面向进化多目标优化的进化操作与算法的研究

【摘要】：在现实生活中,存在着许多需要同时优化两个或多个相互冲突条件的多目标问题。多目标优化方法需要产生平衡所有问题条件的解集。通常,进化多目标算法有三个基本的操作,即选择、交叉和变异。由于交叉操作对算法的重要性,很多研究工作都致力于提高其性能。考虑到以下两点:第一,不同的交叉操作对不同的算法框架有不同的性能;第二,交叉操作产生子代的好坏对目标问题的依赖性很大;本文针对不同进化操作及算法的特点设计了以下三个新颖的进化搜索方法。首先,本文提出了一个自适应差分进化操作,用在免疫算法的框架中。考虑到免疫算法因其克隆操作使得种群的多样性缺乏很严重,全局搜索性能较好的差分进化操作正好可以弥补该缺陷。在将差分进化操作用于多目标优化时,本文有两个方面的改进:第一个是父代的选择;第二个是自适应参数控制机制。通过实验证明,本文设计的差分进化算子和参数自适应调整机制是有效的。其次,本文提出了一个基于基因层面的混合进化算子。不同于现有的混合进化算子一般从染色体层面上结合不同的交叉算子,本文从基因层面上结合了局部搜索的模拟二进制方法和全局搜索的差分进化方法来平衡收敛性和多样性。在进化前期,更大的概率进行差分进化操作来执行全局搜索,随着迭代的进行,将更大的概率进行模拟二进制交叉操作来执行局部搜索。全局搜索和局部搜索的平衡是通过一个自适应控制方法来保持的。实验证明,我们设计的进化算子比算法原来的操作有更好的性能。最后,本文针对多目标粒子群算法提出了一个由存档引导的速度更新方法。由于在多目标优化中很难选出全局最优和个体最优的粒子出来且这两个粒子在速度更新方法中起着关键的作用,所以如何合理的选择领导者是多目标粒子群算法的一个难题。本文设计了一个基于分解的精英存档,从中选择出全局最优、局部最优和个体最优三个精英粒子来引导整个粒子群进化。实验证明,该由存档引导的进化算子提高了多目标粒子群算法的性能。