基于梯度擁擠度的多樣性保持策略的MOEAs研究.pdf

1、多目標優(yōu)化問題一直是科學領域和工程研究領域中的熱點問題。在過去二十年當中，由于演化算法的出現(xiàn)，多目標演化算法已經(jīng)成為多目標優(yōu)化問題中的熱點。在多目標問題中，各子目標之間相互沖突，對一個子目標的優(yōu)化往往以其他子目標的性能降低為代價，問題的解往往是一個解集。為了在多個目標間得到較優(yōu)的解，因而要考慮一些折衷解方案。如何使算法得到的解盡量接近Pareto最優(yōu)前端且分布均勻是求解多目標優(yōu)化問題的關鍵。因此，在設計多目標演化算法時，維持種群的多樣性

2、對獲得多目標優(yōu)化問題解的收斂性至關重要。本文主要研究基于多樣性保持策略的多目標演化算法。 本文首先介紹了多目標優(yōu)化問題的研究背景、現(xiàn)狀和研究意義：然后，著眼于種群多樣性的研究，對現(xiàn)有多樣性的保持策略，特別是密度估計方法進行了系統(tǒng)的介紹與分析；在此基礎上，提出了一種梯度擁擠度的評價策略，稱為Gradient Crowding策略，用于選擇過程中非劣解集的縮減，以此來保證解的均勻、廣泛分布，達到維持種群多樣性的目的；接著，借助信息論

3、中“熵”的概念，定義了熵的度量方法，并用這種方法對所提出的策略進行詳細的驗證與分析。給出了一種基于梯度擁擠度的多樣性保持策略的多目標演化算法。在算法的設計中，分別對初始化和選擇過程進行了多樣性的處理。在初始化過程中，求解多目標問題的一般算法大都采用隨機初始種群的策略，而本文設計的多樣化初始策略是在隨機產(chǎn)生種群的基礎上做了多樣化處理，使得整個種群在初始化時就維持在一個較為均勻的分布狀態(tài)；在選擇過程中，又將Gradient Crowding