在多目標(biāo)優(yōu)化領(lǐng)域,傳統(tǒng)的多目標(biāo)優(yōu)化算法（Multi-objective Evolutionary Algorithms,MOEAs）主要關(guān)注于目標(biāo)數(shù)增加的情況,很少有考慮到問(wèn)題決策變量維數(shù)（Decision Variables）增高時(shí)算法的解決能力。而現(xiàn)實(shí)生活中,往往許多問(wèn)題同時(shí)具備了多目標(biāo)和決策變量多這兩種特性。另一方面實(shí)驗(yàn)表明,盡管大多數(shù)的多目標(biāo)進(jìn)化算法（MOEAs）在解決少量決策變量的問(wèn)題上有較好的結(jié)果,在解決決策變量高達(dá)成百上千維的問(wèn)題上,性能會(huì)急劇下降。為了解決大規(guī)模多目標(biāo)問(wèn)題,近幾年有學(xué)者提出了一些方法,能夠有效解決大規(guī)模多目標(biāo)問(wèn)題,第一種類(lèi)型的是基于問(wèn)題轉(zhuǎn)換方法的,第二種類(lèi)型的是基于協(xié)同進(jìn)化框架的,第三種類(lèi)型的是基于變量分類(lèi)分別優(yōu)化的。其中基于變量分類(lèi)方法的算法以MOEA/DVA算法和LEMA算法為代表。MOEA/DVA算法通過(guò)變量間關(guān)系探測(cè)將變量分為三類(lèi):收斂性相關(guān)、分布性相關(guān)和同時(shí)相關(guān),而LEMA算法則通過(guò)按角度聚類(lèi)的方法判斷變量是更多影響收斂性還是分布性將變量分為兩類(lèi)。本文算法結(jié)合以上兩種算法的優(yōu)點(diǎn),先采用了一種基于擾動(dòng)后個(gè)體形成種群的支配層數(shù)來(lái)進(jìn)行變量分類(lèi)的方法,... 

【文章來(lái)源】：湘潭大學(xué)湖南省

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1兩個(gè)相互干擾的決策變量

11個(gè)大規(guī)模問(wèn)題。由于以上的一些問(wèn)題，ZhenYuYang等學(xué)者在2008年提出了一種隨機(jī)動(dòng)態(tài)的分組策略，并采取的權(quán)重優(yōu)化的方式，這是一種新的協(xié)同進(jìn)化框架。其中，這個(gè)新的框架在除了采用了隨機(jī)分組的策略將D維的決策變量分成m個(gè)S維的子部分，此時(shí)D=m*S。并且采用一組m維的權(quán)重w應(yīng)用在在每一組上，w權(quán)重的定義為：=(1,2,…,)。通過(guò)優(yōu)化權(quán)重來(lái)優(yōu)化原問(wèn)題，這就把一個(gè)高維問(wèn)題轉(zhuǎn)化維低維優(yōu)化問(wèn)題了。分組過(guò)程可以見(jiàn)圖2.2[45]。圖2.2分組策略圖示由上圖可以看出，隨意分組后，每一個(gè)子組就回對(duì)應(yīng)一個(gè)子種群，然后其它的維度不變，優(yōu)化該組的維度，另外，權(quán)重是動(dòng)態(tài)調(diào)整的，在每一輪cycle后，將權(quán)重應(yīng)用到每一個(gè)子組，再用某個(gè)特定優(yōu)化器優(yōu)化權(quán)重向量。ZhengYuYang將這種新的CC框架叫做EACC-G[7]，算法的主要步驟如下：算法2.2：EACC-G的基本框架1：參數(shù)設(shè)置：初始化種群P，最大循環(huán)次數(shù)cycle，子問(wèn)題評(píng)估次數(shù)FEs2：隨機(jī)初始化種群P3：seti=1，開(kāi)始一個(gè)cycle4：采用某個(gè)分解策略（分組策略）將個(gè)體的向量隨機(jī)分解成m個(gè)低維問(wèn)題，如：D=m*S，S是子問(wèn)題的維度。這里的隨機(jī)是指：任何兩個(gè)決策變量都有概率會(huì)分到同一組5：對(duì)于分組后的子問(wèn)題，采取某個(gè)特定的EA算法優(yōu)化固定的FEs次6：當(dāng)i<m時(shí)，跳到Step57：應(yīng)用一個(gè)權(quán)重向量到每一個(gè)子部分。然后優(yōu)化這個(gè)m維的權(quán)重向量，分別

15算法2.4：多目標(biāo)協(xié)同進(jìn)化的基本框架輸入：種群NP，算法迭代次數(shù)Cycles，子問(wèn)題評(píng)估次數(shù)Gmax，子問(wèn)題分組NumEsp輸出：結(jié)果集SolutionSet1：PobsPopulations(NP，NumEsp)2：InitializeSpecies(Pob)3：forj1~Cyclesdo4：fori1~NumEspdo5：fork1~Gmaxdo6：MOEA(Pobs[i])7：endfor8：endfor9：endfor10：SolutionSetObtainNonDominatedSet(Pobs)11：returnSolutionSet圖2.3CCGED3算法的種群融合過(guò)程2.3基于問(wèn)題轉(zhuǎn)換的大規(guī)模多目標(biāo)算法在第一章里我們有簡(jiǎn)單介紹過(guò)基于問(wèn)題轉(zhuǎn)換的大規(guī)模多目標(biāo)算法。本章將詳細(xì)介紹基于權(quán)重變換的大規(guī)模多目標(biāo)算法WOF。受第二章所講的一種新的協(xié)同

【參考文獻(xiàn)】：
期刊論文
[1]Evolutionary Optimization: Pitfalls and Booby Traps[J]. Thomas Weise,Raymond Chiong.  Journal of Computer Science & Technology. 2012(05)



本文編號(hào)：3216494