论文部分内容阅读
多目标进化算法(Multi-objective Evolutionary Algorithms,MOEAs)常用于处理目标维数大于2的多目标优化问题(Multi-objective Optimization Problem,MOP)。经过过去几十年对进化算法的研究,研究者提出了许多优秀算法(如:NSGA-II,SPEA2),它们已能很好的处理2-3维的MOP,在目标空间中算法能够获得一组满意的Pareto非支配解。而在实际应用中,大多数优化问题属于高维多目标优化问题(Many-objective Optimization Problem,MaOP),其目标维数大于3。而在处理这类问题时,因为多个目标相互冲突,传统的MOEAs在目标空间的搜索能力已经满足不了问题的求解需求,很难在种群的分布性和收敛性上获得一组折衷解。根据分析,其关键原因有两点:首先是随着目标空间维数的上升,种群中个体的非支配区域呈指数减小,导致算法很难甚至无法区分个体之间的好坏,难以引导种群往最优Pareto面上收敛;其次是从分布广泛性方面来说,在现有的算法中大部分分布性保持机制偏爱极端解,这种特性将进一步影响算法在MaOP上的搜索能力。根据以上考虑,本人提出了两种不同的环境选择策略:1)角度支配策略(Angle Dominance Strategy,ADS);2)邻域竞赛策略(Neighborhood Competition-based Strategy,NCS)。出于对Pareto支配策略在优化MaOP时所面临的问题的考虑,本文提出了一种新的支配策略——角度支配,其主要思想是在各个目标上为种群中个体构造对应的角度,通过比较角度向量来判断个体间的支配关系。与其它相关的Pareto支配修改策略相比(如CDAS,ε-Dominance),该思想在满足Pareto支配关系的相关性质(非自反性、非对称性、传递性以及严格的偏序性)的同时巧妙的放大了个体在目标空间的支配区域。邻域竞赛策略作用于种群的临界层。与在临界层中单纯选择分布性较好的个体的分布性保持策略不同,NCS结合了选择(选取分布性较好的个体)和淘汰(淘汰分布性差的个体)操作,同时也考虑了个体的收敛性。其主要思想是为临界层中的个体引入收敛信息(Convergence Information,CI)和分布信息(Diversity Information,DI),通过CI选择收敛性较好的个体,再通过DI淘汰分布较差的个体。为了验证以上两个策略在求解MaOP的有效性,本文首先分别将以上两个策略(AD和NCS)集成到NSGA-II算法中,构成两个不同的算法AD-NSGA-II和基于邻域竞赛的多目标优化算法(Neighborhood Competition-based Multi-objective Evolutionary Algorithms,NCEA),然后选择对比算法有CDAS,AR+DMO,ε-MOEA,GrEA,IBEA+HD,MSOPS,NSGA-III。试验结果表明,AD和NCS两个策略在求解高维多目标问题时具有较强的竞争力,能够获得一组较好的性能的非支配解。