在多目標問題(Multi-objective Optimization Problems,MOP)優(yōu)化過程中,由于缺乏對帕累托前沿(Pareto Front,PF)的選擇壓力,導致經典的多目標進化算法(Multi-objective Evolutionary Algorithms,MOEAs)求解多目標優(yōu)化問題無效。此外,眾所周知,在收斂性和多樣性之間如何保持良好的平衡對于MOEAs的性能也是至關重要的。上述兩個方面對設計MOEAs提出了很大的挑戰(zhàn)。為了解決這些問題,研究人員開發(fā)了基于參考點的方法,在優(yōu)化過程中使用預先產生的參考向量助其保持良好的種群多樣性。但是,不同測試問題形狀(Shape of PF)在搜索過程中會嚴重影響MOEAs的性能。本文提出一種基于參考點自適應的高維多目標算法,“基于自適應參考點的多目標進化算法(An Adaptation Reference-point-based Multi-Objective Evolutionary Algorithm,ARMA)”,此方法根據種群的候選解集來學習MOP的PF形狀。這種自適應方法是調整參考點的相對位置和調整參考平面的形狀,使其可以處理具有凹形的多目標優(yōu)化問題或凸形多目標優(yōu)化問題,并且根據整個種群的目標值,使用參數φ來控制參考點集的超平面形狀和個體解在超平面上的分布情況。根據參考點的分布概況,提出的新聚類方法就可以用來平衡多目標優(yōu)化中的小生境精英個體保存操作。我們通過比例和角度值將種群劃分為若干個局部環(huán)境,這種局部環(huán)境被稱為小生境,然后在環(huán)境選擇策略中根據不同的適應度值挑選不同的或者更好的精英解方案。在這種方法的環(huán)境選擇期間,通過聚合函數值能加強種群的收斂性能,并且基于比例和角度方法作為衡量種群多樣性的指標,能夠提高種群分布性能。在實驗中選擇六種最先進的進化算法,HYPE、SPEA2+SDE、MOEA/D、MOEA/DD、NSGA-III和RVEA作為對比算法。在實驗中用來測試算法的優(yōu)化問題選自于ZDT系列,DTLZ系列和WFG系列。這三個系列問題在多目標優(yōu)化問題中具有良好的擴展性和分布難度。同時,測試的多目標優(yōu)化問題具有各種特征,例如具有線性,多模態(tài),凹凸面,不連續(xù)或退化特性。在與六個進化算法對比中發(fā)現(xiàn),本算法產生了一組具有多樣性和收斂性種群,具有強大的競爭力與有效性,滿足不同測試問題的需求。此外,隨著進化代數的增加,參數φ控制的參考點平面能自適應測試問題的真實PF,具有測試問題的凹凸性,線性等特征。
【學位單位】：湘潭大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP18
【部分圖文】：

多目標遺傳算法中的交配選擇是在種群中選選作為生成下一代的父親。交配選擇的好壞直接父代生成的子代也是較好的，較差的父代在產代。因此，交配選擇的算法在遺傳過程中也具兩個父代個體發(fā)生基因數據交換的過程，此過與父代不同的個體行為。交叉后的新個體的數生各種各樣的變異，數據位發(fā)生突變或者整個。之后，產生的新個體所組成的種群具有較好的行下一代迭代至關重要。在交配進化算法的發(fā)擇過程要有能選擇精英個體排序劣質解的能力的有 pareto 支配，權重分解，指標操作的算法新種群含有收斂性好，分布性廣的特點，滿足遺傳算法進化過程是一種重復性迭代的過程。

參考點集的比例計算圖

種群的比例計算圖
【相似文獻】

相關期刊論文 前10條

1 ;科技文摘[J];中國農業(yè)文摘-農業(yè)工程;2017年04期

2 梅志偉;;多目標進化算法綜述[J];軟件導刊;2017年06期

3 李鴻鑫;李銀紅;李智歡;;多目標進化算法求解無功優(yōu)化問題的比較與評估[J];電網技術;2013年06期

4 趙晶晶;許峰;;基于分布估計的分解多目標進化算法[J];軟件導刊;2012年10期

5 李珂;鄭金華;;一種改進的基于差分進化的多目標進化算法[J];計算機工程與應用;2008年29期

6 關志華;多目標進化算法研究初步[J];石家莊經濟學院學報;2002年02期

7 于建偉;;多目標進化算法研究綜述[J];海南大學學報(自然科學版);2005年04期

8 周歡;孟利民;王麗萍;林夢嫚;江波;;動態(tài)鄰域的分解多目標進化算法[J];小型微型計算機系統(tǒng);2017年09期

9 張麗麗;許峰;;基于聚集密度的約束多目標進化算法[J];安徽理工大學學報(自然科學版);2016年01期

10 許峰;季洪霄;;基于種群分類的動態(tài)約束多目標進化算法[J];皖西學院學報;2015年05期

相關博士學位論文 前10條

1 羅娟娟;多目標進化學習與稀疏聚類理論及應用研究[D];西安電子科技大學;2017年

2 王朝;高維多目標進化算法的關鍵技術研究[D];哈爾濱工程大學;2018年

3 王鵬;兼顧收斂性與多樣性的多目標進化算法研究[D];東北大學;2017年

4 呼子宇;多目標進化算法的改進及其在軋制負荷分配中的應用研究[D];燕山大學;2017年

5 付亞平;多目標進化算法及其在生產調度中的應用研究[D];東北大學;2015年

6 付國忠;多目標進化算法及其在礦用挖掘機提升機構減速器中的應用[D];電子科技大學;2018年

7 張鵬翔;多目標進化算法及其在電力系統(tǒng)中的應用研究[D];華中科技大學;2004年

8 孟紅云;多目標進化算法及其應用研究[D];西安電子科技大學;2005年

9 張利彪;基于粒子群和微分進化的優(yōu)化算法研究[D];吉林大學;2007年

10 郭秀萍;多目標進化算法及其在制造系統(tǒng)中的應用研究[D];上海交通大學;2007年

相關碩士學位論文 前10條

1 呂文鵬;免疫多目標進化算法的研究與應用[D];安徽理工大學;2019年

2 付劉偉;基于參考向量動態(tài)適應的高維多目標進化算法的研究[D];湘潭大學;2019年

3 侯章祿;基于偏好信息的多目標進化算法及其評價指標的研究[D];湘潭大學;2019年

4 周克飛;基于并行多目標進化算法的大規(guī)模復雜網絡社團檢測研究[D];安徽大學;2019年

5 張菘洺;基于膜結構的多目標進化算法[D];廈門大學;2017年

6 吳峰;基于差異化鄰域策略的分解多目標進化算法研究及應用[D];浙江工業(yè)大學;2018年

7 何偉鵬;錐形分解多目標進化算法的約束處理技術研究[D];華南理工大學;2018年

8 張奇勝;基于分解思想的多目標進化算法研究[D];湖南大學;2018年

9 丁洋洋;分解策略型多目標進化算法中的自適應機制研究[D];南京信息工程大學;2018年

10 班陽;基于分解的多目標進化算法和多目標狼群算法的改進[D];陜西師范大學;2018年

本文編號：2855521