多目標(biāo)優(yōu)化問題(Multi-objective Optimizaiton Problems,簡(jiǎn)稱MOPs)普遍存在于工程實(shí)踐以及科學(xué)研究中。MOPs包含多個(gè)需要同時(shí)優(yōu)化的目標(biāo)函數(shù),并且各個(gè)目標(biāo)函數(shù)之間是互相矛盾的,提高其中一個(gè)目標(biāo)的性能往往會(huì)導(dǎo)致其他目標(biāo)性能的下降,多個(gè)目標(biāo)不能同時(shí)達(dá)到最優(yōu),取而代之的是一組折衷的解集。進(jìn)化算法(Evolutionary Algorithms,EAs)作為一種元啟發(fā)式智能算法,在求解MOPs方面表現(xiàn)出明顯的優(yōu)勢(shì),目前已成為求解MOPs最為有效的方法。盡管如此,它們?cè)谇蠼饽繕?biāo)數(shù)目大于3的高維多目標(biāo)優(yōu)化問題(Many-objective Optimizaiton Problems,簡(jiǎn)稱MaOPs)和Pareto前沿面形狀不規(guī)則等一些復(fù)雜MOPs時(shí)仍有所不足。而且,在遇到實(shí)際問題時(shí),如何根據(jù)實(shí)際問題的特點(diǎn),選用合適的進(jìn)化算法,是將進(jìn)化算法拓展到不同工程應(yīng)用領(lǐng)域需要解決的重要問題。針對(duì)上述問題,本文對(duì)多目標(biāo)進(jìn)化算法(Multi-objective Evolutionary Algorithms,MOEAs)的交配池選擇、參考點(diǎn)設(shè)置、Pareto前沿面估計(jì)、參考向量設(shè)計(jì)以及基于參考點(diǎn)或參考向量的環(huán)境選擇策略進(jìn)行研究,提升算法的收斂性和多樣性,提高進(jìn)化算法在處理具有非規(guī)則Pareto前沿面的多目標(biāo)以及高維多目標(biāo)問題上的性能。并將算法用于解決實(shí)際工程中的具有非規(guī)則Pareto前沿面的MOPs。本文的主要研究工作及貢獻(xiàn)如下:(1)針對(duì)2至3個(gè)目標(biāo)的具有非規(guī)則Pareto前沿面的MOPs,提出了一個(gè)基于聚類的自適應(yīng)進(jìn)化算法。在用非支配排序方法保證收斂壓力的基礎(chǔ)上,利用分層聚類方法在待篩選的個(gè)體中自適應(yīng)地生成一組均勻分布的聚類中心參考點(diǎn),并設(shè)計(jì)適合于非規(guī)則Pareto前沿面的基于距離和擁擠度的評(píng)價(jià)指標(biāo)來指導(dǎo)環(huán)境選擇,以提高解集的多樣性。在18個(gè)2到3目標(biāo)的基準(zhǔn)測(cè)試問題上的測(cè)試結(jié)果及碳纖維成形過程中的六級(jí)牽伸問題的優(yōu)化結(jié)果表明,算法在2到3個(gè)目標(biāo)的具有非規(guī)則Pareto前沿面的MOPs上有良好的表現(xiàn)。(2)針對(duì)一類難以收斂的,具有退化的Pareto前沿面的MaOPs,設(shè)計(jì)了一個(gè)基于多組參考向量引導(dǎo)的進(jìn)化算法。提出一種基于向量的Pareto前沿面的定位方法,在定位的有效區(qū)域內(nèi),用映射和聚類的方法產(chǎn)生聚類中心參考向量,與定位向量、軸向量以及有效區(qū)域內(nèi)的高斯隨機(jī)參考向量一起引導(dǎo)種群更高效地收斂。此外,為了進(jìn)一步增強(qiáng)收斂性,運(yùn)用鄰向量增強(qiáng)型交配池選擇方法,與環(huán)境選擇機(jī)制協(xié)同工作,提高處理這類難以收斂的非規(guī)則Pareo前沿面問題的能力。在12個(gè)5到40目標(biāo)的該類型的基準(zhǔn)測(cè)試問題上的對(duì)比測(cè)試結(jié)果及滌綸長(zhǎng)絲熔體輸送的工藝參數(shù)優(yōu)化問題的仿真優(yōu)化結(jié)果表明,該算法在處理這類MaOPs時(shí)具有明顯的優(yōu)勢(shì)。(3)為了解決更多類型的具有非規(guī)則Pareto前沿面的多目標(biāo)以及MaOPs,研究一種基于超平面上法向量的更通用的進(jìn)化算法,在非支配排序的基礎(chǔ)上,采用超平面上的法向量對(duì)非支配面上的種群進(jìn)行分解和環(huán)境選擇,并結(jié)合一種修剪機(jī)制,將上述基于分解的方法選擇出的種群再次與父代種群進(jìn)行競(jìng)爭(zhēng)選擇,以提高最終種群的多樣性。在108個(gè)2至40目標(biāo)的具有各種Pareto前沿面形狀的基準(zhǔn)測(cè)試問題上的對(duì)比測(cè)試結(jié)果及聚酯纖維酯化工藝參數(shù)的仿真優(yōu)化結(jié)果表明,該算法可以解決更大目標(biāo)數(shù)目范圍,更多形狀的Pareto前沿面多目標(biāo)和MaOPs。
【學(xué)位單位】：東華大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2020
【中圖分類】：TP18
【部分圖文】：

本文的主要工作

(a)規(guī)則的、(b)不連續(xù)的、(c)退化的、(d)倒置的Pareto前沿面

種群中每個(gè)目標(biāo)的最小值構(gòu)成的點(diǎn)稱為最小值點(diǎn),整個(gè)可行目標(biāo)空間中的最小值點(diǎn)通常叫做理想點(diǎn)(ideal point);種群中的非支配個(gè)體的每個(gè)目標(biāo)的最大值構(gòu)成的點(diǎn)稱為最底點(diǎn)(nadir point);種群的每個(gè)目標(biāo)的最大值構(gòu)成的點(diǎn)稱為最大值點(diǎn),也稱最壞點(diǎn)(worst point)。如圖2-2的2目標(biāo)優(yōu)化問題,灰色區(qū)域?yàn)槟繕?biāo)空間的可行域,Zmin是種群的最小值點(diǎn),也是理想點(diǎn),Znar是最底點(diǎn),Zmax是最大值點(diǎn)[80],也是最壞點(diǎn)。定義9:均勻分布的參考點(diǎn)和參考向量
【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 公茂果;焦李成;楊咚咚;馬文萍;;進(jìn)化多目標(biāo)優(yōu)化算法研究[J];軟件學(xué)報(bào);2009年02期

本文編號(hào)：2875621