多目標(biāo)優(yōu)化Pareto支配性預(yù)測(cè)及算法研究.pdf

1、基于Pareto支配性的多目標(biāo)優(yōu)化進(jìn)化算法已經(jīng)成功且廣泛地應(yīng)用在多目標(biāo)優(yōu)化領(lǐng)域中。該類進(jìn)化算法的主要特點(diǎn)就是直接計(jì)算和比較兩個(gè)候選解的目標(biāo)函數(shù)值，確定候選解之間的Pareto支配性，評(píng)判個(gè)體的優(yōu)劣程度，模擬自然界優(yōu)勝劣汰的生存法則，使種群迭代收斂到Pareto最優(yōu)面。但是當(dāng)采用該類進(jìn)化算法求解昂貴多目標(biāo)優(yōu)化問(wèn)題時(shí)，僅僅單次的目標(biāo)函數(shù)計(jì)算就要耗掉數(shù)小時(shí)乃至數(shù)天的時(shí)間，效率難以接受。因此，減少由評(píng)估目標(biāo)函數(shù)值所產(chǎn)生的計(jì)算成本對(duì)于工程優(yōu)化十分

2、迫切。
　　本文研究采用分類學(xué)習(xí)的方法預(yù)測(cè)Pareto支配性，避免目標(biāo)函數(shù)值的計(jì)算。為了解決無(wú)解析模型的多目標(biāo)優(yōu)化問(wèn)題Pareto支配性預(yù)測(cè)，同時(shí)還要反映決策空間到目標(biāo)空間的映射信息，本文提出了基于廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)的Pareto支配性最近鄰分類預(yù)測(cè)方法。將任意兩個(gè)可行解（候選解）的決策向量的差值向量作為GRNN的輸入，GRNN的輸出為目標(biāo)向量的差值向量。在樣本集候選解的監(jiān)督下訓(xùn)練GRNN，然后采用該GRNN預(yù)測(cè)待測(cè)集個(gè)

3、體與樣本集個(gè)體間的目標(biāo)差值向量。通過(guò)預(yù)測(cè)得到的目標(biāo)差值向量查找到其在樣本集中基于目標(biāo)空間的最近鄰個(gè)體。用不同的測(cè)試問(wèn)題對(duì)比了不同的方法，結(jié)果驗(yàn)證了該方法可以獲得較好的預(yù)測(cè)精度。
　　為了克服最近鄰分類方法對(duì)Pareto支配性類比例分布不均勻預(yù)測(cè)精度較低的缺陷，定義了D-Pareto支配性關(guān)系，改善了類比例分布不均勻問(wèn)題。提出了D-Pareto支配性分類預(yù)測(cè)框架，從理論上證明了D-Pareto支配性分類預(yù)測(cè)具有較低的預(yù)測(cè)錯(cuò)誤率。將D

4、-Pareto分類預(yù)測(cè)模型與進(jìn)化算法進(jìn)行了交互實(shí)驗(yàn)，仿真結(jié)果驗(yàn)證了D-Pareto支配性分類預(yù)測(cè)方法的有效性。
　　為了節(jié)約計(jì)算成本，提出了一種基于最優(yōu)層集合個(gè)體方向與距離的方法來(lái)評(píng)價(jià)種群個(gè)體的質(zhì)量的算法。在選擇個(gè)體進(jìn)行進(jìn)化操作和選擇子代種群時(shí)均依據(jù)該方法評(píng)判個(gè)體的適應(yīng)度。采用經(jīng)典測(cè)試函數(shù)對(duì)該算法進(jìn)行仿真測(cè)試，同時(shí)記錄了算法的運(yùn)行時(shí)間，將結(jié)果與NSGA-Ⅱ進(jìn)行了對(duì)比，比較結(jié)果表明該算法是一種快速收斂的有效算法，且收斂結(jié)果更逼近Pa