论文部分内容阅读
区间多目标优化问题是一类重要的不确定多目标优化问题,该类问题在实际的工程应用和科研生活中大量存在。该问题不仅包含多个相互冲突的目标,而且目标函数值为区间数。传统的多目标优化算法在解决该类问题时存在困难。因此,本论文针对该类问题,研究知识引导的进化优化理论和方法,分别提出三类区间多目标知识引导进化优化方法。首先,给出一类含区间参数多目标文化粒子群优化算法。该算法采用文化算法的双层进化框架结构,底层种群空间采用粒子群优化算法,并定义了一类依可能度支配的个体区间占优关系。信度空间定义了形势知识、规范知识、拓扑知识三类知识,并通过三种知识的共同作用选择粒子群的全局极值和个体极值,动态调节粒子飞行过程中的飞行系数和惯性权重。面向区间多目标基准测试函数,实验结果表明该算法能够获得一个收敛性和分布性好,不确定度小的Pareto前沿。其次,考虑到已有量子算法的并行性特点,结合文化算法框架,提出了一类区间多目标量子文化算法。算法通过区间依可能度占优关系设计了新的量子个体矩形区域高度的计算方法。提出了三类反映区间超体分布情况的拥挤算子。给出了形势知识、规范知识、拓扑知识三类知识描述,通过知识来指导量子个体更新和进化个体的选择与变异策略。面向区间多目标基准测试函数,实验结果表明所提算法能够获得一个收敛性好、分布均匀且具有较小不确定度的Pareto前沿。最后,考虑已有的区间支配关系和拥挤算子在三目标情况下的不足,提出了一类知识引导的区间多目标MOEA/D算法。该算法采用MOEA/D算法的分解策略,将区间多目标优化问题分解成单目标优化问题。定义了新的切比雪夫聚合函数用来测试在不同权向量下解的好坏,并给出了新型参考点选取方法。给出了形势知识、邻域知识、关联知识三种知识描述,通过知识的引导作用对种群中的劣势个体进行差分进化,以改善种群多样性和算法收敛性。面向基准测试函数的实验结果表明,所提算法能够获得一个收敛性较好的Pareto前沿。本论文所提三类知识引导进化优化方法,表明了知识的引导作用在解决区间多目标优化问题时的合理性和有效性,不仅为解决区间多目标优化问题提供了有效的解决方法,而且为知识引导的进化优化方法在不确定优化问题中的应用提供了有益的指导。