论文部分内容阅读
多目标优化问题的研究一直是一个非常热门的研究领域，其成果被广泛应用于工程，经济，管理，军事等其他领域，对人类的发展起到了重要的推动作用，带来了巨大的经济效益和社会效益。传统的解决多目标优化问题的方法，是建立在数学规划方法或者加权法理论上，导致一次求解只能获取到一个优化解，但是由于多目标问题各个目标的相互冲突，多目标问题的解是以集合的形式存在，这给传统的多目标优化方法带来很大的挑战。 演化算法在求解多目标优化问题上表现出了很好的性能，一些优秀的多目标演化算法如雨后春笋般破土而出。CEC2009(2009 IEEE Congress on Evolutionary Computation)多目标演化算法竞赛上提出了新的一类测试函数，其中引入多模子函数障碍，造成种群中个体的搜索难度加大；另一方面也对种群中个体的演化造成误导。 以往很多多目标演化算法在种群演化过程中少有考虑到多模子函数带来的搜索、误导个体演化的障碍，导致这些算法很难搜索到部分优化解。针对这个问题，本文在基于元胞几何Pareto选择(CGPS)算法上，提出了新版本的CGPS算法(NCGPS)，新算法引入邻居大小参数，使种群中个体在局部范围内更新，加大了搜索的力度；另外，新版本算法利用GPS文档更新算法，提出了一种反馈策略，利用反馈策略限制个体的更新，较好地克服多模子函数的误导。通过新版本算法与原版本的CGPS算法以及CEC2009竞赛的第一名算法MOEA/D(multi-objective evolutionary algorithm based on decomposition)实验对比可知，新提出的算法明显优于原算法，而且可以与MOEA/D媲美。 大多数的多目标演化算法中种群的搜索方向是基于深度优先搜索或广度优先搜索，尽管可以加入相应的限制策略克服多模子函数障碍，然而在面对无多模子函数障碍的这类问题的情况下，加入限制策略后的算法相对于原算法的收敛性也受到限制。针对这个问题，本文受 GPS文档算法的启发，对目标空间进行分割，提出了一种基于目标空间分割的多目标演化算法(MOEA/P)，该算法的种群搜索方向结合了深度优先搜索和广度优先搜索，使得个体在逼近Pareto前沿的同时也向Pareto前沿两端扩散，既可以较好地优化无多模子函数障碍的这类问题，也不需要引入额外的限制策略克服多模子函数障碍，消除由于引入限制策略带来的对收敛性的影响。实验中，该算法与NSGA、NSGAII算法在CEC2009之前无多模子函数障碍的测试函数进行对比实验，实验结果表明，算法明显优于NSGA、NSGAII；另外，通过MOEA/P算法与CGPS算法在CEC2009多模子函数的测试函数上的对比实验表明，MOEA/P算法在大部分测试函数上性能优于CGPS。