多目標(biāo)進(jìn)化算法解集分布性評(píng)價(jià)指標(biāo)及其應(yīng)用.pdf

1、多目標(biāo)進(jìn)化算法(Multi-objective Evolutionary Algorithms, MOEAs)，作為一種基于群體智能的啟發(fā)式尋優(yōu)策略，以其在復(fù)雜多目標(biāo)優(yōu)化問(wèn)題上具有較好的有效性和準(zhǔn)確性的特點(diǎn)，已成為當(dāng)前多目標(biāo)優(yōu)化研究領(lǐng)域的熱點(diǎn)話題之一。MOEAs對(duì)被優(yōu)化模型的特性無(wú)任何要求，因此，常取代傳統(tǒng)優(yōu)化方法被用于解決工程實(shí)踐中的復(fù)雜優(yōu)化問(wèn)題。隨著MOEAs研究的深入，諸多的MOEAs被相繼提出，如何比較這些算法在不同類問(wèn)題上的優(yōu)

2、化效果，成為該領(lǐng)域研究的難點(diǎn)問(wèn)題之一。多目標(biāo)進(jìn)化算法解集的性能評(píng)價(jià)指標(biāo)(Performance Assessment)，作為一種能夠定量描述解集性能的工具，被廣泛用于算法設(shè)計(jì)、算法選擇及算法改進(jìn)等多個(gè)方面。本文針對(duì)多目標(biāo)進(jìn)化算法解集的性能評(píng)價(jià)指標(biāo)展開(kāi)研究，重點(diǎn)討論了解集分布性評(píng)價(jià)指標(biāo)的兩個(gè)主要方面(均勻性、廣泛性)的研究現(xiàn)狀及研究思路。進(jìn)而給出各評(píng)價(jià)指標(biāo)模型在設(shè)計(jì)過(guò)程中應(yīng)遵循的基本要素，并根據(jù)該要素分別設(shè)計(jì)了2種解集均勻性評(píng)價(jià)指標(biāo)和1種

3、解集廣泛性評(píng)價(jià)指標(biāo)，通過(guò)原理對(duì)比和實(shí)驗(yàn)分析兩個(gè)角度，驗(yàn)證了所提指標(biāo)在對(duì)MOEAs解集進(jìn)行評(píng)價(jià)時(shí)的準(zhǔn)確性和有效性。
　　作為評(píng)價(jià)指標(biāo)的應(yīng)用，本文從兩個(gè)方面分別將評(píng)價(jià)指標(biāo)用于引導(dǎo)算法搜索過(guò)程之中，給出基于評(píng)價(jià)指標(biāo)的解集分布性保持機(jī)制和基于評(píng)價(jià)指標(biāo)的環(huán)境選擇策略兩種算法框架，并通過(guò)實(shí)驗(yàn)驗(yàn)證了基于評(píng)價(jià)指標(biāo)的全序選擇機(jī)制在高維優(yōu)化問(wèn)題上的突出優(yōu)勢(shì)。
　　總的來(lái)說(shuō)，本文的主要工作包括以下3個(gè)方面：
　　1)對(duì)已有的解集分布性評(píng)價(jià)指

4、標(biāo)進(jìn)行分類討論，歸納出每種評(píng)價(jià)指標(biāo)在設(shè)計(jì)過(guò)程中應(yīng)遵循的一般規(guī)律及基本思路；
　　2)提出3種解集分布性評(píng)價(jià)指標(biāo)，其中2種用于評(píng)價(jià)解集的均勻性，1種用于評(píng)價(jià)解集的廣泛性；
　　3)對(duì)基于非支配分層的環(huán)境選擇機(jī)制和基于評(píng)價(jià)指標(biāo)的環(huán)境選擇機(jī)制在高維優(yōu)化問(wèn)題上的優(yōu)化能力進(jìn)行對(duì)比研究，為基于評(píng)價(jià)指標(biāo)的MOEAs設(shè)計(jì)提供基本研究思路。
　　本文從多目標(biāo)進(jìn)化算法性能評(píng)價(jià)指標(biāo)出發(fā)，對(duì)解集分布性評(píng)價(jià)指標(biāo)的研究進(jìn)行了系統(tǒng)的分析和討論，給出