一种新的具有自适应调整策略的支配多目标进化算法.docVIP

一种新的具有自适应调整 策略的支配多目标进化算 II II II 基于￡-支配的多目标进化算法及自适应占调整策略： 邂I,李敏鮎林丹？ * （天津大学系统匸程硏究所夭津300072） 2 （天津大学理学院应用数学系夭津300072） 摘要：本文提出了一类新的基于￡-支配关系的多目标进化算法。该算法采用配对比较选 择和稳态替换策略，提高了算法的收敛速度，降低了计算时间。首先，在保持种群分布性 上，采用了一种新的基于￡-支配关系的精英保留策略，避免了传统修剪策略所引起的 Pareto前沿面的退化。其次，根据不同￡取值分析了算法收敛性，提出了一种自适应￡调 整策略。最后，通过5个常用的双标测试函数的计算，验证了包括该自适应调整策略的 多目标进化算法在求解质量上要显着强于XSGAII, SPEA2和￡-HOEA等主流多目标进化算 法。 关键词：多目标优化；￡-支配;进化算法；￡自适应调整;精英保留策略;稳态策略 前言 求解最优化问题（也称数学规划问题）是指从所有可能的方案中选择最合理的一种以 达到目标优化的过程。当优化问题的目标个数多于一个时，称之为多目标优化。在通常情 况下，同一问题中的多个忖标函数是彼此矛盾的，因此最终结果是获得一系列折衷解。 本文研究工作受国家自然科学基金（《? , No.）和“新世纪优秀人才支持计划” （NCET- 05-0253）资助。刘鎏,男，1982年生，博士研究生，研究方向为多目标进化算法理论及 其应用。Email：。李敏强，男，1965年生，教授，博士生导师，主要研究领域为进化 计算理论，数据挖掘和机器学习。林丹，男，1968年生，副教授，硕士生导师，主要 研究方向为遗传算法理论及其应用。 多U标进化算法是指利用进化搜索的技术去解决多LI标优化问题。David SchafferEl] 提出了第一个多U标进化算法即向量进化遗传算法，而后该领域专家乂提出了多种多U标 进化算法并应用于求解实际问题。Coello[2]总结了目前的多目标进化算法，并将它们分 为两代：第一代强调简洁，第二代强调效率，它们之间的主要区别在于精英个体是否被引 入种群的进化过程之中。Laumanns[3]归纳了采用精英策略的多□标进化统一模型(A urdfied model for MOE As, UMMEA),通过将存储肖前所有非被支配个体的种群同一般的 进化种群相结合，实现精英参与种群的进化。大部分第二代的多忖标进化算法，如强度 Pareto进化算法(SPEA) [4],强度Pareto进化算法2 (SPEA2 ) [5], Pareto包络选择算 法(PAES) [6],都符合这样的模型结构。另一个常用的非劣排序遗传算法2 (NSGAII) 没有直接利用外部种群。它将子代种群和父代种群相结合，优先选择其中的精英个体去构 成下一代的进化种群。这种策略也实现了精英个体加入种群进化，并取得了很好的汁算结 果。 另一个分类标准即是否采用了 Pareto支配排序。Goldberg[7]率先将Pareto优化的概 念引入多目标进化算法。当前的多目标进化算法大多通过Pareto支配关系的排序来计算 种群中个体的适应值，从而引导种群朝向Paret。前沿面进化。虽然这种方法可以较好地 改善算法的收敛性，但是排序过程要耗费大量的计算。 为了提高进化算法效率，一些研究者采用了稳态的进化策略。所谓稳态是当新个体产 生后立即加入种群的下一代进化过程之中，如简单进化算法(SEAM0) [8], Pareto收敛 遗传算法(PCGA) , ￡-多目标进化算法(￡-M0EA)。在选择个体进入交配池的操作中， 它们均采用配对比较的方法，而没有进行个体适应值的汁算。实验结果表明这些基于稳态 的进化算法在处理某些问题上要优于基于Pareto排序的算法11]。 另外，山于非支配解的数量巨大，而外部种群存储容量有限，很多修剪策略，如 PAES中的自适应网格，NSGAII中的Crowding-Distance, SPEA中的聚类和SPEA2中的最 近距离方法等，都在各自算法中发挥了很好的作用。然而，正如［12］所述，这些修剪策略 很可能造成Pareto前沿的退化，进而影响到最终种群的收敛。Laummans ［13］根据￡-支配 关系，提出一种基于网格向量的种群修剪策略，可以很好地防止进化过程中种群的退化。 这种策略在计?算网格向量时，除了 ￡参数，还需要获得各个LI标上的最小值，并且相同网 格中的个体比较需要计算各自的欧式距离，相对来说计算量比较大。 本文提出了一种新的基于￡-支配关系的多LI标进化算法，即￡-支配多目标进化算法 （￡?-dominance MOEA, EDMOEA）。该算法采用一种新的基于￡-支配关系的修剪策略,不 仅可以防止退化现象，还可以有效的保存极