基于種群分布模型學(xué)習(xí)的班德文進(jìn)化多目標(biāo)優(yōu)化算法.pdf

1、近年來，進(jìn)化多目標(biāo)優(yōu)化(Evolutionary Multi-objective Optimization，EMO)算法研究逐漸成為進(jìn)化計(jì)算研究領(lǐng)域的一個(gè)重要內(nèi)容。EMO算法一次運(yùn)行就可以獲得一組具有代表性的Pareto最優(yōu)解的集合，已經(jīng)逐漸成為求解多目標(biāo)優(yōu)化問題的主流方法之一。但是多數(shù)現(xiàn)有的EMO算法更多的關(guān)注了目標(biāo)空間上的選擇機(jī)制，在決策空間的搜索上只是簡單繼承了單目標(biāo)優(yōu)化算法的策略，而很少針對多目標(biāo)優(yōu)化問題的特點(diǎn)設(shè)計(jì)有效的搜索算子

2、。
　　班德文學(xué)習(xí)理論近年來已被廣泛引入進(jìn)化計(jì)算，為求解多目標(biāo)優(yōu)化問題提供了一條嶄新的道路。本文正是針對連續(xù)多目標(biāo)優(yōu)化問題，利用其獨(dú)有的規(guī)律性，設(shè)計(jì)了一種基于種群分布模型學(xué)習(xí)的班德文進(jìn)化算子。并將這種班德文進(jìn)化算子分別引入兩種不同的進(jìn)化多目標(biāo)優(yōu)化算法，從而提出了兩種班德文進(jìn)化多目標(biāo)優(yōu)化算法。因此，本文主要內(nèi)容為：
　　(1)提出了一種基于種群分布模型學(xué)習(xí)的班德文進(jìn)化算子?；谶B續(xù)多目標(biāo)優(yōu)化問題的規(guī)律性，此算子通過建立當(dāng)前種群

3、的分段概率分布模型來獲取當(dāng)前進(jìn)化信息，并考慮父代種群的歷史進(jìn)化信息，從而結(jié)合當(dāng)前進(jìn)化信息和父代的歷史進(jìn)化信息產(chǎn)生預(yù)測性的進(jìn)化方向?qū)€(gè)體進(jìn)行搜索。
　　(2)將設(shè)計(jì)的班德文進(jìn)化算子分別引入兩種不同類型的算法非支配近鄰免疫多目標(biāo)優(yōu)化算法和基于分解的進(jìn)化多目標(biāo)優(yōu)化算法，提出了基于免疫克隆的班德文多目標(biāo)優(yōu)化算法(Baldwinian Evolutionary Multi-objective Optimization AlgorithmBa

4、sed on Immue Clone，MIAB)和基于分解的班德文進(jìn)化多目標(biāo)優(yōu)化算法MOEA/D/BL(Baldwinian Evolutionary Multi-objective Optimization Algorithm Basedon Decomposition，MOEA/D/BL)。通過分析兩種原算法的特性以及優(yōu)勢和不足，MIAB和MOEA/D/BL均在適當(dāng)?shù)奈恢靡赃m當(dāng)?shù)慕Y(jié)合方式引入和使用班德文進(jìn)化算子對個(gè)體進(jìn)行搜索。實(shí)驗(yàn)結(jié)