论文部分内容阅读
多目标进化算法是目前进化计算中最为活跃的研究分支之一，该研究领域经历十几年的发展，已经出现了很多著名的研究成果，并且在航空飞行器设计、工程科学以及自然科学等领域得到了广泛应用。目前，该研究领域还存在很多值得研究的课题，如多目标进化算法的计算时间复杂度问题，约束多目标进化算法设计等。
本文针对多目标进化算法领域的以下几个方面进行了深入研究，包括进化算法收敛性能的改进、降低多目标进化算法时间复杂度、约束多目标进化算法设计以及多目标进化算法在神经网络学习中的应用等。本文的创新研究成果主要有：
1．提出了一种改进的遗传算法：CRGA。该算法改进了遗传算法标准交叉算子容易破坏长而好的模式和在相似个体之间交叉效率低的缺陷。实验结果表明，该算法的收敛性能和收敛速度都要优于标准遗传算法。
2．提出了一种改进的快速非支配排序遗传算法：NSGA—III。该算法消除了快速非支配排序遗传算法（NSGA－II）中重复比较个体和对支配解个体重复检索的缺陷，改进了NSGA－II的个体拥挤机制。实验结果表明，该算法极大的改进了快速非支配排序遗传算法——NSGA－II的运行效率，降低了算法的计算时间复杂度，提高了解的分布性能。
3．提出了一种基于空间分割的多目标进化算法：SDMOGA。该算法把个体之间的Pareto支配关系转换成分割区间总索引值的排序关系，使得多维关系的比较转换为一维关系的比较，并且，采用了一种相似于自适应网格技术的个体拥挤机制。实验结果表明，该算法运行效率高，计算时间复杂度低，收敛性能好，能有效求解多种类型的多目标优化问题。
4．提出了一种基于空间填补的约束多目标进化算法。该算法通过对约束多目标优化问题解空间进行填补，川四种不同策略来处理约束多目标进化算法中的不可行解个体，使得算法中可行解个体能够搜索到解空间中的所有可行解区域。实验结果表明，该算法能够有效的求解各种具有不同约束条件的多目标优化问题。
5．提出了一种新的神经网络多目标进化学习算法：SMOGANN。该算法在神经网络的多目标进化！学习过程中，对每一个非支配解个体加入一个在所有训练样本上的进化策略学习过程，使得神经网络能快速逼近训练样本数据。实验结果表明，该算法有效的改进了神经网络多目标进化学习的收敛精度和收敛速度，提高了神经网络的泛化性能。