面向复杂多目标优化问题的进化算法研究.pdfVIP

面向复杂多目标优化问题的进化算法研究 摘 要 多目标优化问题广泛存在于科学研究与实际工程应用中。由于多个优化目 标之间相互冲突，单个解不可能同时使所有的目标都是最优的。因此，多目标 优化问题的最优解是由多个帕累托最优解组成的集合。进化算法是一种基于种 群的元启发式算法，能同时优化一组解。因此，在求解多目标优化问题时，进 化算法是一种非常适合的优化算法。然而，随着多目标优化问题复杂性的变化， 现有的多目标进化算法越来越难以平衡种群的收敛性与多样性。因此，本文旨 在设计性能优越的多目标进化算法来解决两类复杂的多目标优化问题。本文的 主要研究内容主要有以下两点： 第一，为了解决复杂帕累托前沿的多目标优化问题，本文提出了多个乌托 邦参考点引导的多目标进化算法（MOEA/D-MUP ）。首先，在MOEA/D-MUP 中，定义了一组沿着坐标轴或坐标平面分布的乌托邦参考点。同时，分析了基 于乌托邦参考点的分解方法的几何性质。然后，将多个乌托邦参考点引导的进 化搜索方法嵌入到基于分解的多目标进化算法中，给不同权重向量关联的解提 供进化搜索方向。最后，在实验中证明了算法能获得多样性更好的种群（解集）。 第二，为了解决具有多个全局和局部最优解的多目标优化问题，本文提出 了一种在决策空间和目标空间中使用双重聚类的多模多目标进化算法 MMOEA/DC （ ）。在决策空间中，使用基于邻域的聚类方法将联合种群划分为 多个集群，然后使用环境选择策略挑选出至少一半的解来组成临时种群。接下 来，在目标空间中使用分层聚类方法将临时种群划分为N （N 为种群大小）个 集群。最后，从目标空间中找出最拥挤的集群，计算在最拥挤的集群中所有解 的拥挤度，然后删除最拥挤的解。上述最后一步的删除过程将重复进行，直到 每个集群中只剩下一个解。通过这种方式，MMOEA/DC 能较好地平衡种群在 决策空间与目标空间中的多样性。 关键词：多目标优化；进化算法；进化搜索；聚类 I 面向复杂多目标优化问题的进化算法研究 Abstract In scientific research and engineering applications, there are many multi-objective optimization problems (MOPs). Due to the controversy among multiple objectives, it is impossible for a single solution to make all the objectives optimal at the same time. Thus, the optimal solution is a set of Pareto optimal solutions. Evolutionary algorithm is a meta-heuristic algorithm based on population, which can optimize a group of solutions simultaneously. It is appropriate for solving multi-objective optimization problems. However, with the change of the complexity of MOPs, the existing multi-objective evolutionary algorithms (MOEAs) become more and more difficult to balance the convergence and diversity of population. Thus, in this paper, we