本文選題：高維目標(biāo)優(yōu)化 + 非支配受阻解　； 參考：《計(jì)算機(jī)科學(xué)》2017年01期

【摘要】：基于Pareto支配的多目標(biāo)進(jìn)化算法能夠很好地處理2~3維的多目標(biāo)優(yōu)化問題。但在處理高維多目標(biāo)問題時(shí),隨著目標(biāo)維數(shù)的增大,支配受阻解的數(shù)量急劇增加,導(dǎo)致現(xiàn)有的多目標(biāo)算法存在選擇壓力不夠、優(yōu)化效果較差的問題。通過引入α支配提供嚴(yán)格的Pareto分層,在同層中挑選相對(duì)稀疏的解作為候選解,同時(shí)詳細(xì)分析不同α對(duì)算法性能的影響,提出一種新的基于α偏序和擁塞距離抽樣的高維目標(biāo)進(jìn)化算法。將該算法在DTLZ上進(jìn)行性能測試,并采用世代距離(GD)、空間評(píng)價(jià)(SP)、超體積(HV)等多個(gè)指標(biāo)評(píng)估算法的性能。實(shí)驗(yàn)結(jié)果表明,引入α支配能去除絕大部分支配受阻解(DRSs),提高算法的收斂性。與快速非支配排序算法(NSGA-II)、基于分解的多目標(biāo)進(jìn)化算法(MOEA/D)、基于距離更新的分解多目標(biāo)進(jìn)化算法(MOEA/D-DU)相比,該算法的整體解集的質(zhì)量有明顯提高。
[Abstract]:The multi-objective evolutionary algorithm based on Pareto can deal with the 2-dimensional multi-objective optimization problem well.However, when dealing with high dimensional multiobjective problems, with the increase of target dimension, the number of dominating obstructed solutions increases sharply, which leads to the problem that the selection pressure is not enough and the optimization effect is poor in the existing multi-objective algorithms.By introducing 偽 dominance to provide strict Pareto layering, relatively sparse solutions are selected as candidate solutions in the same layer, and the effects of different 偽 on the performance of the algorithm are analyzed in detail.A new high dimensional target evolutionary algorithm based on 偽 partial order and congestion distance sampling is proposed.The performance of the algorithm is tested on DTLZ, and the performance of the algorithm is evaluated by several indexes, such as generation distance, spatial evaluation, hypervolumic DTLZ and so on.The experimental results show that the introduction of 偽 -dominance can remove the majority of the blocked dominating solutions (DRSs) and improve the convergence of the algorithm.Compared with NSGA-IIG, multiobjective evolutionary algorithm based on decomposition and multiobjective evolutionary algorithm based on distance updating, the quality of global solution set of this algorithm is obviously improved.
【作者單位】： 浙江工業(yè)大學(xué)經(jīng)貿(mào)管理學(xué)院;浙江工業(yè)大學(xué)信息工程學(xué)院;浙江工業(yè)大學(xué)信息智能與決策優(yōu)化研究所;
【基金】：國家自然科學(xué)基金:基于多偏好與變量分解的大規(guī)模高維目標(biāo)優(yōu)化方法及應(yīng)用研究(61472366),基于輪廓線段簇的隱式形狀模型及其優(yōu)化方法研究(6139077) 浙江省自然科學(xué)基金:融合側(cè)步爬山策略的大規(guī)模變量多目標(biāo)協(xié)同進(jìn)化算法研究(LY13F030010),基于雙極偏好占優(yōu)的高維目標(biāo)進(jìn)化算法研究(LZ13F020002)資助
【分類號(hào)】：TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 張屹;萬興余;鄭小東;孫莉莉;;基于正交設(shè)計(jì)的元胞多目標(biāo)遺傳算法[J];電子學(xué)報(bào);2016年01期

2 鞏敦衛(wèi);劉益萍;孫曉燕;韓玉艷;;基于目標(biāo)分解的高維多目標(biāo)并行進(jìn)化優(yōu)化方法[J];自動(dòng)化學(xué)報(bào);2015年08期

3 侯薇;董紅斌;印桂生;;一種改進(jìn)的基于分解的多目標(biāo)進(jìn)化算法[J];計(jì)算機(jī)科學(xué);2014年02期

相關(guān)博士學(xué)位論文 前1條

1 譚艷艷;幾種改進(jìn)的分解類多目標(biāo)進(jìn)化算法及其應(yīng)用[D];西安電子科技大學(xué);2013年

【共引文獻(xiàn)】

相關(guān)期刊論文 前4條

1 林夢Z，

本文編號(hào)：1766162