在基于分解技術(shù)的多目標進化算法的框架中,引入一種動態(tài)多策略差分進化模型。該模型在分析不同差分進化策略的特點基礎(chǔ)上,選擇了三種差分進化策略,并對每種策略分配一子種群。在進化過程中,依據(jù)每種策略對鄰域更新的貢獻度,動態(tài)地調(diào)整其子種群的大小。對比分析采用不同差分進化算法的性能,結(jié)果表明運用多個策略之間相互協(xié)同進化,有利于提高算法性能。將新算法同NSGA-Ⅱ與MOEA/D算法在LZ09系列基準函數(shù)上進行性能對比,實驗結(jié)果顯示該算法的收斂性和多樣性均優(yōu)于對比算法。將新應用于Ⅰ型梁多目標優(yōu)化設(shè)計問題中,獲得的Pareto前沿均勻,且解集域較寬廣,對比分析表明了算法的工程實用性。 

【文章來源】：計算機應用研究. 2017,34(09)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

MOEA/D-DMDE算法在求解P2問題上獲得Fmeta最優(yōu)解和PS

由表3可知，九個測試函數(shù)中MOEA/D-DMDE算法獲得了六個最優(yōu)值;MOEA/D算法獲得三個最優(yōu)值;NSGA-Ⅱ算法不能取得較優(yōu)值。數(shù)據(jù)表明，在F3、F4和F6問題上，MOEA/D算法性能較好，其余的測試函數(shù)性能MOEA/D-DMDE算法表現(xiàn)更好。從t-test結(jié)果來看，MOEA/D-DMDE算法依舊對NS-GA-Ⅱ算法占有絕對的優(yōu)勢，凈勝分為9，對于MOEA/D算法凈勝分為3。圖2～4為MOEA/D-DMDE算法在求解F2、F3和F6問題上獲得Pareto最優(yōu)解集和PS集合。由圖2和3可知，本文算法求得Pareto最優(yōu)解均勻地分布于真實的PF上，且PS分布性較好。F6問題是一個3目標問題。從圖4中可知，本文算法求解的分布較廣泛，但在邊緣區(qū)收斂性于分布性較差。綜合以上分析可以得出結(jié)論，MOEA/D-DMDE與MOEA/D、NSGA-Ⅱ算法相比具有較強的競爭力。從統(tǒng)計意義上的t-test檢驗結(jié)果表明，MOEA/D-DMDE算法在九個具有復雜PS的測試函數(shù)上獲得HV和IGD性能總體上顯著地好于另外兩種算法。不過依據(jù)“沒有免費午餐定律”，不可能期望本文算法能夠在每一個測試問題上均取得最優(yōu)值。3工程實例鑒于MOEA/D-DMDE算法在求解無約束多目標算法的良好性能，為了進一步驗證其在求解多目標約束問題的能力，將其應用于某主梁的多目標設(shè)計問題［26］。主梁的示意圖如圖5所示。主梁的尺寸在滿足幾何和強度約束條件下，梁的截面積和靜載彎曲力最小，其中已知E=2×104kN/cm2，σα=16kN/cm2，P=600kN，Q=50kN，L=200cm。由于問題存在約束，本文采用Deb等人［27］提出的多目標法處理違反約束的個體。MOEA/D-DMDE算法的基本參數(shù)為:最大進化代數(shù)為500次，種群大小為800，鄰域大小T=25，鄰域搜索概率δ=0．9，子問題更新數(shù)目nr=3，DE策略的控制參數(shù)均取CR=1．0，F(xiàn)=0．5，多項式變異操作數(shù)參數(shù)η=20，Pm=1

型彭汾計示青圖

【參考文獻】：
期刊論文
[1]一種基于混合高斯模型的多目標進化算法[J]. 周愛民,張青富,張桂戌.  軟件學報. 2014(05)
[2]求解復雜多目標優(yōu)化問題MOEA/D-GEP算法[J]. 張冬梅,龔小勝,戴光明,彭雷.  華中科技大學學報(自然科學版). 2012(04)
[3]基于自適應差分進化的多目標進化算法[J]. 畢曉君,肖婧.  計算機集成制造系統(tǒng). 2011(12)



本文編號：2983559