基于分解的偏好多目標(biāo)進(jìn)化算法及其評(píng)價(jià)指標(biāo)的研究.pdf

1、為了求解現(xiàn)實(shí)生活中和工程實(shí)踐中的多目標(biāo)優(yōu)化問(wèn)題，其中，這些問(wèn)題大多都是多目標(biāo)優(yōu)化問(wèn)題；另外，這些問(wèn)題通常是高度復(fù)雜和非線性的，而多目標(biāo)進(jìn)化算法能很好的解決上述問(wèn)題，因而多目標(biāo)算法的研究成為了人工智能研究領(lǐng)域的熱點(diǎn)之一。多目標(biāo)優(yōu)化中的最優(yōu)解，通常稱之為Pareto最優(yōu)解。研究者們發(fā)現(xiàn)在問(wèn)題求解的過(guò)程中，隨著問(wèn)題維數(shù)的增加，種群中Pareto最優(yōu)解的個(gè)數(shù)也會(huì)隨之成指數(shù)級(jí)增加，從而增加了算法的隨機(jī)搜索難度，不利于算法的收斂和最終決策者（Dec

2、ision Maker，DM）對(duì)偏好解的最終選取，因此基于決策者偏好信息的MOEAs成為了進(jìn)化算法中研究的研究重點(diǎn)。通過(guò)決策者給出的偏好信息如參考點(diǎn)的位置關(guān)系，算法能有針對(duì)性的選取Pareto最優(yōu)解并排除決策者不喜愛(ài)的解，最終搜到?jīng)Q策者感興趣的由Pareto最優(yōu)解組成的偏好區(qū)域。因此，如何高效地表達(dá)決策者的偏好信息將影響算法最終的性能和決策者的滿意程度。
　　本文首先系統(tǒng)的研究了多目標(biāo)進(jìn)化算法的基本理論和基于偏好信息的多目標(biāo)算法的

3、研究現(xiàn)狀，并針對(duì)發(fā)現(xiàn)的問(wèn)題進(jìn)行了詳細(xì)地分析，同時(shí)給出了在多目標(biāo)偏好進(jìn)化算法設(shè)計(jì)和分析過(guò)程中研究要點(diǎn)，以及基于分解信息的偏好多目標(biāo)算法模型。然后，針對(duì)決策者不同偏好信息建立偏好模型，設(shè)計(jì)了基于權(quán)重迭代的偏好多目標(biāo)分解算法（MOEA/D-PRE）。主要通過(guò)設(shè)計(jì)權(quán)重迭代方法獲取一組均勻的權(quán)重向量，對(duì)偏好區(qū)域進(jìn)行映射，使得算法在進(jìn)化過(guò)程中，不用考慮參考點(diǎn)所處目標(biāo)空間區(qū)域位置信息對(duì)算法性能的影響。進(jìn)而加強(qiáng)算法對(duì)個(gè)體的選擇壓力，有利于算法的收斂性，

4、與算法G-NSGA-II和R-NSGA-II進(jìn)行實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)結(jié)果證明了算法在較多情況下?lián)碛休^好的性能。最后，提出了基于偏好距離和偏好角度的偏好多目標(biāo)進(jìn)化算法的評(píng)價(jià)指標(biāo)(PMDA)。通過(guò)分解參考點(diǎn)來(lái)構(gòu)造基于參考點(diǎn)的超平面，利用算法所獲得的個(gè)體到超平面的距離和角度來(lái)評(píng)價(jià)算法的性能。相比其他的基于偏好信息的評(píng)價(jià)指標(biāo)如HV-UM、IGD-CF，本文的評(píng)價(jià)指標(biāo)避免了真實(shí)Pareto前沿信息同時(shí)也綜合評(píng)價(jià)不在偏好區(qū)域的個(gè)體，既能評(píng)價(jià)算法的收斂性能