论文部分内容阅读
在学术研究和工程实践当中存在许多多目标优化问题,不同于单目标优化问题,多目标优化问题由于各个目标之间相互制约,很难让所有的优化目标同时达到最优。因此,只能对各个目标进行协调以寻求折中最优解。加之多目标优化问题大多具有高维、多峰、不连续等特性,故而给多目标问题的求解增添了许多难度。差分进化(Differential Evolution,DE)算法作为目前最优秀的智能优化算法之一,具有操作简单、可控参数少、收敛速度快、全局搜索能力强等特点,大量实验数据表明,差分进化算法在处理多目标优化问题上表现出非常显著的效果,现已被广泛使用在图像处理、生产调动、神经网络、故障诊断等诸多领域当中。然而,DE算法和其他进化算法一样,在对高维、多峰、多目标等复杂的问题进行优化时仍不可避免地存在早熟、停滞等问题。本课题对DE算法进行系统的研究和分析,针对其探索和开发能力之间存在的矛盾。从算法的结构和关键步骤,如变异操作、交叉操作等多方面入手,进行了深入分析和大量的实验仿真,最后提出了两个改进的方案,使其在收敛速度和精度上都得到大幅度提升,在处理复杂高维多峰问题上有了很明显的改善。第一个方案,提出一种基于分类策略的DE算法(classified-Based Differential Evolution,C-DE):采用分类的思想把种群划分成多个子群,对各个子群根据不同的特点采用不同的变异策略,从而来提高算法的收敛速度和精度。具体的改进措施如下:1、设计一种新的DE变异策略DE/rand-to-best/pbest。利用历代最优提供搜索方向的指导性信息,来提高算法的收敛速度;2、引入分类策略。有针对性地调整不同特性个体的进化程度,来平衡算法的探索和开发能力。在9个标准测试函数上的实验仿真结果表明,C-DE算法能有效提高算法收敛速度、精度以及鲁棒性,其相关性能指标优于国内外多种先进的DE算法。第二个方案,提出一种基于混沌局部搜索策略的DE算法(Differential Evolution Algorithm Based on Chaotic Local Search,CL-DE):采用混沌局部搜索策略,在最优个体附近作混沌局部搜索,以此来提高算法的性能。也分两个步骤来实施的:1、设计一种新的DE变异策略DE/best-to-pbest/1;2、引入混沌局部搜索策略。与局部搜索的混合大大地加快算法的收敛速度和最优值精度。实验表明,C-DE和CL-DE算法都表现出优秀的性能,其中,CL-DE算法在处理多模态问题时效果更好。最后,把CL-DE算法运用到多目标优化问题上来,提出来一种对应的多目标差分进化算法CL-MODE。仿真实验证明了这种算法性能优越。