基于聚集密度的约束多目标进化算法.docVIP

基于聚集密度的约束多目标进化算法 　　摘要：对基于群体聚类的约束多目标进化算法进行了改进，引入了聚集密度以度量群体中个体间的关系，保持种群的多样性。其基本思想为：首先将初始群体按多判据聚类方法分为适应度值不同的四类，然后计算类内群体中个体的聚集密度，根据适应度值和聚集密度定义一个偏序集，最后采用比例选择原则依次从偏序集中选择个体，更新精英集。通过数值实验用量化指标研究了改进算法的收敛性和分布性，结果表明：改进算法的收敛性与常规约束多目标进化算法相当，但分布性有了明显的提高 关键词：约束多目标进化算法；种群聚类；聚集密度；分布性 中图分类号：TP3016文献标志码：A文章编号：1672-1098（2016）01-0050-06 Abstract：The constrained multi-objective evolutionary algorithm based on group clustering was improved， and crowding-density was introduced to measure the relationship among individuals and maintain the diversity of population. The basic idea is that the initial population is divided into four groups with different fitness by multi-criterion clustering method， and the crowding-density of each group is calculated. A poset is defined according to the objective function value and crowding-density， and the individuals are selected from poset by the principle of proportion selection， then the elite set is updated. The convergence and distribution of improved algorithm were studied by means of numerical experiments， and the results showed that the convergence of improved algorithm is roughly equal to the conventional multi-objective evolutionary algorithm， but the distribution of improved algorithm is significantly improved. Key words：constrained multi-objective evolutionary algorithm； group clustering； crowding density； distribution 约束多目标优化问题的关键是对约束条件的处理，目前已有一些典型的带约束多目标进化算法和约束处理机制：文献[1]提出的COMOGA算法，将向量评估遗传算法和Pareto排序分级的方法结合起来处理约束问题。文献[2]提出的约束VEGA，将群体划分成几个子群体来处理。文献[3]提出的约束MOGA，将基于Pareto优胜的选择方案用来处理遗传算法中的约束方程。文献[4]提出了一种基于群体分类的复杂约束多目标进化算法，根据聚类方法来处理复杂约束，算法的基本思想是：按照类内距离平方和最小，类间距离平方和最大等多种判据将种群聚类处理，再按类赋以适当的适应度值。这种算法对于处理Pareto边界比较光滑的三目标的优化问题效果较好，收敛速度较快，基本上二百代即已达到较好的优化效果，但在维持种群的多样性和分布性方面欠佳，现将此算法做了改进，在进化过程中引入聚集密度以调控种群，可以达到维持种群多样性的目的，并根据量化评价指标和数值实验结果对改进算法的性能特别是分布性进行了评测 1多目标优化问题的相关概念 11多目标优化问题及其最优解 多目标优化问题可表述为[5] min y=f（x）=（f1（x），f2（x），…，fk（x）） s.t e（x）=（e1（x），e2（x），…，em（x））≤0 x=（x1，x2，…，xn）T∈X y=（y1，y2，…，yn）∈Y （1） 式中：x为决策向量，f（x）为目标向