论文部分内容阅读
现实生活中存在大量的多目标优化问题,且目标数超过3的称为高维多目标优化问题,小于3的且大于1的称为低维多目标优化问题。相较于低维多目标优化问题,高维多目标优化问题在寻找最优解时具有更大的难度,往往面临着选择压力不足、多样性难以保持和可视化难度高等问题。归档集是第二代进化算法的标志,且在大量经典多目标进化算法中得到成功运用,但在高维多目标问题下,因支配关系失效,使得大量基于支配关系的归档集维护策略也随之失效,并导致算法难以收敛到问题的真实前沿。基于上述问题,本文展开了归档集维护策略的相关深入研究。该研究主要包括两个方面:第一,低维多目标进化算法中以平衡搜索为目的的归档集维护策略研究;第二,高维多目标进化算法中以增加选择压力为目的的归档集维护策略研究。通过对国内外主流文献的调研和分析,开展了以下研究工作并取得了相应的研究成果:1.针对多目标进化算法全局搜索和局部搜索不平衡的问题,本文设计了一种以平衡搜索为目的的新型归档集维护策略并运用在多目标粒子群优化算法(MOPSO)中,有效避免了算法陷入局部最优的情况。通过与同类型热门算法agMOPSO、pdMOPSO等算法在相同标准测试函数上的对比,证明以平衡搜索为目的的新归档集维护策略对Pareto前沿的收敛性和多样性都具有显著提升。2.针对高维多目标进化算法收敛性不足的问题,提出了一种以目标降维为核心思想的新型归档集维护策略DRS-PCCS,并将其应用于高维多目标进化算法NSGA-Ⅲ中,有效提高了算法进化过程中的选择压力。通过与原NSGA-Ⅲ进行实验对比验证,证明新算法有效改善了NSGA-Ⅲ因采用传统非支配导致的收敛不足的问题,为解决高维多目标优化问题带来了新的发展。以上工作深入挖掘了归档集在多目标问题以及高维多目标问题下研究价值,不仅实现了辅助算法进行全局搜索并达到算法搜索平衡的目的，且设计了新的归档集维护策略有效促进了高维多目标问题的优化。