论文部分内容阅读
多目标优化是近些年来逐渐兴起的最优化范畴的关键方向。该领域研究的是在多个优化方向相互制约的情况下,如何达到某种实际意义上的最优化状态的问题。在生产和生活实践中存在的越来越多的优化场景,本质上都属于此类问题。另一方面,个性化推荐随着互联网信息时代的到来,成为了学者和工程人员研究和应用的热点领域。个性化推荐也是一种多目标优化问题,即如何综合多个衡量标准,从大量冗余信息中发现用户可能喜好的事物。 多目标遗传算法是从演化计算的角度处理多目标优化问题的方法之一,其中,Deb提出的带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)是较为常用的基于遗传算法的多目标优化方法。然而,该算法的种群随机初始化方式和拥挤距离计算方式存在着种群分布性和收敛性维护不当,从而导致解集多样性差和收敛速度过慢的缺陷。本文针对上述两方面的不足,对NSGA-Ⅱ算法进行了改进,并将改进算法和用户行为与事物属性的信息挖掘相结合,应用到求解推荐领域的Top-N组合优化问题,主要工作包括以下三个方面的内容。 (1)提出一种基于正交实验与聚类修剪的改进多目标遗传算法(OTNSGA-Ⅱ)。该改进算法针对NSGA-Ⅱ存在的上述两方面缺陷,采用非支配排序与拥挤距离评价个体的方式设计多目标正交实验初始化种群,并且对每一代的进化结果使用基于K-means的自适应聚类修剪策略维护种群进化,在加快种群收敛的同时又保持了解集的分布性。将该改进算法和NSGA-Ⅱ在26个标准测试函数上做了对比实验,验证了该算法在收敛性和分布性两个方面的良好性能。并将该改进算法应用于解决推荐领域的Top-N组合优化问题,与其他推荐方法进行了对比实验,验证了该方法解决上述推荐问题的有效性。 (2)提出一种基于网格划分与差异替换的改进多目标遗传算法(GDNSGA-Ⅱ)。该改进算法针对上述NSGA-Ⅱ种群初始化方式以及OTNSGA-Ⅱ聚类修剪方式存在的不足,采用多目标网格划分方式初始化种群,并且运用基于自适应最小生成树聚类的聚类选择与差异替换维护种群进化,同时维护了种群的收敛性和分布性。将该改进算法和NSGA-Ⅱ以及OTNSGA-Ⅱ在26个标准测试函数上做对比实验,验证了该改进算法具有较为良好的性能。并作为一种新的推荐方法解决推荐领域的Top-N组合优化问题,与其他推荐方法进行对比实验,验证了该方法解决上述推荐问题的效果。 (3)提出一种基于相对熵过滤与最优填充的改进多目标遗传算法(FFNSGA-Ⅱ)。该改进算法针对NSGA-Ⅱ的不足以及GDNSGA-Ⅱ分布性维护方面的缺失,采用综合相对熵过滤的方式设置初始种群,并且运用自适应相对熵过滤与最优填充方式维护种群进化,同时保持了种群的收敛性和分布性。为了说明上述两方面的改进效果,将该改进算法和NSGA-Ⅱ、OTNSGA-Ⅱ以及GDNSGA-Ⅱ在26个标准测试函数上做对比实验。并将该改进算法应用于求解指定列表长度的推荐方案,与其他推荐方法做对比实验,说明了该算法解决上述推荐问题的有效性。