论文部分内容阅读
随着社会的发展,优化目标个数的增多导致解决多目标优化问题(MOPs)和高维多目标优化问题(MaOPs)成为目前的热点课题,并且使得求解问题的难度也显著增加。目标数量增多,不仅使得非支配解的个数急剧增加还大大降低了算法的选择压力,因此减慢了收敛速度,降低了算法的搜索效率。基于分解的多目标进化算法(MOEA/D)框架非常适合求解MOPs和MaOPs,因此本文在MOEA/D框架下做了一些改进工作,提出了两种改进算法,以更好地求解MOPs和MaOPs。本文工作主要概括如下:1.该算法将MOEA/D与入侵杂草优化(IWO)方法进行结合。继承了二者的优异特性,即将一个待解决的MOPs分解为若干个单目标子问题,并在每一代中并行求解它们。种群由到目前为止为每个子问题搜索的最佳解构成,每个子问题都使用扩展的IWO算法进行优化。为了证明算法的有效性,将提出的MOEA/D-IWO在F1-F9和UF1-UF10这十九个测试问题上进行了验证,并与其它先进算法进行了对比。实验结果表明,MOEA/D-IWO在解决这些复杂的多目标优化问题方面具有一定的竞争性。2.为了使得MOEA/D在解决高维多目标优化问题时的多样性和收敛性尽可能地保持平衡,本文提出基于目标随机划分(ROD)的高维多目标进化算法,简称为MOEA/D-ROD。该算法将MOEA/D的思想与目标随机划分方法进行融合,先将MaOPs转换为若干个MOPs,再为每个MOPs随机分配一种分解方法,最后利用分解方法将每个MOPs转化为多个单目标优化问题,以进行协同优化。因此MOEA/D-ROD可以借助不同分解方式的优势来求解高维多目标优化问题。为证实MOEA/D-ROD算法的有效性,分别在3-8,10和15目标的两组测试实例(DTLZ 1-4和WFG 1-9)进行了验证,并与其它一些先进算法进行了对比。实验结果证明了所提出的ROD分解方法在解决这些高维多目标优化问题时具有一定的优势。