多目标进化算法中基于动态聚集距离分布性保持策略.docVIP

多目标进化算法中基于动态聚集距离分布性保持策略 　　收稿日期：2007-10-31；修回日期：2008-03-04 　　基金项目：国家自然科学基金资助项目; 湖南省教育厅重点科研项目(06A074) 　　 　　作者简介：罗彪(1984-),男,湖南邵阳人，硕士研究生, 主要研究方向为进化计算、计算智能; 郑金华(1963-), 男,湖南邵阳人，教授, 博导,主要研究方向为进化计算、并行处理等（jhzheng@xtu.edu.cn）. 　　??* 　　(湘潭大学 信息工程学院，湖南 湘潭 411105) 　　摘 要：提出了基于动态聚集距离(DCD)的分布性保持策略，利用个体在不同维目标上聚集距离的差异程度来定义DCD，并在种群维护中动态地计算DCD。与目前经典算法NSGA-II和ε-MOEA进行比较，实验结果表明DCD能在较大程度上提高分布性，并得到较好的收敛性。 　　关键词：多目标进化算法;动态聚集距离;帕累托最优解;分布性;种群维护 　　中图分类号：TP18 　　文献标志码：A 　　文章编号：1001-3695(2008)10-2934-05 　　Dynamic crowding distance based diversity maintenance strategy in MOEAs 　　LUO Biao, ZHENG Jin-hua 　　(College of Information Engineering, Xiangtan University, Xiangtan Hunan 411105, China) 　　Abstract:This paper proposed a dynamic crowding distance (DCD) based on diversity maintenance strategy, in which the definition of individual’s DCD was based on the degree of difference between the crowding distances on different objectives. The proposed strategy computed individuals’ DCD dynamically during the process of population maintenance. Compared with NSGA-II and ε-MOEA, the experimental results demonstrate that DCD can improve diversity at a high level. 　　Key words：multi-objective evolutionarg algorithms(MOEAs); dynamic crowding distance; Pareto optimal solutions; diversity; population maintenance 　　 　　0 引言 　　多目标优化问题(multi-objective optimization problems, MOPs)在许多领域是很常见的，其求解不同于单目标优化问题(single objective optimization problems, SOPs)。SOPs的最优值只有一个。而对于MOPs来说，由于多个目标之间一般是相互冲突的，即一个目标的改进会影响其他目标的性能。对MOPs的求解，在20世纪50年代就有使用数学规划来求解的研究，直到现在，用数学规划[1,2]方法解决MOPs一些问题还在使用。但是数学规划存在一些不足，如某些方法容易受Pareto最优边界(Pareto front, PF)的影响，当PF为非凸或非连续的情况，某些数学规划的方法就失效了；还有一些方法要求约束条件与目标函数可微，甚至一次运行只能找到一个解，使效率降低，等等。学者们一直在寻找更加有效的求解MOPs的方法。1975年，密歇根大学的Holland[3]首次提出了GA的基本概念和理论框架。事实上，早在1967年，Rosenberg[4]第一次考虑将进化算法(evolutionary algorithms, EAs)应用于MOPs，虽然当时没有具体实现一种多目标进化算法(multi-objective evolutionary algorithms, MOEAs)，但却促进了关于MOEAs更深入的研究。 　　MOEAs是一种模拟生物进化、解决多目标优化问题的全局搜索算法。从发展历程来看，第一个真正意义上的MOEA是20世纪80年代中期由Schaffer[5