實際工程中存在著大量的具有多約束、多變量以及高度非線性等性質(zhì)的復(fù)雜多目標(biāo)優(yōu)化問題。由于傳統(tǒng)的確定性優(yōu)化技術(shù)不能較好地求解這一類問題,因此基于自然啟發(fā)搜索的進化算法成為了解決此類問題的主流方法。由于多目標(biāo)進化算法單次運行就可獲得多目標(biāo)優(yōu)化問題Pareto解集的逼近解集,因此近年來得到了蓬勃發(fā)展。多目標(biāo)進化算法有兩個重要算子:個體重組算子和環(huán)境選擇算子。重組算子的作用是產(chǎn)生新個體,而環(huán)境選擇算子的作用則是挑選優(yōu)良個體進入下一代。當(dāng)前,大量的研究工作集中于環(huán)境選擇算子,而對個體重組算子投入的關(guān)注較少,大部分的多目標(biāo)進化算法直接應(yīng)用單目標(biāo)進化算法中的重組算子。實際上,由于m個目標(biāo)的連續(xù)多目標(biāo)優(yōu)化問題的Pareto解集是一個m-1維的分段連續(xù)的流型,因此,在多目標(biāo)進化算法重組的過程中,如果充分地將這一規(guī)則特性用于引導(dǎo)搜索,理應(yīng)獲得更高的搜索效率。近年來,機器學(xué)習(xí)和進化計算技術(shù)的同步快速發(fā)展讓學(xué)者們更積極地思考二者的相互促進。由于進化算法是基于數(shù)據(jù)的科學(xué),因此本文提出將典型的數(shù)據(jù)挖掘方法-聚類算法應(yīng)用到多目標(biāo)進化算法中,用以發(fā)掘多目標(biāo)優(yōu)化問題的Pareto解集的結(jié)構(gòu),并利用此結(jié)構(gòu)設(shè)計特定的重組算子,引導(dǎo)算法的搜索。本文的研究工作總結(jié)概括如下:傳統(tǒng)的單目標(biāo)進化算法重組算子直接以整個種群作為交配池隨機地挑選父個體產(chǎn)生新解,在多目標(biāo)進化算法進化后期,這些算子產(chǎn)生的新解容易偏離Pareto解集的流型。為了解決此問題,設(shè)計了一種自適應(yīng)交配限制策略AMRS,進而提出了一種基于近鄰傳播的多目標(biāo)進化算法APMO。AMRS使用了一種近鄰傳播聚類方法AP發(fā)掘種群的分布結(jié)構(gòu),基于此結(jié)構(gòu),以一定的交配限制概率利用鄰居個體或相互差異較大的個體構(gòu)建交配池用于重組。為了適應(yīng)進化過程中勘探和開采的平衡的變化,在每一代,根據(jù)兩類交配池在過去一定代數(shù)的重組效用對交配限制概率進行更新。對比實驗表明APMO具有優(yōu)秀的求解性能。實驗分析指出AMRS的設(shè)計科學(xué)合理,并且AMRS具有良好的適應(yīng)性。巡航導(dǎo)彈航跡規(guī)劃結(jié)果表明AMRS能夠提高多目標(biāo)進化算法解決復(fù)雜工程多目標(biāo)優(yōu)化問題的能力,并且基于多目標(biāo)進化算法開展航跡規(guī)劃合理而且必要。多目標(biāo)進化算法的基于高斯模型抽樣的重組算子中,通常存在所求解問題的特性考慮不夠,建模時異常解處理不合理而且計算復(fù)雜度高,產(chǎn)生的新解多樣性不足等問題。為了解決這些問題,設(shè)計了一種基于聚類的混合高斯模型抽樣策略CASS,將CASS算子與差分進化算子相結(jié)合,進而提出了一種自適應(yīng)增量多目標(biāo)進化算法AMEA。AMEA在每一代首先運用K-means聚類算法發(fā)掘種群的結(jié)構(gòu)�；诖私Y(jié)構(gòu),差分進化算子挑選相互差異較大的解作為父個體產(chǎn)生新解,CASS算子使用協(xié)方差矩陣共享策略每個解構(gòu)建一個高斯模型共同逼近種群結(jié)構(gòu)并抽樣產(chǎn)生新解。為了適應(yīng)進化過程中勘探和開采平衡的變化,基于兩種算子先前產(chǎn)生新解的效用,設(shè)計了一種強度Pareto的方法自適應(yīng)地控制兩種算子的貢獻。為了降低聚類引起的計算開銷,AMEA中還引入了一種重用機制降低執(zhí)行聚類過程的次數(shù)。實驗分析表明AMEA對于具有多種特性的標(biāo)準(zhǔn)測試題以及實際的巡航導(dǎo)彈航跡規(guī)劃問題求解性能優(yōu)異,設(shè)計的CASS抽樣策略、新解產(chǎn)生算子混合與自適應(yīng)控制機制、種群結(jié)構(gòu)重用機制均合理有效。APMO和AMEA在進化過程中需要完成多次多重迭代的聚類過程,為了進一步降低聚類帶來的計算開銷,通過將聚類的迭代過程與進化算法的進化過程融合,提出了一種設(shè)計聚類-進化融合的重組算子的思路。首先基于K-means聚類算法的融合實驗證明了這種思路可行有效。之后利用自組織映射聚類算法SOM進行融合,開發(fā)了一種自組織多目標(biāo)進化算法SMEA。在SMEA中,交替執(zhí)行進化操作和SOM聚類算法的訓(xùn)練操作。每一代,僅利用新近保留的有效解訓(xùn)練SOM模型,并且SMEA僅訪問每個訓(xùn)練解一次,然后利用當(dāng)前為止發(fā)掘的結(jié)構(gòu)引導(dǎo)個體從鄰居或整個種群中挑選父個體產(chǎn)生新解。由于完成進化算法的進化過程僅需要實現(xiàn)一個多重迭代的聚類過程,因此能極大地降低聚類操作帶來的計算開銷。實驗分析顯示,SMEA能以較小的聚類計算開銷對于多種不同特性的標(biāo)準(zhǔn)測試問題以及實際的復(fù)雜巡航導(dǎo)彈航跡規(guī)劃問題均達到良好的求解效果。當(dāng)前存在的基于數(shù)據(jù)挖掘方法的多目標(biāo)進化算法中,其所采用的數(shù)據(jù)挖掘方法一般要求用于學(xué)習(xí)的數(shù)據(jù)滿足獨立同分布假設(shè)。由于進化算法產(chǎn)生的是非平穩(wěn)數(shù)據(jù),其并不滿足這一假設(shè)。為了充分考慮進化過程的數(shù)據(jù)的特點,率先設(shè)計了一種基于對非平穩(wěn)數(shù)據(jù)學(xué)習(xí)的在線凝聚聚類Add C的重組算子,進而提出了一種增量進化算法OCEA。在OCEA中,Add C的迭代過程與多目標(biāo)進化算法的進化過程融合在一起。每當(dāng)一個新解被保留,則算法開展一次在線聚類,更新發(fā)掘的Pareto解集的結(jié)構(gòu),基于發(fā)掘的結(jié)構(gòu),以一定的概率引導(dǎo)鄰居個體或相互差異較大的個體重組產(chǎn)生新解,從而維持勘探和開采之間的平衡。由于OCEA僅對被保留下來的有效解訪問一次進行聚類,因此其需要較小的聚類開銷。實驗分析表明OCEA不僅具有良好的求解能力還具有優(yōu)秀的聚類能力,基于在線聚類的重組算子適應(yīng)不同的環(huán)境選擇算子。巡航導(dǎo)彈航跡規(guī)劃結(jié)果顯示OCEA對于此類復(fù)雜的工程多目標(biāo)優(yōu)化問題求解效果同樣突出。
【學(xué)位單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2016
【中圖分類】：TP18
【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
        1.1.1 課題背景
        1.1.2 課題研究的目的和意義
    1.2 多目標(biāo)進化算法研究現(xiàn)狀
        1.2.1 多目標(biāo)優(yōu)化問題
        1.2.2 多目標(biāo)進化算法研究現(xiàn)狀
    1.3 基于聚類的多目標(biāo)進化算法研究現(xiàn)狀
        1.3.1 聚類算法
        1.3.2 基于聚類的多目標(biāo)進化算法研究現(xiàn)狀
    1.4 結(jié)構(gòu)化多目標(biāo)進化算法分析
        1.4.1 元胞多目標(biāo)遺傳算法
        1.4.2 基于分解的多目標(biāo)進化算法
        1.4.3 基于規(guī)則模型的多目標(biāo)分布估計算法
    1.5 本文的主要研究內(nèi)容
第2章 多目標(biāo)進化算法及巡航導(dǎo)彈航跡規(guī)劃模型
    2.1 引言
    2.2 進化計算與進化算法
    2.3 典型的多目標(biāo)進化算法
        2.3.1 快速非支配排序遺傳算法
        2.3.2 改進的強度Pareto進化算法
        2.3.3 S測度選擇進化多目標(biāo)優(yōu)化算法
        2.3.4 帶有差分進化算子的基于分解的多目標(biāo)進化算法
        2.3.5 帶有目標(biāo)變換的基于分解的多目標(biāo)進化算法
        2.3.6 基于規(guī)則模型的多目標(biāo)分布估計算法
        2.3.7 混合元胞多目標(biāo)遺傳算法
        2.3.8 基于自組織映射的混合多目標(biāo)進化算法
    2.4 多目標(biāo)進化算法標(biāo)準(zhǔn)測試集
        2.4.1 GLT標(biāo)準(zhǔn)測試集
        2.4.2 WFG標(biāo)準(zhǔn)測試集
    2.5 多目標(biāo)進化算法測度方法
    2.6 巡航導(dǎo)彈航跡規(guī)劃模型
        2.6.1 地形和威脅表示
        2.6.2 優(yōu)化目標(biāo)
        2.6.3 約束條件
        2.6.4 優(yōu)化變量
    2.7 本章小結(jié)
第3章 基于聚類的自適應(yīng)交配限制策略
    3.1 引言
    3.2 傳統(tǒng)單目標(biāo)重組算子的不足
    3.3 基于近鄰傳播的自適應(yīng)多目標(biāo)進化算法
        3.3.1 算法框架
        3.3.2 基于近鄰傳播和重組效用的自適應(yīng)交配限制策略
        3.3.3 新解產(chǎn)生
        3.3.4 環(huán)境選擇
    3.4 實驗研究
        3.4.1 測試實例與性能指標(biāo)
        3.4.2 實驗設(shè)置
        3.4.3 對比研究
    3.5 進一步討論
        3.5.1 AMRS組件分析
        3.5.2 差分進化算子參數(shù)靈敏度分析
        3.5.3 基于超體積環(huán)境選擇的APMO
        3.5.4 基于APMO-HV算法的巡航導(dǎo)彈航跡規(guī)劃
    3.6 本章小結(jié)
第4章 基于聚類的混合高斯模型抽樣策略
    4.1 引言
    4.2 相關(guān)背景
        4.2.1 多目標(biāo)分布估計算法
        4.2.2 多目標(biāo)分布估計算法中的高斯模型抽樣
    4.3 基于聚類的自適應(yīng)增量多目標(biāo)進化算法
        4.3.1 算法框架
        4.3.2 K-means聚類算法
        4.3.3 新解產(chǎn)生
        4.3.4 環(huán)境選擇
        4.3.5 重用機制
        4.3.6 重組算子的貢獻控制
    4.4 實驗研究
        4.4.1 測試實例與性能指標(biāo)
        4.4.2 實驗設(shè)置
        4.4.3 對比研究
    4.5 進一步討論
        4.5.1 WFG測試集求解性能
        4.5.2 提出的抽樣策略的有效性
        4.5.3 混合策略的有效性
        4.5.4 自適應(yīng)策略分析
        4.5.5 重用機制的有效性
        4.5.6 參數(shù)靈敏度分析
        4.5.7 基于AMEA算法的巡航導(dǎo)彈航跡規(guī)劃
    4.6 本章小結(jié)
第5章 基于聚類-進化過程融合的重組算子
    5.1 引言
    5.2 前期工作
    5.3 自組織映射及其在多目標(biāo)進化算法中的應(yīng)用
        5.3.1 自組織映射
        5.3.2 基于自組織映射的多目標(biāo)進化算法
    5.4 自組織多目標(biāo)進化算法
        5.4.1 算法框架
        5.4.2 新解產(chǎn)生
        5.4.3 環(huán)境選擇
    5.5 實驗研究
        5.5.1 測試實例與性能指標(biāo)
        5.5.2 實驗設(shè)置
        5.5.3 對比研究
    5.6 進一步討論
        5.6.1 WFG測試集求解性能
        5.6.2 參數(shù)靈敏度分析
        5.6.3 基于SMEA算法的巡航導(dǎo)彈航跡規(guī)劃
    5.7 本章小結(jié)
第6章 基于在線凝聚聚類的重組算子
    6.1 引言
    6.2 在線凝聚聚類
    6.3 基于在線聚類的進化算法
        6.3.1 算法框架
        6.3.2 新解產(chǎn)生
        6.3.3 環(huán)境選擇和在線凝聚聚類
    6.4 實驗研究
        6.4.1 測試實例與性能指標(biāo)
        6.4.2 實驗設(shè)置
        6.4.3 對比研究
    6.5 進一步討論
        6.5.1 WFG測試集求解性能
        6.5.2 算法性能橫向比較
        6.5.3 參數(shù)靈敏度分析
        6.5.4 聚類效果分析
        6.5.5 基于OCEA算法的巡航導(dǎo)彈航跡規(guī)劃
        6.5.6 基于在線凝聚聚類的世代多目標(biāo)進化算法
    6.6 本章小結(jié)
結(jié)論
參考文獻
攻讀博士學(xué)位期間發(fā)表的論文及其他成果
致謝
個人簡歷


本文編號：2827602