外文翻译一种基于树结构快速多目标遗传算法.docxVIP

附录4一种基于树结构的快速多目标遗传算法介绍：一般来讲，解决多目标的科学和工程问题，是一个非常困难的任务。在这些多目标优化问题(MOPS)中，这些目标往往在一个高维的问题空间发生冲突，而且多目标优化也需要更多的计算资源。一些经典的优化方法表明将多目标优化转化成为单目标优化问题，其中许多运行被要求找到多个解决方案。这使得一种算法返回一组候选解，这比只返回一个基于目标的权重解的算法更好。由于这个原因，在过去20年中，人们越来越感兴趣把进化算法(EAs)应用到多目标优化中。许多多目标进化算法(MOEAs)已经被提出，这些多目标进化算法使用Pareto占优的概念来引导搜索，并返回一组非支配解作为结果。与在单目标优化中找到最优解作为最终的解不同，在多目标优化中有二个目标：（1）收敛到Pareto最优解集（2）在Pareto最优解集中保持解的多样性。为了解决在多目标优化中这两个有时候会冲突的任务，许多策略和方法被提出。这些方法的一个共同的问题是，它们往往是错综复杂的。对于这两项任务，为了得到更优秀的解，一些复杂的策略通常被使用，并且许多参数需要依据经验和已经得到的问题信息进行调整。另外，许多多目标进化算法有高达的计算复杂度或者需要更多的处理时间（G是代数，M是目标函数的数量，N是种群大小。这些符号在下文也保持相同的含义）。在这篇文章中，我们提出了一种基于树结构的快速多目标遗传算法。(这个数据结构是一个二进制树，它保存了在多目标优化中解的三值支配关系（例如，正在支配、被支配和非支配），因此，我们命名它为支配树(DT)。由于一些独特的性能，使支配树能够含蓄地包含种群个体的密度信息，并且很明显地减少了种群个体之间的比较。计算复杂度实验也表明，支配树是一种处理种群有效的工具。基于支配树的进化算法(DTEA)统一了在支配树中的收敛性和多样性策略，即多目标进化算法中的两个目标，并且由于只有几个参数，这种算法很容易操作。另外，基于支配树的进化算法(DTEA)使用了一种特别设计的基于支配树(DT)的消除策略。这种策略不仅维护自然种群的多样性，但也意识到精英主义没有额外的消耗。六个基准测试函数和三个著名的MOEAs（如NSGA-II，SPEA2，和Jensen的改进版本的NSGA-II）被用来检验DTEA算法的效率和效果。程序运行时间实验表明，DTEA算法总是远远快于基准算法，尤其是在人口规模很大的时候。另一方面，通过检测三个评价解质量的标准，我们发现，整体上对于收敛到真正Pareto最优前沿和维护种群多样性来讲，DTEA算法的解决方案质量并不比NSGA-II和SPEA2差，但是DTEA算法的计算所时间要短得多。本文的其余部分安排如下。论文第二节简要回顾了先进的MOEAs，第三节详细描述DTEA，第四部分给出并讨论了实验结果，最后，第五节总结本文。概述MOEAs本节简要调查当代MOEA研究。第一部分将给出在本文中使用的一些概念。第二部分将简要分析当前最先进的多目标进化算法。2.1在多目标优化中的定义许多研究人员都给出了类似的定义。我们在这介绍两个重要概念的定义。为了不是一般性，我们在本文中只考虑最小化问题，它很容易将一个最大化问题转换成一个最小化问题。定义1：一般的多目标优化：一般来说，最小化一组多目标优化函数，约束函数（是决策变量空间）一个多目标优化的解可以使m维的目标向量的一部分达到最小，其中是空间的n维决策变量向量。定义2：Pareto占优：一个向量是占优向量（记作），当且仅当部分小于，即，并且。当前，大多数多目标优化的研究都是基于Pareto占优。（在一些文献中，Pareto占优也被定义为严格的，这里我们并不讨论他们的区别。）一个决策变量向量被称作Pareto最优解，当且仅当不存在，使得。所有Pareto最优决策向量被称为Pareto最优解集。相应的目标向量解集被称作非支配集，或者Pateto前沿。根据Pareto占优的定义，我们可以发现在MOPs和SOPs的解之间的关系中一个截然不同的差异。SOPs的解在目标空间中是标量数字，并且它们的关系有两种可能性：小于和大于（包含等于，为了简单起见，经常称之为大于）。然而，MOPs的解是向量，并且它们之间的关系有三种可能：，和非支配。这些差异要求MOEAs要有更复杂的适应度评价规则。2.2先进的MOEAs一个良好的MOEA必须满足以下两个点：（1）得到的非支配集要收敛到真正的Pareto最优前沿；（2）一个均匀分布的解决方案是可取的。这两个目标往往是大多数MOEAs的性能指标。许多方法被设计用来满足这两个目标。为了解决第一个方面，一个基于Pareto的适应度评价方法通常被设计为指导朝向真正Pareto前沿进行搜索。其基本思想是根据它们的支配关系对解进行排序。Goldberg第一次提出了一个普遍的方法，解集按