基于问题类型的两阶段约束多目标进化算法研究.pdf

基于问题类型的两阶段约束多目标进化算法研究

摘要

约束多目标优化问题(CMOP)是在各个领域都普遍存在的问题，目前在工程设计，

调度优化，路径规划和资源优化等很多现实问题中都得到了广泛的应用，因此解决约

束多目标优化问题具有非常重要的科研价值和现实意义。求解CMOP要同时兼顾种群

中解的可行性，多样性和收敛性，确保种群收敛到一个广泛均匀分布的约束Pareto前

沿。考虑到以上问题，本文主要进行了以下三部分研究工作，并通过实验验证了算法

的优化性能。

（1）提出了一种新的约束多目标优化问题类型估计方法，该方法根据第一阶段结

束时主种群中可行解的比例对约束多目标优化问题的所属类型进行估计，根据实验结

果，该方法具有较高的估计准确率。

（2）提出了一种求解约束多目标优化问题的基于问题类型的两阶段约束多目标进

化算法(dual-stageconstrainedmulti-objectiveevolutionaryalgorithmbasedonproblem

type,DT_CMOEA)，该算法将进化过程分为两个阶段，第一阶段的目标为寻找相应的

UPF，此时只考虑目标函数进化，使得种群可以快速跨越不可行域，最大限度的扩大

种群在目标空间的搜索范围。在进化过程中同时保存每代的非支配可行解，实现种群

中解的多样性。第二阶段主要包括三部分：问题类型估计、种群更新和进化算法匹配，

这一阶段主要考虑种群中解的可行性和收敛性，使得解最终沿着约束Pareto前沿广泛

均匀分布。

（3）针对环境选择过程中可能出现的后代解分布不均匀的情况，本文提出了一种

改进的基于问题类型的两阶段多目标进化算法(improveddual-stageconstrainedmulti-

objectiveevolutionaryalgorithmbasedonproblemtype,IDT_CMOEA)，对后代解的生成

和选择过程进行改进。该算法通过使用自适应的参数调整策略来提高DE算法的性能，

生成性质更优的后代解，之后在后代解的选择过程中首先确定非支配区域，然后采用

权重向量对非支配区域进行划分，最后对划分后的每个子区域选择最优解，使得被选

择参与后续进化过程的解更广泛地分布于非支配区域，其中适应度值采用基于成本值

的距离函数与约束违反共同衡量，保证被选择参与后续进化过程的解性质更优。

关键词：约束多目标优化问题；进化算法；问题类型估计；约束Pareto前沿；

基于问题类型的两阶段约束多目标进化算法研究

Abstract

Constrainedmulti-objectiveoptimizationproblem(CMOP)isacommonproblemin

variousfields,andithasbeenwidelyusedinpracticalproblemssuchasengineeringdesign,

schedulingoptimization,pathplanningandresourceoptimization.Therefore,solving

constrainedmulti-objectiveoptimizationproblemshasveryimportantscientificresearch

valueandpracticalsignificance.SolvingCMOPshouldtakeintoaccountthefeasibility,

diversityandconvergenceofthesolutionsinthepopulationatthesametime