多目標(biāo)差分進化算法研究.pdf

1、大多數(shù)工程設(shè)計和科學(xué)研究等領(lǐng)域中普遍存在的優(yōu)化決策問題均可以歸納為多目標(biāo)優(yōu)化問題(MOPs)，這些各個優(yōu)化目標(biāo)間往往是相互聯(lián)系但又彼此制約的，一個目標(biāo)性能的優(yōu)化會造成其他其余目標(biāo)性能的劣化，即多個目標(biāo)很難同時達(dá)到最優(yōu)。因此針對MOPs的研究成為了進化計算中的一個富有重大意義和挑戰(zhàn)性的課題。DE算法作為目前比較有效的進化算法之一，十分適合于 MOPs的求解。目前針對多目標(biāo)差分進化(MODE)算法的研究處在發(fā)展階段，因此本文旨在研究 MOD

2、E算法。全文的主要工作包括以下幾個方面。
　　首先針對MOPs的研究背景和意義予以全面的介紹；然后給出了它的數(shù)學(xué)模型和一些相關(guān)核心概念的定義說明；接著，介紹了MODE算法并回顧與總結(jié)了它的研究進展；最后，指出了目前MODE算法存在不足之處和難點問題。
　　針對MODE算法在MOPs求解的過程中存在收斂性和分布均勻性欠佳等不足，提出了一種基于多策略排序變異的多目標(biāo)差分進化算法(MODE-MSRM)。通過對差分進化過程中不同變異

3、模式的研究，充分利用各自優(yōu)點并將其與基于排序變異算子相結(jié)合，提出了一種自適應(yīng)的多策略排序變異的DE算子，使得算法的探索和開發(fā)性能得到提高。為了更有效地維持 Pareto最優(yōu)解集的分布均勻性，引入一種基于熵的擁擠距離計算方法。實驗結(jié)果說明MODE-MSRM算法相對于近期相關(guān)文獻中的算法在求解MOPs時具有更好的收斂性和分布性。
　　為了進一步促使算法能產(chǎn)生收斂性好且分布均勻的Pareto最優(yōu)解集，基于MO DE-MS R M算法，提

4、出了一種基于外部歸檔和球面修剪機制的多目標(biāo)差分進化算法(MODE-ASP)。該算法通過融入一種控制參數(shù)自適應(yīng)的方法來提高算法的魯棒性。此外，采用外部歸檔集合對進化過程中所能尋找到的非支配解予以保存。另外，在外部歸檔集合的維護過程中，使用球面修剪機制來代替基于熵的擁擠距離計算方法，以此使外部歸檔集合中的解具有較好的多樣性和分布均勻性。實驗結(jié)果表明，本章所提出的算法相對于相關(guān)文獻中的算法具有一定的優(yōu)勢。
　　在實際求解MOPs過程中，

5、決策者通常只對部分區(qū)域內(nèi)的解感興趣，因此如何在進化過程中融入決策者偏好可提高算法搜索效率，為此提出了一種基于全局物理規(guī)劃的偏好多目標(biāo)差分進化算法(MODE-GPP)。該算法在前面 MODE-ASP算法基礎(chǔ)上，引入全局物理規(guī)劃策略，運用更簡潔有效的語言來表達(dá)決策者偏好，從而引導(dǎo)種群朝著決策者感興趣的區(qū)域進化，以獲得決策者比較滿意的解。實驗結(jié)果表明所提算法是比較有效的。
　　本文的研究工作得到廣西區(qū)研究生教育創(chuàng)新計劃資助項目（0025