论文部分内容阅读
高维目标优化问题(Many-objective Optimization Problems,MaOPs),即目标个数大于3个的目标优化问题是计算智能领域的一个研究热点。用于求解低维目标优化问题的经典多目标进化算法(Multi-objective Evolutionary Algorithms,MOEAs)在处理高维目标优化问题时面临极大的挑战。因此,本论文旨在研究和设计高效的目标空间维数约简方法,进而设计求解高维目标优化问题的优化算法。本论文主要的研究工作和相关成果如下:(1)提出目标冲突性度量新方法——冲突概率。对目标冲突性的定义进行量化,提出目标在解个体间的冲突性量化定义。依据目标在解个体间的冲突性定义提出度量目标冲突性的新方法——冲突概率,冲突概率能准确度量不同目标之间的冲突性程度,适用于不同类型的高维目标优化问题。冲突概率信息构成高维目标优化问题中目标降维或目标空间划分的基础。(2)提出基于冲突概率降维的高维目标优化算法。提出基于目标冲突贡献率的目标关键性排序方法,实现目标降维,与基于分解的多目标进化算法MOEA/D结合,形成基于冲突概率降维的高维目标优化算法(MOEA/D-CPIOR)。经实验论证,对于不同冗余度的高维目标优化问题,本文算法的降维准确性和鲁棒性都优于其他已有算法,并且能够有效改善MOEA/D在求解冗余高维目标优化问题上的优化性能。(3)提出基于目标空间抽取的高维目标优化算法。在目标冲突贡献率基础上,提出简化高维目标优化问题目标空间维数的目标空间抽取算法,将其与经典多目标优化算法结合,形成基于目标空间抽取的高维目标优化算法。相较于目标空间划分算法,目标空间抽取方法能改善目标子空间分布的均匀性并合理分配计算资源,从而提高算法的多样性及收敛性能。实验证明,较之对比算法,本算法能够获得更好的优化性能。(4)提出基于目标冲突信息向量的高维目标优化算法。结合目标在Pareto最优前沿的关键性程度,提出基于改进的冲突概率信息的目标冲突性度量方法,进而获得目标冲突信息向量,实现自适应目标空间维数约简。该算法可自适应识别高维目标优化问题的冗余性及最关键目标子集,对冗余或非冗余目标优化分别采用目标降维和目标空间抽取的方式进行自适应目标空间维数约简,并采用进化优化算法,从而实现高维目标优化问题的进化求解,提高收敛性能及算法鲁棒性。