面向多目标优化问题的自适应差分进化算法.pdfVIP

面向多目标优化问题的自适应差分进化算法

刘红平;黎福海

【摘要】针对多目标优化得到一个最优解集和解之间难以比较的问题,对单目标优

化中的自适应策略进行了改进,提出一种面向多目标优化问题的自适应差分进化算

法,在已有方法自适应改变交叉率的基础上,设定缩放因子有三种不同的分布模型,通

过统计一定代数内个体的优劣来自适应选择合适的模型并生成相应取值,从而控制

了搜索长度,防止新个体陷入在最优解集的部分区域.该算法还提出利用第三方解集

和优胜累积量的概念来处理最优解之间的比较问题.通过5个标准优化问题的测试

结果以及与其他几种算法的对比研究表明,所提出的改进算法性能更好,其在IGD指

标上减小了0.0031～0.0669,在IH指标上最多减小了0.0821.

【期刊名称】《计算机应用与软件》

【年(卷),期】2015(032)012

【总页数】5页(P249-252,269)

【关键词】多目标优化;差分进化;自适应;缩放因子;优胜累积量

【作者】刘红平;黎福海

【作者单位】长沙师范学院电子信息工程系湖南长沙410100;湖南大学电气与信

息工程学院湖南长沙410082

【正文语种】中文

【中图分类】TP391.41

差分进化是进化计算方法的重要成员，具有算子形式简单、优化性能好和搜索效率

高等优点，目前在优化和工程应用领域已经展现出优越的性能[1-3]。在差分进化

中，交叉率CR和缩放因子F是其主要参数，对算法的性能起着重要的作用[4-6]。

由于待优化对象的特性通常难以准确知晓，并且优化过程中对局部和全局搜索强度

的要求也往往是变化的，所以预先指定参数取值的方法不利于算法性能提升，越来

越多的学者提出了动态或自适应的参数调整方法[7]。其中典型算法如Brest等人

[8]提出的动态调整算法jDE，Qin等人[9]提出的自适应差分进化算法SaDE。目前

大多数自适应差分进化算法是针对单目标优化问题而设计的，在处理多目标优化问

题时，只进行了简单的应用和推广。Huang等人[10]采用了与SaDE相同的方法

对交叉率CR进行自适应调整，对缩放因子F通过指定高斯分布模型来随机生成，

然后融入了多目标优化中常见的基于Pareto占优机制和拥挤距离的个体优劣比较

准则。邱威等人[11]采用了和jDE类似的动态调整策略，在每次生成新个体时，两

个参数的取值均以一定概率随机生成，否则将变异操作中所有个体对应的参数取值

的均值作为新的参数取值。但是上述方法对多目标优化的特性考虑不足，不利于问

题的求解。首先，已有方法对缩放因子F的自学习策略研究不够，如SaDE中设定

其在一个较小取值附近随机变动。但是多目标优化最终得到的是一个宽广分布在空

间中的解集，过大的F取值不利于收敛和最优解集的均匀性，过小的F取值又容

易使算法只能得到最优解集的若干子集区域，不利于保持解集的完整性；其次，在

多目标优化过程中，两个个体容易出现难以比较的现象，即互相不能Pareto占优，

不利于种群的更新。已有方法往往反复计算整个种群的分布密度来解决此问题，但

会耗费大量的计算时间，效果也不是很理想。为此，提出一种面向多目标优化问题

的自适应差分进化算法，保留了SaDE算法自适应学习交叉率CR的策略，同时在

参数自适应方面，使缩放因子F具有大、中和小三种不同的候选分布，分别对应

不同的搜索步长，然后通过一定代数内新生成个体的优劣情况自适应地调整各种分

布被选中的概率，从而在优化过程中动态地平衡局部和全局搜索的强度；在新个体

的优劣判别方面，通过与构建的第三方个体集合的比较来实现，同时基于个体在各

个目标函数上的提升量与下降量，提出用优胜累积量的概念作为比较的具体度量。

通过对5个复杂的标准多目标优化问题的测试，验证了所做改进的有效性。

多目标优化问题包含两个或两个以上的待优化目标函数，并且目标函数之间存在一

定的相互制约，所以不像单目标优化那样能得到单一的最优解，而是得到一个最优

解集[12]。多目标优化问题的定义通常如式(1)：

其中，x=(x1,x2,…,xn)表示可行域S中的n维变量，S是n维实数域的一个子集，

fi(x)表示第i个目标函数，所有的m个目标函数构成了目标空间F()。

衡量多目标优化所得解的优劣情况的一个重要概念是Pareto占优。若有变量

x1Pareto占优变量x2，则记为x1x2。其含义为：x1在m个目标函数上的取值

均不大于x2在相应目标函数