论文部分内容阅读
演化计算是一种基于生物自然选择和基因遗传学原理的计算模型.它使用计算机模拟大自然的演化过程来求解复杂问题.由于演化计算具有自组织、自适应、自学习等智能特征,且描述简单、使用灵活、易于操作和对问题要求的限制条件少、以及适合于大规模并行计算等特点,它已在复杂优化问题求解、机器学习和众多工程领域中取得了很大成功,成为许多学科关注的一个热点.多目标优化是工程中大量遇到的使多个目标在给定的区域上尽可能好的优化问题.现在已有很多传统方法求解多目标优化问题.近些年来,演化算法成为了传统方法外的另一种解决多目标优化问题的途径.在解决多目标优化问题上,演化算法有以下优势:可解决大规模复杂的空间上的搜索问题;一次运行可以获得多个折中解;可以避免以传统方法面临的一些无法解决的问题.越来越多的人开始用演化计算解决多目标优化问题,并提出了很多算法.该文分析了现有的多目标优化演化算法存在的问题,提出了基于树结构的多目标优化演化算法(TSEA).该算法不仅能很好的达到Pareto前沿,而且能较好的保持种群多样性.重要的是该算法比其他算法要快.该文首先介绍了演化计算原理和多目标优化的基本概念和相关定义.然后分析讨论了几种当前主要的多目标演化算法及其采用的技术.在分析了现有的多目标优化演化算法存在的问题后,提出了基于树结构的多目标优化演化算法.该方法用Better函数比较解的好坏,用树结构表示解的好坏,利用树的自身结构保持种群的多样性.通过与当前主要的MOEA进行比较,分析了其特点和优越性,并指出了算法中存在的问题.随后从三个方面对算法进行了扩展:对有约束的情况,提出了有约束的多目标优化演化算法;为考察算子在算法中的作用,提出了动态空问压缩变异算子,并给出了相应的算法;计算了目标多于两个的多目标优化问题考察算法的可扩展性.最后讨论了新算法的收敛性.该文主要创新如下:1.提出了基于树结构的多目标优化演化算法.该算法简单高效.实验表明该算法性能比大部分MOEA算法都要好.但算法的时间复杂度低于其它的MOEA.2.对于有约束的多目标优化问题,提出了一种处理约束的方法,并且扩展了TSEA用于解决有约束的多目标优化问题.3.讨论了算子在TSEA中的作用,提出了动态空间压缩变异算子,在有些问题中加入该算子能够大大提高算法的搜索能力.4.讨论了多目标演化算法的收敛性分析的基本方法,并利用该方法对TSEA进行了收敛性分析.