演化多目標(biāo)優(yōu)化多樣性保持策略及其應(yīng)用研究.pdf

1、多目標(biāo)優(yōu)化問題廣泛存在于科學(xué)和工程領(lǐng)域中，這類問題的子目標(biāo)之間通常是相互沖突的，也就是說某個(gè)子目標(biāo)性能的改善可能引起其他子目標(biāo)性能的降低。傳統(tǒng)的演化多目標(biāo)優(yōu)化算法往往通過將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)問題而得到唯一的最優(yōu)解，其權(quán)重的確定往往依賴于領(lǐng)域知識(shí)?；赑areto支配關(guān)系的演化多目標(biāo)優(yōu)化算法因其能在一次運(yùn)行得到一組可行解、不依賴于領(lǐng)域知識(shí)以及對問題的復(fù)雜性不敏感等特征已經(jīng)成為研究多目標(biāo)優(yōu)化問題的重要方法和手段；因?yàn)榉N群規(guī)模的有限，

2、演化多目標(biāo)優(yōu)化算法只能得到有限個(gè)離散的解組成的非劣解集，因此如何保證算法搜索到的非劣解集與最優(yōu)解集的逼近程度以及非劣解集中解的分布均勻程度是衡量演化多目標(biāo)優(yōu)化方法兩個(gè)重要的指標(biāo)：在演化過程中盡量保持種群的多樣性既有助于發(fā)現(xiàn)潛在的最優(yōu)解，同時(shí)使得離散的非劣解集保持較好的均勻性，因而多樣性保持策略和機(jī)制的研究就成為演化多目標(biāo)優(yōu)化算法的研究熱點(diǎn)之一。論文主要圍繞演化多目標(biāo)優(yōu)化算法的種群多樣性保持和度量，收斂性和多樣性的平衡進(jìn)行研究，主要研究成

3、果如下：
　　 針對演化多目標(biāo)優(yōu)化算法不僅要保持種群多樣性，而且需要提高算法收斂速度的問題，本文提出了基于層次聚類模型的演化多目標(biāo)優(yōu)化算法。該算法將整個(gè)種群根據(jù)個(gè)體的適應(yīng)值等級劃分為多個(gè)子種群，同一層次的個(gè)體之間獨(dú)立地執(zhí)行演化過程，避免了在演化初期適應(yīng)值較差但具有潛力的個(gè)體因?yàn)榕c層次較高的個(gè)體競爭處于劣勢過早被淘汰；在子種群間引入了個(gè)體的遷移策略，使子種群間能夠以一定的遷移率進(jìn)行個(gè)體的交抉，實(shí)現(xiàn)優(yōu)良基因的交互，不僅保持了種群的多

4、樣性，克服算法存在過早收斂的問題，而且平衡了種群的exploration和exploitation搜索，提高了算法收斂的速度。
　　 傳統(tǒng)演化多目標(biāo)優(yōu)化算法大多采用單一的多樣性保持策略，不能根據(jù)得到的近似Pareto前沿自適應(yīng)地采用不同的多樣性保持策略，以及演化算法的隨機(jī)性，使得算法找到的優(yōu)良個(gè)體呈現(xiàn)出一定的波動(dòng)性，出現(xiàn)退化現(xiàn)象，針對這兩個(gè)問題本文提出了一種自適應(yīng)的多樣性保持策略，包括分階段多樣性保持策略、插值策略和基于精度搜索

5、的混合精英保持策略。分階段多樣性保持策略能使算法在演化過程前期，進(jìn)行exploration搜索，開辟更多的非劣解，當(dāng)非劣解數(shù)目達(dá)到一定的規(guī)模時(shí)，引導(dǎo)算法進(jìn)行exploitation搜索，使算法搜索到盡可能多的近似Pareto前沿對應(yīng)的非劣解；插值策略能在近似Pareto前沿出現(xiàn)間斷或者解集集中在某一區(qū)域等情況時(shí)，進(jìn)行插值或外推，增加算法在該區(qū)域的搜索能力，引導(dǎo)算法搜索到更多的非劣解；基于精度搜索的混合精英保持策略能使算法在出現(xiàn)波動(dòng)時(shí)，采

6、用外部歸檔集來保留和更新算法搜索到的非劣解，在一定程度上克服了演化算子（交叉、變異）的隨機(jī)性。
　　 為了對演化多目標(biāo)優(yōu)化算法的收斂性和種群多樣性策略進(jìn)行度量和評價(jià)，設(shè)計(jì)了收斂性和多樣性的度量指標(biāo)。轉(zhuǎn)化的代間距離既可以度量算法的收斂性也可以度量種群的多樣性，本文根據(jù)這個(gè)指標(biāo)來設(shè)計(jì)自適應(yīng)的停機(jī)準(zhǔn)則；種群的方差和信息熵來度量種群的多樣性。
　　 為了驗(yàn)證本文所提出算法和策略的有效性，建立了無線傳感器節(jié)點(diǎn)布局問題的最小化網(wǎng)絡(luò)費(fèi)