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)成百上千維的問題上,性能會(huì)急劇下降。為了解決大規(guī)模多目標(biāo)問題,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)問題,第一種類型的是基于問題轉(zhuǎn)換方法的,第二種類型的是基于協(xié)同進(jìn)化框架的,第三種類型的是基于變量分類分別優(yōu)化的。其中基于變量分類方法的算法以MOEA/DVA算法和LEMA算法為代表。MOEA/DVA算法通過變量間關(guān)系探測將變量分為三類:收斂性相關(guān)、分布性相關(guān)和同時(shí)相關(guān),而LEMA算法則通過按角度聚類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。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)來進(jìn)行變量分類的方法,... 

【文章來源】：湘潭大學(xué)湖南省

【文章頁數(shù)】：56 頁

【學(xué)位級別】：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)模問題。由于以上的一些問題，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,…,)。通過優(yōu)化權(quán)重來優(yōu)化原問題，這就把一個(gè)高維問題轉(zhuǎn)化維低維優(yōu)化問題了。分組過程可以見圖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，子問題評估次數(shù)FEs2：隨機(jī)初始化種群P3：seti=1，開始一個(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)低維問題，如：D=m*S，S是子問題的維度。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：對于分組后的子問題，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，子問題評估次數(shù)Gmax，子問題分組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算法的種群融合過程2.3基于問題轉(zhuǎn)換的大規(guī)模多目標(biāo)算法在第一章里我們有簡單介紹過基于問題轉(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：3216494