论文部分内容阅读
动态多目标优化问题广泛存在于科学研究和现实诸多工程之中,研究如何求解此类动态目标优化问题的算法,对推动动态多目标优化领域的发展有着极其重要的科研与现实意义。而目前,粒子群优化算法以其独特的快速收敛的优势而被应用于求解静态优化问题。但当该算法被运用于求解动态多目标优化问题时,粒子群优化算法很难收敛到前沿面,同时多个目标之间的冲突性、问题随着时间的变化性以及粒子群固有的容易陷入局部最优的特点,迫切需要均衡粒子群优化算法的收敛性与分布性,从而提高算法在动态环境下对最优解集的描述能力以及追踪能力。但是现如今的策略偏向于强调分布性或者收敛性、缺乏能够量化环境变化程度的能力等缺陷,这些问题都给粒子群优化算法优化动态多目标问题带来了严峻的挑战。本文针对粒子群优化算法容易陷入局部最优,导致收敛性和分布性不均衡的问题,设计了一种均衡收敛性与分布性的策略,针对动态多目标问题在不同环境下的特性,设计了种群预测策略和双向选择策略,最终提出了一种均衡分布性与收敛性的动态多目标粒子群优化算法。具体创新点如下:(1)提出了一种均衡收敛性与分布性策略。针对粒子群优化算法在进化过程中易陷入局部最优的问题,首先将分解策略引入到算法中,接着根据算法在优化过程中判断种群是否陷入局部最优状态,设计了基于对立学习的收敛性增强策略,如果种群陷入,则利用对立学习策略,使其跳出局部最优,向前沿面收敛;同时设计了一种弱支配归档集更新策略,从全局角度维护归档集,从而实现对外部归档集的维护更新,有效维持种群的分布性。实验证明,将基于对立学习与弱支配归档集更新策略应用到求解9个标准测试函数上,通过与4种对比算法比较,在平衡算法的收敛性与分布性方面取得了较优的效果,提高了解集的整体性能。(2)提出了一种均衡收敛性与分布性的动态多目标粒子群优化算法。在基于上一章节均衡性策略的基础上,针对动态多目标优化问题的特性,首先设计了一种种群预测策略,通过量化环境变化剧烈程度,以此提高算法对不同动态问题的适应与响应能力;其次,通过将目标空间中相同收敛方向上不同时刻的个体位置转换为时间序列,引入时间序列预测方法,利用自回归模型预测下一刻位置,从而提高预测种群的多样性与有效性。接着,为避免问题发生变化后个体解与子问题之间存在不匹配关系,设计了一种双向选择策略,提高解与子问题选择的合理性,从而有效维持种群在进化过程中的多样性。实验结果表明,将提出的策略应用于求解6个标准动态多目标优化问题时,与选择的4种对比算法进行比较,在收敛性、分布性与稳定性方面均取得了明显的优势。