基于偏好信息的動態(tài)引導(dǎo)式尋優(yōu)策略研究.pdf

1、多目標(biāo)進(jìn)化算法（ryAlgorithm EvolutionaMulti-objective，簡稱MOEA）是伴隨著各種各樣的優(yōu)化問題而產(chǎn)生的。近些年，MOEA在優(yōu)化領(lǐng)域內(nèi)做出了相當(dāng)大的貢獻(xiàn)，一直是該領(lǐng)域的研究焦點和熱點。現(xiàn)實生活中我們經(jīng)常遇到優(yōu)化問題，而且通常是對多個目標(biāo)同時要求優(yōu)化。例如，一個網(wǎng)店的快速發(fā)展中，不僅要考慮生產(chǎn)成本、產(chǎn)品質(zhì)量、賣家服務(wù)態(tài)度，而且要注重顧客的滿意度以及網(wǎng)店的利潤問題等多個方面。服務(wù)態(tài)度和顧客的滿意度是相互促

2、進(jìn)的關(guān)系，而生產(chǎn)成本和產(chǎn)品質(zhì)量卻是相互沖突的兩個目標(biāo)。然而，大多數(shù)情況下，往往要對相互沖突的多個子目標(biāo)進(jìn)行折衷來得到總體的最優(yōu)化。
　　對于傳統(tǒng)的多目標(biāo)進(jìn)化算法而言，是想最終獲得每一個子目標(biāo)都盡量達(dá)到最優(yōu)的總體最優(yōu)解集，表現(xiàn)在幾何圖像上的特點是指分布廣泛、均勻，這也是目前大部分學(xué)者研究的內(nèi)容。然而在現(xiàn)實生活中我們每一個個體的要求和追求的目標(biāo)往往是因人而異的，這也就是所謂的個體偏好。在MOEA中，考慮到個人的偏好差異，最后得到最優(yōu)的

3、決策者滿意解集的算法稱為偏好多目標(biāo)進(jìn)化算法。然而這也就是本文研究的重要內(nèi)容，偏好多目標(biāo)進(jìn)化算法的研究是近幾年來進(jìn)化計算領(lǐng)域的較新的研究方向之一，有著很明確的研究意義。
　　本文提出了一種基于偏好信息的動態(tài)引導(dǎo)式多目標(biāo)尋優(yōu)策略，該策略通過設(shè)置參數(shù)來反映搜索過程中引導(dǎo)區(qū)域的動態(tài)性，參數(shù)控制決策者的偏好范圍。將解與引導(dǎo)區(qū)域的距離作為響應(yīng)選擇策略的一個因素，從而有效地獲得決策者期望區(qū)域內(nèi)的折衷解。將動態(tài)引導(dǎo)尋優(yōu)策略應(yīng)用到經(jīng)典的算法中，驗證

4、它的性能。并通過和一些經(jīng)典的偏好算法的對比實驗，證明該算法具有較好的收斂性和有效性。總的來說，相對比其他算法而言，本文的工作具有一定的創(chuàng)新性，表現(xiàn)如下：
　　1）提出了新的D-dominance偏好關(guān)系，采用劃分目標(biāo)空間的思想，使用參考點表達(dá)偏好信息，并采用參考點的映射點再度劃分目標(biāo)空間進(jìn)行支配關(guān)系的重新定義。
　　2）提出動態(tài)引導(dǎo)式尋優(yōu)策略，提高了算法的全局搜索能力，彌補了支配關(guān)系劃分空間帶來的局限性。通過參數(shù)控制決策者的