基于资源分配策略的多目标智能优化算法研究.pdfVIP

基于资源分配策略的多目标智能优化算法研究 摘 要 在现实工程问题中，多目标优化问题(MOPs)是一类非常常见的优化问题。多 目标优化问题通常包含两个或两个以上相互冲突的目标。近年来，一系列针对不 同类型多目标优化问题的多目标智能优化算法相继提出。然而，对于一些具有复 杂的Pareto 最优解集或最优端面的复杂多目标优化问题，它们的Pareto 最优端 面不同部分具有不同的收敛难度或者逼近的困难。因此，这类复杂多目标优化问 题能有效地检验多目标智能算法的种群多样性和收敛性。然而，绝大部分多目标 智能优化算法在处理这类问题时，很难获得一个种群，使得种群中的个体能够完 整地、均匀地分布在Pareto 最优端面上。为了更好地解决这类具有复杂的Pareto 最优解集或者端面的复杂多目标优化问题，本文提出了一系列工作，具体如下: 1、提出了一种基于分解的克隆选择策略的多目标免疫算法(MOIA-DCSS)。首 先，使用分解方法将种群中每个个体与其对应的子问题进行一一关联。 通过这种方法，能够很好地对每个子问题的提升度进行量化。然后，在 算法 MOIA-DCSS 中设计了一种新的基于分解的克隆选择策略。根据基于 分解的克隆策略，更多的克隆个体将被分配给种群中相对提升值较大的 个体。此外，在算法MOIA-DCSS 中还使用了差分进化操作算子 （DE），以 此来增强算法在整个优化过程中的探索能力，从而提高种群的多样性。 实验对比结果表明，在求解28 个具有复杂的Pareto 最优解集和端面的 复杂多目标优化问题时，算法 MOIA-DCSS 相较于四个多目标进化算法和 三个多目标免疫算法具有明显的优势。 2、提出了一种基于动态资源分配策略的混合粒子群优化算法(HMOPSO-ARA)， 该算法在处理复杂的多目标优化问题时表现出良好的性能。首先，在粒 子群搜索过程中引用了分解的方法。其次，在粒子群搜索的过程中，设 计了一种全新的速度更新策略，其主要目的是为了加快整个粒子群的收 敛速度。此外，在整个粒子群优化过程中引入了动态资源分配的策略， 即根据每个粒子相对应的聚合函数提升值来分配进化资源。通过使用这 I 基于资源分配策略的多目标智能优化算法研究 种动态资源分配策略，使得有限的进化资源能够更多地分配给粒子群中 性能表现更好的粒子。因此，算法HMOPSO-ARA 不仅具有较强的搜索能力， 而且能够快速收敛到真实的 Pareto 最优端面。实验证明了本文提出的 HMOPSO-ARA 算法相对于四种多目标算法和四种粒子群优化算法，在处理 35 个测试问题上，显示了较为明显的优势。 3、为了充分利用不同分解方法的优点，提出了一种基于自适应分解选择策 略的多目标进化算法，即MOEA/D-SDSS。首先，设计了两个分别基于切比 雪夫方法 （TCH）和基于惩罚的边界交叉分解方法 （PBI）的种群，这两 个种群属于相互竞争、互补的关系。在整个进化过程中，将根据两个种 群中的个体分别在多样性和收敛性上的综合表现，进行自适应分解方法 的选择。通过使用这种基于解在多样性和分布性的综合表现来进行动态 选择的机制，能够为下一代选择一种更为有效且合适的分解方法。其次， 通过两个竞争、互补的种群，大大提高算法在处理各类型多目标优化问 题时的鲁棒性。最后，两个种群中性能表现更好的种群将作为最终种群 输出。实验结果验证了在解决 36 个具有不同的Pareto 最优解集或端面 的多目标优化问题时，相较于其他六个基于单个分解方法的进化算法和 六个其他类型的进化算法，算法HMOPSO-ARA 展现了较强的鲁棒性和明显 优势。 关键词：复杂多目标优化问题；多目标免疫算法；多目标粒子群优化算法； 多目标进化算法 II The Research