【摘要】：針對不同領域中廣泛存在的多目標優(yōu)化問題,設計具有普適性和高性能的優(yōu)化算法尤為迫切。相比于傳統(tǒng)的優(yōu)化方法,多目標演化算法不僅具有優(yōu)秀的全局搜索能力、良好的并行性和魯棒性,而且無需考慮問題的屬性,單次運行即可獲得多樣化的折衷解,因此具有重要的應用價值與廣闊的發(fā)展前景。多目標演化算法循環(huán)進行父代選擇,個體重組與環(huán)境選擇。學者們對環(huán)境選擇算子做了大量的研究,針對個體重組時直接利用單目標優(yōu)化重組算子的不足提出了基于規(guī)則模型的重組算子,但是對于交配父代選擇的研究相對較少。在多目標演化算法中,基于偏好信息,從滿足特定條件的個體中挑選父代,即進行交配限制,有利于算法實施恰當?shù)闹亟M操作,提高搜索性能。此外,聚類算法作為一類典型的無監(jiān)督學習方法,可以很好地挖掘數(shù)據(jù)信息,輔助多目標演化算法發(fā)現(xiàn)種群分布結構。因此,本文根據(jù)聚類算法挖掘的解的分布信息,設計了多種多目標演化算法交配限制策略。本文的主要研究內容包括:演化過程中,質量較好的子種群更需要開采,而質量較差的子種群更需要勘探,對所有子種群的個體采用相同的交配限制準則存在一定不足。因此,提出了兩種基于子種群質量的自適應交配限制策略。首先,針對每一子種群由同一類個體組成的情況,提出了一種基于類中新生成個體數(shù)的自適應交配限制策略和一種基于此策略的多目標演化算法SRMMEA。SRMMEA每隔幾代利用K-means算法將種群聚類。同一類中的個體采用相同的交配限制概率,不同類個體采用不同的交配限制概率。由交配限制概率控制交配父代的來源。在每一代根據(jù)環(huán)境選擇以后類中新產生的個體數(shù)目判斷類的整體質量,進而更新類的交配限制概率。為了進一步提高算法性能,在開采與勘探時,分別采用適合于局部搜索與全局搜索的差分進化算子控制參數(shù)值。實驗結果說明了交配限制策略的有效性。然而,通過類的質量推測個體的質量和需要的交配限制概率較為粗糙,因此令每一子種群僅由單一個體組成,并針對此情況設計了一種基于存活長度的自適應交配限制策略MRSL,進而提出了一種多目標差分進化算法MDESL。MDESL基于K-means算法提取鄰域信息,然后為每個個體設置一個單獨的交配限制概率,控制其進行開采與勘探的比例。在每一代根據(jù)個體在過去一段時間內的存活代數(shù),即存活長度,判斷個體質量,更新個體的交配限制概率。此外,MDESL根據(jù)種群差異度判斷在下一代中進行聚類的必要性,從而適當?shù)販p少計算開銷。通過對比實驗,表明MDESL優(yōu)于對比算法�；诜纸獾亩嗄繕搜莼惴▽⒍嗄繕藘�(yōu)化問題分解為一系列子問題。在演化過程中,不同子問題被求解的程度不同,因此不同子問題對開采和勘探的需求是不同的。而MDESL中提出的生存長度的概念更適用于基于分解的多目標演化算法判斷解的質量,進而判斷子問題的求解程度。此外,根據(jù)權向量間距離定義的鄰居解在決策空間中可能具有很遠的分布距離,不利于開采。針對以上考慮,提出了一種基于子問題求解程度的自適應交配限制策略和一種多目標演化算法MOEA/D-OMR。MOEA/D-OMR利用在線凝聚聚類算法提取種群在決策空間中的鄰域信息,準確地找到個體的鄰居。然后根據(jù)每個子問題的交配限制概率,控制配對池由鄰居個體還是整個種群組成。MOEA/D-OMR在每一代根據(jù)子問題的解的生存長度,自適應地更新交配限制概率。鑒于最大聚類數(shù)影響鄰域大小,進而影響算法的搜索能力,MOEA/D-OMR每隔幾代利用綜合交配限制概率更新最大聚類數(shù)。實驗結果表明MOEA/D-OMR具有很好的求解能力。在基于模型的多目標演化算法中,如果按照本課題已提出的交配限制策略,以一定概率將整個種群做為配對池,將會建立不準確的模型,不利于算法搜索。而且,隨著演化的進行,算法對搜索范圍的需求是不斷變化的。針對此問題,提出了一種基于模型的自適應交配限制策略和一種多目標演化算法MMEA-sC。MMEA-sC利用FCM算法將種群劃分為多個類。在每一代根據(jù)解的存活代數(shù)選擇質量較差的個體進行演化。重組時,為當前演化個體建立單獨的高斯模型。為了擴大搜索范圍,模型均值即為演化個體本身。為了加強開采,將一個小于1的正系數(shù)與類協(xié)方差相乘,獲得自適應協(xié)方差,然后用交配限制概率控制模型協(xié)方差為類協(xié)方差或者自適應協(xié)方差。鑒于算法在演化過程中對開采能力有不同的需求,預先定義了4個計算自適應協(xié)方差的系數(shù),并根據(jù)系數(shù)的歷史表現(xiàn)確定不同系數(shù)的被選概率。對比實驗結果表明,MMEA-sC搜索性能更優(yōu)。無人機航跡規(guī)劃問題是一類典型的多目標優(yōu)化問題,利用多目標演化算法求解此類問題更為實用,因此建立了兩種場景下的無人機航跡規(guī)劃問題模型,并利用之前提出的多目標演化算法進行求解。實驗結果說明了算法的有效性以及不足�？紤]到現(xiàn)有的求解航跡規(guī)劃問題的多目標演化算法對所有路徑點使用相同的交配限制準則,然而,不同路徑點有不同質量,需要不同的搜索范圍。而且,盡管對航跡進行了聚類,鄰居航跡的某些路徑點可能分布很遠。為了解決上述問題,在之前給出的交配限制策略的基礎上,提出了一系列評估函數(shù)測度路徑點的質量,進而提出了一種基于評估函數(shù)與聚類交配限制策略的多目標演化算法MFKC。MFKC利用K-means算法為每個路徑點,而非航跡,建立鄰域關系。由每個路徑點的交配限制概率控制交配父代來源于鄰居路徑點還是全局路徑點,以分別加強開采和勘探。交配限制概率由評估函數(shù)測度的路徑點質量決定。還提出了一種局部搜索算子進一步優(yōu)化飛行高度。實驗結果表明MFKC可以有效地求解無人機航跡規(guī)劃問題,為決策者提供多樣的航跡。
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：TP18

【參考文獻】

相關期刊論文 前3條

1 周愛民;張青富;張桂戌;;一種基于混合高斯模型的多目標進化算法[J];軟件學報;2014年05期

2 公茂果;焦李成;杜海峰;馬文萍;;用于約束優(yōu)化的人工免疫響應進化策略[J];計算機學報;2007年01期

3 焦李成,杜海峰;人工免疫系統(tǒng)進展與展望[J];電子學報;2003年10期

相關博士學位論文 前10條

1 洪文靜;大規(guī)模多目標演化算法及其應用研究[D];中國科學技術大學;2018年

2 張晉媛;演化算法中基于分類的預選擇策略研究[D];華東師范大學;2018年

3 石美鳳;求解多目標優(yōu)化問題的分布估計算法研究[D];重慶大學;2017年

4 馬愛龍;遙感影像分類中的演化計算理論及其應用方法研究[D];武漢大學;2017年

5 王露平;分解多目標進化算法中子問題及局部搜索策略研究[D];西安電子科技大學;2016年

6 張虎;基于聚類的多目標進化算法重組算子研究[D];哈爾濱工業(yè)大學;2016年

7 丁大維;基于MOEA/D的優(yōu)化技術及其在天線優(yōu)化設計中的應用[D];中國科學技術大學;2015年

8 詹煒;求解高維多目標優(yōu)化問題的流形學習算法研究[D];中國地質大學;2013年

9 鄧武;基于協(xié)同進化的混合智能優(yōu)化算法及其應用研究[D];大連海事大學;2012年

10 胡中華;基于智能優(yōu)化算法的無人機航跡規(guī)劃若干關鍵技術研究[D];南京航空航天大學;2011年

相關碩士學位論文 前5條

1 孫海勝;分布估計算法在云計算資源調度中的應用研究[D];中國科學技術大學;2018年

2 金根苗;基于多目標分解進化算法的資源分配及混合操作策略研究[D];深圳大學;2017年

3 邊旭;基于聚類技術的多目標細胞遺傳算法[D];西北師范大學;2013年

4 時燕;進化規(guī)劃算法的研究與改進[D];山東師范大學;2008年

5 牛愛光;遺傳規(guī)劃算法的改進及其應用研究[D];中國科學技術大學;2006年

本文編號：2716438