto前沿上,而对于Pareto前沿不连续的函数,如图6所示,粒子A先受第1段前沿上的粒子指导飞行到B,然后再受第2段前沿上的粒子指导飞行到C点,而C点并不在前沿上,如此反复,粒子绝大多数都是在真实前沿周围摆动,因此产生的非支配解少,Pareto前沿就会表现出收敛性差、多样性差、分布不均匀的特点,这种情况在相邻两段前沿上某段前沿上粒子数很少时表现得更剧烈。前文提到出现这种情况的根本原因是没有一个好的搜索机制,针对这种情况,具体算法请见文献[3],本文引入杂草克隆搜索机制,能够有效解决问题。原因是:1)该机制按适应度的大小确定杂草个数的多少。; 针对本文问题,对所求得的前沿中,收敛性差的个体周围分布的粒子少,将其适应度列为最大,产生的子代多;反之,产生的子代少。针对KUR问题,靠近第1段前沿(一个点)附近的第2段前沿收敛性差、多样性较差、粒子少,产生子代多,有助于搜索周围较好的解,而对第3段和第4段前沿,其粒子数相对较多,产生子代少,避免不必要的大范围搜索,而是进行有效的局部搜索。2)该机制在父代周围产生一定数量的子代,提高了局部搜索,因此能够在其周围找到逼近真实前沿的个体的概率更大,从而使所求的解逼近整个真实前沿,解决了收敛性差、多样性差的问题。优化KUR时,往往得到离第1个点很近的最优解,而通过此方法就能有效地逼近真实解(-20,0)。3)该搜索机制在进化中自适应地调整个体分布的标准差,进化前期充分增强种群的多样性,如优化KUR时,MOPSO运行1000代,IWMOPSO运行200代,M