论文部分内容阅读
在现实生活中,人们遇到的大多数优化问题是多目标优化问题,而且这些目标之间大多数是相互冲突的。在优化过程中所获得的解集就称为Pareto优化解集。大多数的多目标优化算法是用来寻找Pareto近似优化解集。算法所获得的解不但要分布均匀,而且还要尽量地接近Pareto优化阵面。但是目前存在的多数优化算法在这方面却存在着一定缺陷。比如有些算法可能花费大量的时间获得分布均匀的优化解;有些算法虽然时间短些,但获得的优解分布不是很均匀。 在这篇论文中提出一种快速稳定的多目标演化算法(Ⅰ-MOEA),同时又改进了目前一种比较好的算法-NSGA-Ⅱ算法。Ⅰ-MOEA算法是基于Deb.在2002年提出的ε-dominance的概念,算法还应用了精英策略、归档更新、超网格分割法和G向量支配策略。精英策略是目前公认的一种保持个体多样性的有效策略。归档更新策略分为在线归档和离线归档,算法中应用了在线归档。本文中提出的超网格分割法和G向量支配策略是用来解决个体多样性的问题。网格分割方法是将目标空间分割成许多超网格,同时保证每一个超网格只能被一个非支配的个体所占用,这样做的目的是便于个体之间的ε支配关系的比较,可以解决维持解的多样性的问题。G向量支配策略用来选择非支配的精英个体,可以保证选出的精英最具有代表性,从而很好地解决个体的多样性问题。用Pareto支配和ε支配来选择非支配个体,选择出具有代表性的精英个体,这样就可以减少候选解的Pareto优化区域。归档的大小没有预先设值,而是根据协调参数λ和ε的乘积而定,这样能缩短归档的更新时间,且能获得理想的Pareto优化解,从而减少了整个算法的计算时间。从模拟实验的结果来看,该算法具有很好的通用性,且算法的效率也很高。 在改进的NSGA-Ⅱ算法(Ⅰ-NASG-Ⅱ算法)中,首先分析了NSGA-Ⅱ算法所存在的缺陷,即在保持解的多样性方面存在着缺陷。于是用SPEA2中的Clustering方法来代替NSGA-Ⅱ算法中Crowding方法。从测试结果看,Ⅰ-NSGA-Ⅱ算法获得解分布比NSGA-Ⅱ算法所获得解均匀些;而Ⅰ-MOEA算法无论是在无约束的两个目标、有约束限制的两个目标还是三个目标上的测试,获得优化解都比较理想。从模拟结果上看,这两种算法都取得了良好的效果。