【摘要】：進(jìn)化算法(Evolutionary Algorithm,EA)是依據(jù)達(dá)爾文進(jìn)化理論學(xué)說為基礎(chǔ)發(fā)展而來的一種啟發(fā)式的全局尋優(yōu)算法,它以種群為信息載體,通過自然選擇和遺傳等操作模擬自然界中生物的進(jìn)化,進(jìn)而以一種迭代式的方法來搜索整個(gè)解空間。在實(shí)際工程應(yīng)用中,存在著這樣一類問題,它們的多個(gè)目標(biāo)函數(shù)之間不僅互相沖突,而且目標(biāo)函數(shù)及其參數(shù)都可能隨著時(shí)間的變化而變化,這類問題被研究者們稱為動(dòng)態(tài)多目標(biāo)優(yōu)化問題(Dynamic Multi-objective Optimization Problems,DMOPs)。為了解決該類問題,該領(lǐng)域的學(xué)者們提出了一系列的動(dòng)態(tài)多目標(biāo)進(jìn)化算法(DMOEAs)的相關(guān)技術(shù)與理論方法�，F(xiàn)有的DMOEAs主要包括:隨機(jī)初始化種群、多樣性保持機(jī)制、超變異等方法,以及多種群策略、預(yù)測(cè)以及記憶等機(jī)制。然而,這些算法也擁有相應(yīng)的缺點(diǎn),主要體現(xiàn)在以下幾個(gè)方面的不足。首先,為了增加種群的多樣性而引入的超級(jí)突變、隨機(jī)初始化以及動(dòng)態(tài)移民在增強(qiáng)多樣性方面存在隨機(jī)的盲目性,并不能給種群的進(jìn)化過程中帶來適當(dāng)?shù)闹笇?dǎo)性。接著,通過某種預(yù)測(cè)模型對(duì)種群的信息進(jìn)行學(xué)習(xí)進(jìn)而預(yù)測(cè)下一次環(huán)境變化之后的整個(gè)種群的預(yù)測(cè)方法,雖然能夠?qū)崿F(xiàn)很好的效果,但是預(yù)測(cè)的精度是實(shí)現(xiàn)該方法的一個(gè)重要難點(diǎn),需要針對(duì)現(xiàn)有的問題設(shè)計(jì)出適當(dāng)?shù)念A(yù)測(cè)模型,并且現(xiàn)有的預(yù)測(cè)模型的時(shí)間復(fù)雜度較高,提高預(yù)測(cè)模型的預(yù)測(cè)效率也是重中之重。本文提出了一個(gè)基于簡(jiǎn)單預(yù)測(cè)模型的混合多樣性保持策略來求解動(dòng)態(tài)多目標(biāo)優(yōu)化問題。這個(gè)方法包括三個(gè)步驟:第一步基于中心點(diǎn)的運(yùn)動(dòng)方向使用預(yù)測(cè)策略把一些個(gè)體重新分配到接近下一次環(huán)境變化之后的新的Pareto面上。在文章中自定義的POS的最低點(diǎn)和最高點(diǎn)的基礎(chǔ)上,第二步采用逐步搜索策略在決策空間產(chǎn)生一些分布性好的個(gè)體來提高第一步中的預(yù)測(cè)策略的準(zhǔn)確性。在第三步中,一些多樣性好的個(gè)體在下一次可能的POS區(qū)域內(nèi)隨機(jī)產(chǎn)生來增強(qiáng)種群的多樣性。最終,把這三步產(chǎn)生的個(gè)體結(jié)合在一起并通過分支配排序選擇一些好的個(gè)體作為下一次優(yōu)化的初始種群,這樣預(yù)測(cè)策略變得更加準(zhǔn)確因?yàn)樵摬呗赃x擇了一些好的收斂性和多樣性的個(gè)體。在實(shí)驗(yàn)比較中,本文中提出的算法與其他三個(gè)最新的動(dòng)態(tài)多目標(biāo)進(jìn)化算法在一系列的動(dòng)態(tài)多目標(biāo)基準(zhǔn)測(cè)試問題上進(jìn)行了實(shí)驗(yàn)分析,試驗(yàn)結(jié)果證明本文的算法在收斂性、分布性和多樣性以及響應(yīng)環(huán)境變化的速度具有更好的優(yōu)勢(shì)。
【學(xué)位授予單位】：湘潭大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP18
【圖文】：

這些位置是為了產(chǎn)生出一些個(gè)體（最簡(jiǎn)單的方式就是一個(gè)位置放置一個(gè)個(gè)逡逑體），這些個(gè)體叫做預(yù)測(cè)集。只要下一個(gè)時(shí)間步到達(dá)或者目標(biāo)函數(shù)變化，這些預(yù)逡逑測(cè)集就被插入到算法的種群中去。圖２－１是一個(gè)對(duì)于一個(gè)２維決策空間向量的預(yù)逡逑測(cè)的簡(jiǎn)單描述。如果預(yù)測(cè)成功，這些個(gè)體就會(huì)距離最優(yōu)個(gè)體很近。逡逑Ｘ２逡逑ｔ－１時(shí)刻的蝕測(cè)個(gè)逡逑體放在這逡逑Ｉｖ逡逑P的翻點(diǎn)ｉ＾、＊＊＊＾逡逑時(shí)刻的真實(shí)最優(yōu)逡逑Ｘ＊ｔ－１逡逑Ａ逡逑Ｘ＊ｔ－２逡逑？逡逑？邋ｚ邐Ｘ＊ｔ－３逡逑？邐Ｘ＊ｔ－４逡逑Ｘ＊ｔ－５逡逑＃邐過去一些時(shí)刻的最優(yōu)解的位置逡逑Ｘ＊ｔ－６逡逑圖２－１過去的最優(yōu)解序列（一直到ｔ－１）被用來創(chuàng)造下一個(gè)時(shí)間步ｔ的預(yù)測(cè)逡逑９逡逑

這種策略主要適用于離散特性的動(dòng)態(tài)問題，問題的目標(biāo)變化以一種非無窮小逡逑的方式，在每一個(gè)時(shí)間步，優(yōu)化有一個(gè)固定數(shù)量的函數(shù)評(píng)價(jià)。逡逑圖２－２是ＦＰＳ算法利用ｔ－１時(shí)刻及以前的決策空間的歷史最優(yōu)解集來預(yù)測(cè)ｔ逡逑時(shí)刻的最優(yōu)解集并插入到種群中進(jìn)行優(yōu)化的過程。逡逑使用ｔ－ｉ時(shí)刻之前的歷史解菜．來預(yù)測(cè)１＿時(shí)刻的解逡逑邐邐邐邐邋邐—－……＞邋ｘ＊ｔ預(yù)＿逡逑…邐Ｘ＾ｔ－４邐ｘｎ－３邐Ｘ＊ｔ－Ｚ逡逑個(gè)．邐ＡＡＡ逡逑ｔ時(shí)刻開始時(shí)把

本文編號(hào)：2721344