论文部分内容阅读
多目标优化在近些年来受到了越来越多的关注,将进化计算应用在多目标优化领域是解决多目标优化问题的一个非常有效的方法。除了静态的多目标优化问题,动态多目标优化问题(DMOPs)同样引起了很多人的关注。动态多目标优化问题中的目标函数相互冲突,并且会随着时间发生变化。为了解决这一问题,许多动态多目标进化算法(DMOEAs)被提了出来。这些DMOEAs将传统的进化算法和一些动态机制进行结合,主要包括多样性引入方法和预测方法。为改进现有动态多目标进化算法的性能,本文从不同角度提出了两个动态多目标进化算法,具体如下:(1)提出了一种基于决策变量分类的动态多目标进化算法(DMOEA-DVC)。该算法将静态决策变量分为两类,将动态决策变量分为三类。在静态优化中,对不同的静态决策变量使用不同的交叉算子,使得算法在保持多样性的同时,可以加速收敛。在动态优化中,DMOEA-DVC引入了一种混合的改变响应策略。一旦发现环境变化,DMOEA-DVC就会对三种动态决策变量分别采用维护、预测和多样性引入的方式重新初始化。将DMOEA-DVC与8个先进的算法在33个具有不同特点的基准问题上进行了比较,实验结果表明,DMOEA-DVC的总体性能优于各对比算法。(2)提出了一种基于种群适应性的动态多目标进化算法(DMOEA-PA),该算法可以自适应地适应各种动态多目标问题。首先,DMOEA-PA将反向世代距离(IGD)应用在决策空间中,并通过IGD来评价通过不同的策略生成的试验种群的质量。该评价方法在生成试验种群的时候不需要消耗目标函数评价的次数也不需要真实的帕累托最优前沿。然后,通过试验种群质量的好坏,就可以找出更适应当前环境的试验种群所对应的生成策略。从而大大提高获得高质量种群的概率。不论是静态优化中的子代种群生成策略,还是改变响应中的种群重新初始化策略,都可以采用了上述方法来找到最好的生成策略。将DMOEA-PA与8个先进的算法在33个具有不同特点的基准问题上进行了比较。实验结果表明,DMOEA-PA的总体性能优于对比的算法。